原文采用了kaggle上iris花的資料，資料來源從上面的網址上找噢

如果沒有seaborn庫 安裝方法如下

http://www.ithao123.cn/content-10393533.html

正式開始了~~~

# 首先載入pandas import pandas as pd # 我們將載入seaborn,但是因為載入時會有警告出現，因此先載入warnings，忽略警告 import warnings warnings.filterwarnings("ignore") import seaborn as sns import matplotlib.pyplot as plt sns.set(style="white", color_codes=True) # 載入資料 iris = pd.read_csv("../input/Iris.csv") # 資料現在為 DataFrame格式 # 用head函式看一下資料結構啥樣 iris.head()

123456789101112131415

# 首先載入pandasimport pandas aspd# 我們將載入seaborn,但是因為載入時會有警告出現，因此先載入warnings，忽略警告import warnings warnings.filterwarnings("ignore")import seaborn assnsimport matplotlib.pyplot aspltsns.set(style="white",color_codes=True)# 載入資料iris=pd.read_csv ("../input/Iris.csv")# 資料現在為 DataFrame格式# 用head函式看一下資料結構啥樣iris.head()

資料結構就這樣：

Id	SepalLengthCm	SepalWidthCm	PetalLengthCm	PetalWidthCm	Species
0	1	5.1	3.5	1.4	0.2	Iris-setosa
1	2	4.9	3.0	1.4	0.2	Iris-setosa
2	3	4.7	3.2	1.3	0.2	Iris-setosa
3	4	4.6	3.1	1.5	0.2	Iris-setosa
4	5	5.0	3.6	1.4	0.2	Iris-setosa

# 讓我們用counts功能看下一共有多少種花 iris["Species"].value_counts()

12	# 讓我們用counts功能看下一共有多少種花iris["Species"].value_counts()

結果是：

Iris-setosa 50 Iris-virginica 50 Iris-versicolor 50 Name: Species, dtype: int64

1234	Iris-setosa50Iris-virginica50Iris-versicolor50Name:Species,dtype:int64

1.

# 使用 .plot 做散點圖 iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")#資料為萼片的長和寬 結果如下

12	# 使用 .plot 做散點圖iris.plot(kind="scatter",x="SepalLengthCm",y="SepalWidthCm")#資料為萼片的長和寬 結果如下

2.

# 開始使用seaborn了它能同時顯示直方圖噢 sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", data=iris, size=5)

12	# 開始使用seaborn了它能同時顯示直方圖噢sns.jointplot(x="SepalLengthCm",y="SepalWidthCm",data=iris,size=5)

3神奇的還在下面：

# 我們還可以用seaborn's FacetGrid 標記不同的種類噢 sns.FacetGrid(iris, hue="Species", size=5) #hue英文是色彩的意思 .map(plt.scatter, "SepalLengthCm", "SepalWidthCm") #注意這裡的plt哦 .add_legend()

1234	# 我們還可以用seaborn's FacetGrid 標記不同的種類噢sns.FacetGrid(iris,hue="Species",size=5)#hue英文是色彩的意思.map(plt.scatter,"SepalLengthCm","SepalWidthCm")#注意這裡的plt哦.add_legend()

4箱線圖！

# Seaborn中的boxplot，可以畫箱線圖，可以看出不同種類的分佈情況 sns.boxplot(x="Species", y="PetalLengthCm", data=iris)

12	#  Seaborn中的boxplot，可以畫箱線圖，可以看出不同種類的分佈情況sns.boxplot(x="Species",y="PetalLengthCm",data=iris)

5、

# 利用striplot可以錦上添花，加上散點圖 # # 使振動值jitter=True 使各個散點分開，要不然會是一條直線 # # 注意這裡將座標圖用ax來儲存了哦，這樣第二次才會在原來的基礎上加點 ax = sns.boxplot(x="Species", y="PetalLengthCm", data=iris) ax = sns.stripplot(x="Species", y="PetalLengthCm", data=iris, jitter=True, edgecolor="gray")

1234567

# 利用striplot可以錦上添花，加上散點圖# # 使振動值jitter=True 使各個散點分開，要不然會是一條直線## 注意這裡將座標圖用ax來儲存了哦，這樣第二次才會在原來的基礎上加點ax=sns.boxplot(x="Species",y="PetalLengthCm",data=iris)ax=sns.stripplot(x="Species",y="PetalLengthCm",data=iris,jitter=True,edgecolor="gray")

6、小提琴圖

# 這圖可以變現出密度的分佈 sns.violinplot(x="Species", y="PetalLengthCm", data=iris, size=6)

12	# 這圖可以變現出密度的分佈sns.violinplot(x="Species",y="PetalLengthCm",data=iris,size=6)

7、kdeplot

# 通過這個曲線圖可以看出不同特徵值時的分佈密度 sns.FacetGrid(iris, hue="Species", size=6) .map(sns.kdeplot, "PetalLengthCm") .add_legend()

1234	# 通過這個曲線圖可以看出不同特徵值時的分佈密度sns.FacetGrid(iris,hue="Species",size=6).map(sns.kdeplot,"PetalLengthCm").add_legend()

8.大招來了

# pairplot顯示不同特徵之間的關係 sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3)

12	#  pairplot顯示不同特徵之間的關係sns.pairplot(iris.drop("Id",axis=1),hue="Species",size=3)

9、中間對角線的圖形也可以用kde顯示哦

# 修改引數dige_kind sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3, diag_kind="kde")

12	# 修改引數dige_kindsns.pairplot(iris.drop("Id",axis=1),hue="Species",size=3,diag_kind="kde")

10.現在是pandas表現的時間了

# 用Pandas 快速做出每個特徵在不同種類下的箱線圖 iris.drop("Id", axis=1).boxplot(by="Species", figsize=(12, 6))

12	# 用Pandas 快速做出每個特徵在不同種類下的箱線圖iris.drop("Id",axis=1).boxplot(by="Species",figsize=(12,6))

11.調和曲線圖 Andrew Curves

首先啥是Andrew curves呢 看維基百科

https://en.wikipedia.org/wiki/Andrews_plot

他是將高維的點 化為二維的曲線，曲線是一條傅立葉函式的樣子，引數項為不同的特徵值，臆想出來了自變數t,這樣每個點都是一條曲線

# 畫圖的函式在下面，我們會發現相同種類的線總是纏綿在一起，可以和聚類混在一起噢，事實上他們與歐氏距離是有關係的 from pandas.tools.plotting import andrews_curves andrews_curves(iris.drop("Id", axis=1), "Species")

123	# 畫圖的函式在下面，我們會發現相同種類的線總是纏綿在一起，可以和聚類混在一起噢，事實上他們與歐氏距離是有關係的from pandas.tools.plotting import andrews_curvesandrews_curves(iris.drop("Id",axis=1),"Species")

12輪廓圖

https://en.wikipedia.org/wiki/Parallel_coordinates

# 輪廓圖也是看高維資料的一種方法，將不同的特徵放在橫座標，然後將各點的特徵值放在縱座標就可以了 from pandas.tools.plotting import parallel_coordinates parallel_coordinates(iris.drop("Id", axis=1), "Species")

123	# 輪廓圖也是看高維資料的一種方法，將不同的特徵放在橫座標，然後將各點的特徵值放在縱座標就可以了from pandas.tools.plotting import parallel_coordinatesparallel_coordinates(iris.drop("Id",axis=1),"Species")

13 radviz

http://www.doc88.com/p-912968623585.html

# 這也是一種將高維點表現在二維平面的方法，具體作圖方法應該在上面的網址上應該有 from pandas.tools.plotting import radviz radviz(iris.drop("Id", axis=1), "Species")

123	# 這也是一種將高維點表現在二維平面的方法，具體作圖方法應該在上面的網址上應該有from pandas.tools.plotting import radvizradviz(iris.drop("Id",axis=1),"Species")

暫時就是這些，希望會對大家有幫助

補充參考：

http://wenku.baidu.com/link?url=l1tNiAh1YegiSIwDjcS6f4swybDt3A-qczVXpbXf_7S6RUGC_gOOoP9fv4w8VXSMKlYiz0HlhhTsysEwwiqYORMwg-phyehtXlAIAAdEJ8G