Python數(shù)據(jù)可視化之Seaborn的使用詳解
1. 安裝 seaborn
安裝：
pip install seaborn
導(dǎo)入：
import seaborn as sns
2.準(zhǔn)備數(shù)據(jù)
正式開始之前我們先用如下代碼準(zhǔn)備一組數(shù)據(jù)，方便展示使用。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
pd.set_option('display.unicode.east_asian_width', True)
df1 = pd.DataFrame(
{'數(shù)據(jù)序號(hào)': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
'廠商編號(hào)': ['001', '001', '001', '002', '002', '002', '003', '003', '003', '004', '004', '004'],
'產(chǎn)品類型': ['AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC'],
'A屬性值': [40, 70, 60, 75, 90, 82, 73, 99, 125, 105, 137, 120],
'B屬性值': [24, 36, 52, 32, 49, 68, 77, 90, 74, 88, 98, 99],
'C屬性值': [30, 36, 55, 46, 68, 77, 72, 89, 99, 90, 115, 101]
}
)
print(df1)
生成一組數(shù)據(jù)如下：
3.背景與邊框
3.1 設(shè)置背景風(fēng)格
設(shè)置風(fēng)格使用的是sns.set_style()方法，且這里內(nèi)置的風(fēng)格，是用背景色表示名字的，但是實(shí)際內(nèi)容不限于背景色。
sns.set_style()
可以選擇的背景風(fēng)格有：
- whitegrid 白色網(wǎng)格
- dark 灰色背景
- white 白色背景
- ticks 四周帶刻度線的白色背景
sns.set()
sns.set_style(“darkgrid”)
sns.set_style(“whitegrid”)
sns.set_style(“dark”)
sns.set_style(“white”)
sns.set_style(“ticks”)
其中sns.set()表示使用自定義樣式，如果沒有傳入?yún)?shù)，則默認(rèn)表示灰色網(wǎng)格背景風(fēng)格。如果沒有set()也沒有set_style()，則為白色背景。
一個(gè)可能的bug：使用relplot()方法繪制出的圖像，"ticks"樣式無效。
3.2 其他
seaborn庫是基于matplotlib庫而封裝的，其封裝好的風(fēng)格可以更加方便我們的繪圖工作。而matplotlib庫常用的語句，在使用seaborn庫時(shí)也依然有效。
關(guān)于設(shè)置其他風(fēng)格相關(guān)的屬性，如字體，這里有一個(gè)細(xì)節(jié)需要注意的是，這些代碼必須寫在sns.set_style()的后方才有效。如將字體設(shè)置為黑體（避免中文亂碼）的代碼：
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
如果在其后方設(shè)置風(fēng)格，則設(shè)置好的字體會(huì)設(shè)置的風(fēng)格覆蓋，從而產(chǎn)生警告。其他屬性也同理。
3.3 邊框控制
sns.despine()方法
# 移除頂部和右部邊框，只保留左邊框和下邊框 sns.despine() # 使兩個(gè)坐標(biāo)軸相隔一段距離（以10長度為例） sns.despine(offet=10,trim=True) # 移除左邊框 sns.despine(left=True) # 移除指定邊框 （以只保留底部邊框?yàn)槔? sns.despine(fig=None, ax=None, top=True, right=True, left=True, bottom=False, offset=None, trim=False)
4. 繪制 散點(diǎn)圖
使用seaborn庫 繪制散點(diǎn)圖，可以使用replot()方法，也可以使用scatter()方法。
replot方法的參數(shù)kind默認(rèn)是’scatter’，表示繪制散點(diǎn)圖。
hue參數(shù)表示 在該一維度上，用顏色區(qū)分
①對A屬性值和數(shù)據(jù)序號(hào)繪制散點(diǎn)圖，紅色散點(diǎn)，灰色網(wǎng)格，保留左、下邊框
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘SimHei'] sns.relplot(x=‘?dāng)?shù)據(jù)序號(hào)', y=‘A屬性值', data=df1, color=‘red') plt.show()
②對A屬性值和數(shù)據(jù)序號(hào)繪制散點(diǎn)圖，散點(diǎn)根據(jù)產(chǎn)品類型的不同顯示不同的顏色，
白色網(wǎng)格，左、下邊框：
sns.set_style(‘whitegrid') plt.rcParams[‘font.sans-serif'] = [‘SimHei'] sns.relplot(x=‘?dāng)?shù)據(jù)序號(hào)', y=‘A屬性值', hue=‘產(chǎn)品類型', data=df1) plt.show()
③將A屬性、B屬性、C屬性三個(gè)字段的值用不同的樣式繪制在同一張圖上（繪制散點(diǎn)圖），x軸數(shù)據(jù)是[0,2,4,6,8…]
ticks風(fēng)格（四個(gè)方向的框線都要），字體使用楷體
sns.set_style(‘ticks') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2)) dfs = [df2[‘A屬性值'], df2[‘B屬性值'], df2[‘C屬性值']] sns.scatterplot(data=dfs) plt.show()
5. 繪制 折線圖
使用seaborn庫繪制折線圖， 可以使用replot()方法，也可以使用lineplot()方法。
5.1 使用 replot()方法
sns.replot()默認(rèn)繪制的是散點(diǎn)圖，繪制折線圖只需吧參數(shù)kind改為"line"。
①需求：繪制A屬性值與數(shù)據(jù)序號(hào)的折線圖，
灰色網(wǎng)格，全局字體為楷體；并調(diào)整標(biāo)題、兩軸標(biāo)簽 的字體大小，
以及坐標(biāo)系與畫布邊緣的距離（設(shè)置該距離是因?yàn)樽煮w沒有顯示完全）：
sns.set(rc={‘font.sans-serif': “STKAITI”})
sns.relplot(x=‘?dāng)?shù)據(jù)序號(hào)', y=‘A屬性值', data=df1, color=‘purple', kind=‘line')
plt.title(“繪制折線圖”, fontsize=18)
plt.xlabel(‘num', fontsize=18)
plt.ylabel(‘A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()
②需求：繪制不同產(chǎn)品類型的A屬性折線（三條線一張圖），whitegrid風(fēng)格，字體楷體。
sns.set_style(“whitegrid”) plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.relplot(x=‘?dāng)?shù)據(jù)序號(hào)', y=‘A屬性值', hue=‘產(chǎn)品類型', data=df1, kind=‘line') plt.title(“繪制折線圖”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A屬性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
③需求：將A屬性、B屬性、C屬性三個(gè)字段的值用不同的樣式繪制在同一張圖上（繪制折線圖），x軸數(shù)據(jù)是[0,2,4,6,8…]
darkgrid風(fēng)格（四個(gè)方向的框線都要），字體使用楷體，并加入x軸標(biāo)簽，y軸標(biāo)簽和標(biāo)題。邊緣距離合適。
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2)) dfs = [df2[‘A屬性值'], df2[‘B屬性值'], df2[‘C屬性值']] sns.relplot(data=dfs, kind=“l(fā)ine”) plt.title(“繪制折線圖”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A屬性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
③多重子圖
橫向多重子圖 col
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.relplot(data=df1, x=“A屬性值”, y=“B屬性值”, kind=“l(fā)ine”, col=“廠商編號(hào)”) plt.subplots_adjust(left=0.05, right=0.95, bottom=0.1, top=0.9) plt.show()
縱向多重子圖 row
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.relplot(data=df1, x=“A屬性值”, y=“B屬性值”, kind=“l(fā)ine”, row=“廠商編號(hào)”) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.95) plt.show()
5.2 使用 lineplot()方法
使用lineplot()方法繪制折線圖，其他細(xì)節(jié)基本同上，示例代碼如下：
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.lineplot(x=‘?dāng)?shù)據(jù)序號(hào)', y=‘A屬性值', data=df1, color=‘purple') plt.title(“繪制折線圖”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A屬性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2)) dfs = [df2[‘A屬性值'], df2[‘B屬性值'], df2[‘C屬性值']] sns.lineplot(data=dfs) plt.title(“繪制折線圖”, fontsize=18) plt.xlabel(‘num', fontsize=18) plt.ylabel(‘A屬性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
6. 繪制直方圖 displot()
繪制直方圖使用的是sns.displot()方法
- bins=6 表示 分成六個(gè)區(qū)間繪圖
- rug=True 表示在x軸上顯示觀測的小細(xì)條
- kde=True表示顯示核密度曲線
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.displot(data=df1[[‘C屬性值']], bins=6, rug=True, kde=True) plt.title(“直方圖”, fontsize=18) plt.xlabel(‘C屬性值', fontsize=18) plt.ylabel(‘?dāng)?shù)量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
隨機(jī)生成300個(gè)正態(tài)分布數(shù)據(jù)，并繪制直方圖，顯示核密度曲線
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] np.random.seed(13) Y = np.random.randn(300) sns.displot(Y, bins=9, rug=True, kde=True) plt.title(“直方圖”, fontsize=18) plt.xlabel(‘C屬性值', fontsize=18) plt.ylabel(‘?dāng)?shù)量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9) plt.show()
7. 繪制條形圖 barplot()
繪制條形圖使用的是barplot()方法
以產(chǎn)品類型 字段數(shù)據(jù)作為x軸數(shù)據(jù)，A屬性值數(shù)據(jù)作為y軸數(shù)據(jù)。按照廠商編號(hào)字段的不同進(jìn)行分類。
具體如下：
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.barplot(x=“產(chǎn)品類型”, y=‘A屬性值', hue=“廠商編號(hào)”, data=df1) plt.title(“條形圖”, fontsize=18) plt.xlabel(‘產(chǎn)品類型', fontsize=18) plt.ylabel(‘?dāng)?shù)量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9) plt.show()
8. 繪制線性回歸模型
繪制線性回歸模型使用的是lmplot()方法。
主要的參數(shù)為x, y, data。分別表示x軸數(shù)據(jù)、y軸數(shù)據(jù)和數(shù)據(jù)集數(shù)據(jù)。
除此之外，同上述所講，還可以通過hue指定分類的變量；
通過col指定列分類變量，以繪制 橫向多重子圖；
通過row指定行分類變量，以繪制 縱向多重子圖；
通過col_wrap控制每行子圖的數(shù)量；
通過size可以控制子圖的高度；
通過markers可以控制點(diǎn)的形狀。
下邊對 X屬性值 和 Y屬性值 做線性回歸，代碼如下：
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.lmplot(x=“A屬性值”, y=‘B屬性值', data=df1) plt.title(“線性回歸模型”, fontsize=18) plt.xlabel(‘A屬性值', fontsize=18) plt.ylabel(‘B屬性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9) plt.show()
9. 繪制 核密度圖 kdeplot()
9.1 一般核密度圖
繪制和密度圖，可以讓我們更直觀地看出樣本數(shù)據(jù)的分布特征。繪制核密度圖使用的方法是kdeplot()方法。
對A屬性值和B屬性值繪制核密度圖，
將shade設(shè)置為True可以顯示包圍的陰影，否則只有線條。
sns.set_style(‘darkgrid') plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.kdeplot(df1[“A屬性值”], shade=True, data=df1, color=‘r') sns.kdeplot(df1[“B屬性值”], shade=True, data=df1, color=‘g') plt.title(“核密度圖”, fontsize=18) plt.xlabel(‘Value', fontsize=18) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9) plt.show()
9.2 邊際核密度圖
繪制邊際核密度圖時(shí)使用的是sns.jointplot()方法。參數(shù)kind應(yīng)為"kde"。使用該方法時(shí)，默認(rèn)使用的是dark樣式。且不建議手動(dòng)添加其他樣式，否則可能使圖像無法正常顯示。
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.jointplot(x=df1[“A屬性值”], y=df1[“B屬性值”], kind=“kde”, space=0) plt.show()
10. 繪制 箱線圖 boxplot()
繪制箱線圖使用到的是boxplot()方法。
基本的參數(shù)有x, y, data。
除此之外 還可以有
hue 表示分類字段
width 可以調(diào)節(jié)箱體的寬度
notch 表示中間箱體是否顯示缺口，默認(rèn)False不顯示。
鑒于前邊的數(shù)據(jù)數(shù)據(jù)量不太夠不便展示，這里再生成一組數(shù)據(jù)：
np.random.seed(13)
Y = np.random.randint(20, 150, 360)
df2 = pd.DataFrame(
{‘廠商編號(hào)': [‘001', ‘001', ‘001', ‘002', ‘002', ‘002', ‘003', ‘003', ‘003', ‘004', ‘004', ‘004'] * 30,
‘產(chǎn)品類型': [‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC', ‘AAA', ‘BBB', ‘CCC'] * 30,
‘XXX屬性值': Y
}
)生成好后，開始繪制箱線圖：
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.boxplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2) plt.show()
交換x、y軸數(shù)據(jù)后：
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.boxplot(y=‘產(chǎn)品類型', x=‘XXX屬性值', data=df2) plt.show()
可以看到箱線圖的方向也隨之改變
將廠商編號(hào)作為分類字段：
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.boxplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2, hue=“廠商編號(hào)”) plt.show()
11. 繪制 提琴圖 violinplot()
提琴圖結(jié)合了箱線圖和核密度圖的特征，用于展示數(shù)據(jù)的分布形狀。
使用violinplot()方法繪制提琴圖。
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.violinplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2) plt.show()
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.violinplot(x=‘XXX屬性值', y=‘產(chǎn)品類型', data=df2) plt.show()
plt.rcParams[‘font.sans-serif'] = [‘STKAITI'] sns.violinplot(x=‘產(chǎn)品類型', y=‘XXX屬性值', data=df2, hue=“廠商編號(hào)”) plt.show()
12. 繪制 熱力圖 heatmap()
以雙色球中獎(jiǎng)號(hào)碼數(shù)據(jù)為例繪制熱力圖，這里數(shù)據(jù)采用隨機(jī)數(shù)生成。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
?
sns.set()
plt.figure(figsize=(6,6))
plt.rcParams[‘font.sans-serif'] = [‘STKAITI']
?
s1 = np.random.randint(0, 200, 33)
s2 = np.random.randint(0, 200, 33)
s3 = np.random.randint(0, 200, 33)
s4 = np.random.randint(0, 200, 33)
s5 = np.random.randint(0, 200, 33)
s6 = np.random.randint(0, 200, 33)
s7 = np.random.randint(0, 200, 33)
data = pd.DataFrame(
{‘一': s1,
‘二': s2,
‘三': s3,
‘四':s4,
‘五':s5,
‘六':s6,
‘七':s7
}
)
?
plt.title(‘雙色球熱力圖')
sns.heatmap(data, annot=True, fmt=‘d', lw=0.5)
plt.xlabel(‘中獎(jiǎng)號(hào)碼位數(shù)')
plt.ylabel(‘雙色球數(shù)字')
x = [‘第1位', ‘第2位', ‘第3位', ‘第4位', ‘第5位', ‘第6位', ‘第7位']
plt.xticks(range(0, 7, 1), x, ha=‘left')
plt.show()
到此這篇關(guān)于Python數(shù)據(jù)可視化之Seaborn的使用詳解的文章就介紹到這了,更多相關(guān)Python Seaborn內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python+Scipy實(shí)現(xiàn)自定義任意的概率分布
Scipy自帶了多種常見的分布，如正態(tài)分布、均勻分布、二項(xiàng)分布、多項(xiàng)分布、伽馬分布等等，還可以自定義任意的概率分布。本文將為大家介紹如何利用Scipy自定義任意的概率分布，感興趣的可以了解下2022-08-08
python 多進(jìn)程并行編程 ProcessPoolExecutor的實(shí)現(xiàn)
這篇文章主要介紹了python 多進(jìn)程并行編程 ProcessPoolExecutor的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10
Python使用MD5加密算法對字符串進(jìn)行加密操作示例
這篇文章主要介紹了Python使用MD5加密算法對字符串進(jìn)行加密操作,結(jié)合實(shí)例形式分析了Python實(shí)現(xiàn)md5加密相關(guān)操作技巧,需要的朋友可以參考下2018-03-03
這篇文章主要介紹了Python里disconnect UDP套接字的方法,本文使用的是ctypes繞過的方法,需要的朋友可以參考下2015-04-04
這篇文章主要給大家介紹了關(guān)于Python讀取ini配置文件傳參的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01
Python操作word文檔插入圖片和表格的實(shí)例演示
這篇文章主要給大家介紹了關(guān)于Python操作word文檔插入圖片和表格的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10
這篇文章主要介紹了淺談Django REST Framework限速，具有一定借鑒價(jià)值，需要的朋友可以參考下。2017-12-12
Python warning警告出現(xiàn)的原因及忽略方法
在本篇文章里小編給大家分享的是關(guān)于Python warning警告出現(xiàn)的原因及忽略方法，有需要的朋友們可以學(xué)習(xí)參考下。2020-01-01
這篇文章主要介紹了python RSA加密的示例，幫助大家更好的理解和使用加密算法，感興趣的朋友可以了解下2020-12-12
在本篇內(nèi)容里小編給大家分享了關(guān)于Python爬蟲設(shè)置代理IP的相關(guān)知識(shí)點(diǎn)和步驟，需要的朋友們參考下。2018-12-12