数据清洗 Chapter03 | Seaborn常用图形python不温卜火的博客-

这篇文章讲述的是Seaborn常用图形。希望这篇数据清洗的文章对您有所帮助！如果您有想学习的知识或建议，可以给作者留言~

Seaborn是一个画图工具
Seaborn是基于Matplotlib的一个Python作图模块
配色更加好看，种类更多，但函数和操作比较简单

1、散点图

散点图可直接观察两个变量的分布情况

• 1、使用jiontplot()函数画出散点图

import seaborn as sns import pandas as pd import numpy as np iris = pd.read_csv('./data/iris.csv')  sns.jointplot(x='sepal_length', y='petal_length', data=iris) 

• 2、设置参数kind为reg，对散点进行线性拟合

sns.jointplot("sepal_length", "petal_length", data=iris, kind="reg") 

• 3、设置参数kind为hex，绘制六边形箱体联合分布直方图

sns.jointplot("sepal_length", "petal_length", data=iris, kind="hex") 

• 4、设置参数kind为kde，绘制密度曲线图

sns.jointplot("sepal_width", "petal_length", data=iris, kind="kde", space=0, color="g") 

2、盒图(箱线图)

通常最大值和最小值检测数据集中的异常值
通过中位数判断数据集的偏态和尾重

• 1、打开文件

import seaborn as sns import pandas as pd import numpy as np tips = pd.read_csv("./data/tips.csv")  tips.head(3) 

• 2、用boxplot(0绘制账单(bill)的盒图

sns.boxplot(x=tips["total_bill"]) 

• 3、以天(day)为单位，绘制账单的盒图

sns.boxplot(x="day", y="total_bill", data=tips) 

• 4、分别绘制抽烟者和不抽烟者账单的盒图

• 使用hue指定抽烟(smoker)特征

sns.boxplot(x="day", y="total_bill",hue = "smoker", data=tips,palette = "Set3") 

3、直方图

直方图中，条形的长为对应组的频数与组距的比
直方图能够清楚显示各组频数分布情况
易于显示各组之间频数的差别

• 1、使用distplot()函数绘制直方图

distplot()结合了Matplotlib中的hist()、kdeplot()和rugplot()

sns.distplot(tips["total_bill"]) 

• 2、使用参数rug添加地毯图

rug用于观察数据的密度分布

sns.distplot(tips["total_bill"], rug=True, hist=False) 

• 3、使用直方图和最大似然高斯分布拟合展示变量分布

kde用于指定是否在图上添加高斯核密度估计

1. kde=False

from scipy.stats import norm sns.distplot(tips["total_bill"], fit=norm, kde=False) 

2. kde=True

from scipy.stats import norm sns.distplot(tips["total_bill"], fit=norm, kde=True) 

• 4、设置vertical参数和color参数，改变直方图的方向和颜色

sns.distplot(tips["total_bill"], vertical=True,color='y') 

4、柱状图

柱状图用于反映离散特征中不同特征值的数目

• 1、使用Seaborn中的.countpolt()绘制柱状图

sns.countplot(x="day", data=tips) 

• 2、使用两个离散变量做柱状图

sns.countplot(x="day", hue="sex", data=tips) 

• 3、绘制水平柱状图

sns.countplot(y="day", hue="sex", data=tips) 

5、核密度图

核密度图(kernel density estimation ,kde) 是一种非参数检验方法
用于估计未知的密度函数

使用Seaborn中的kdeplot()函数绘制单变量或双变量的核密度估计图

• 1、绘制单变量核密度估计图

sns.kdeplot(tips["total_bill"]) 

• 2、设置color参数，在核密度曲线下方区域进行颜色填充

sns.kdeplot(tips["total_bill"],shade=True,color='r') 

• 3、绘制双变量核密度图

sns.kdeplot(tips["total_bill"],tips['tip']) 

• 4、n_levels设置层数，cmap设置颜色

sns.kdeplot(tips["total_bill"],tips['tip'], n_levels=30, cmap="Purples_d") 

6、小提琴图

小提琴图是盒图与核密度图的结合
能够一次从多个维度反映出数据的分布

• 1、使用violinplot()函数绘制小提琴图

sns.violinplot(x=tips["total_bill"]) 

• 2、根据星期(day)进行分组，绘制特征账单的小提琴图

sns.violinplot(x="day", y="total_bill", data=tips) 

• 4、绘制两个离散变量嵌套分组的小提琴图

palette用于指定seaborn内置颜色

sns.violinplot(x="day", y="total_bill", hue="smoker",data=tips, palette="muted") 

• 5、参数scale用于调节小提琴图的大小

count表示根据不同bin对应观测值多少调节

sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, palette="Set2",split=True,scale="count") 

7、点对图

刻画数据集一对变量之间相互关系，并对单变量做出分布直方图

• 1、使用pairplot()函数绘制点对图

sns.set(style="ticks", color_codes=True) sns.pairplot(iris) 

• 2、使用pandas库，也可以绘制点对图，不过比这个难些

pd.scatter_matrix(iris, diagonal='hist', color = 'b',alpha=0.3, figsize=(10, 10), marker='o') 

• 3、设置参数diag_kind,指定对角线子图上的类型

sns.set(style='darkgrid') sns.pairplot(iris, diag_kind='kde', kind='reg', markers='+') 

• 4、选择变量，绘制点对图

sns.pairplot(iris,markers='o',x_vars=["sepal_width", "sepal_length"],y_vars=["petal_width", "petal_length"], kind='reg') 

• 5、通过hue作为分类，并用不同颜色标注

sns.set(style='darkgrid') sns.pairplot(iris, vars=['sepal_width', 'sepal_length'], palette="Set1", size=3) 

8、回归图

• 1、使用lmplot()函数绘制数据的线性回归图

sns.lmplot(x="total_bill", y="tip", data=tips) 

• 2、设置hue参数，拟合出不同水平的直线

sns.lmplot(x="total_bill",y="tip",hue="smoker",data=tips,palette='Set1') 

• 3、设置col参数，对数据集进行分组：抽烟者和不抽烟者

sns.lmplot(x="total_bill", y="tip", col="smoker", data=tips) 

• 4、设置row和col参数，用性别和抽烟两个离散特征进行分组

sns.lmplot(x="total_bill", y="tip", row="sex", col="time",data=tips, size=3) 

各位路过的朋友，如果觉得可以学到些什么的话，点个赞再走吧，欢迎各位路过的大佬评论，指正错误，也欢迎有问题的小伙伴评论留言，私信。每个小伙伴的关注都是本人更新博客的动力！！！