文章目录
Seaborn是一个基于Python语言的数据可视化库，它能够创建高度吸引人的可视化图表，是在matplotlib库的基础上，提供了更为简便的API和更为丰富的可视化函数，使得数据分析与可视化变得更加容易。Seaborn的设计哲学是以美学为中心，致力于创建最佳的数据可视化，同时也保持着与Python生态系统的高度兼容性，可以轻松集成到Python数据分析以及机器学习的工作流程中.
特点：
- 丰富的可视化函数：Seaborn拥有一系列丰富的可视化函数，能够创建多种类型的图表，包括折线图、柱状图、散点图、核密度图、热力图等等。
- 简洁的API：Seaborn的API设计简洁，代码易读易写，让用户能够轻松地创建高质量的可视化图表。
- 支持数据分组：Seaborn支持按照数据分组进行可视化，使得用户能够更好地分析数据的差异。
- 自动化调整：Seaborn能够自动调整图表的各种参数，包括颜色、标签、坐标轴等等，使得用户能够更专注于数据分析。
- 计算多变量间关系的面向数据集接口
- 可视化类别变量的观测与统计
- 可视化单变量或多变量分布并与其子数据集比较
- 控制线性回归的不同因变量并进行参数估计与作图
- 对复杂数据进行易行的整体结构可视化
- 对多表统计图的制作高度抽象并简化可视化过程
- 提供多个内建主题渲染 matplotlib 的图像样式
- 提供调色板工具生动再现数据
1.安装
pip install seaborn由于需要其他模块依赖，还需要安装
pip install numpypip install scipypip install pandas2.导包
import numpy as npimport pandas as pdfrom scipy import statsimport matplotlib.pyplot as pltimport seaborn as snssns.set(style="darkgrid")1.统计关系
- 散点图
data=sns.load_dataset('tips')sns.relplot(x='total_bill',y='tip',data=data)plt.show()
添加参数
hue ->颜色 style->风格 size->尺寸
sns.relplot(x='total_bill',y='tip',hue="smoker",style='darkgrid',size=10,data=data)
- 折线图
data=np.random.rand(100)sns.relplot(kind='line',data=data)
- 显示与切面的多种关系
fmri=sns.load_dataset('fmri')sns.relplot(x="timepoint", y="signal", hue="subject", col="region", row="event", height=4, kind="line", estimator=None, data=fmri)
2.分类关系
- 热力图
unniform_data=np.random.rand(8,8)#vim,vmax表示范围 ，center表示中心数据大小heatmap=sns.heatmap(unniform_data,vmin=0,vmax=1,center=0)
可以显示每个数据，增加间隔
- annot是否显示数据，fmt字体格式,linewwidth间距,cmap调色板
flights=sns.load_dataset('flights')#读取航班数据flights=flights.pivot("month",'year',"passengers")#annot是否显示数据，fmt字体格式,linewwidth间距,cmap调色板ax=sns.heatmap(flights,annot=True,fmt='d',linewidths=.5,cmap="YlGnBu")
- 散点图
data=sns.load_dataset('tips')sns.catplot(x="day", y="total_bill", data=data)
- 箱线图
data=sns.load_dataset('tips')sns.catplot(x='day',y='total_bill',kind='box',data=data)plt.savefig('1.png')plt.show()
data = sns.load_dataset("diamonds")sns.catplot(x="cut", y="price", kind="boxen", data=data.sort_values("cut"))
- 条形图
data = sns.load_dataset("titanic")sns.catplot(x="alone", y="age", hue="class", kind="bar", data=data)
3.数据集的分布
- 直方图并拟合
data= np.random.normal(size=100)sns.distplot(data)
- 核密度
- numpy.random.multivariate_normal 是NumPy的一个函数，用于生成多元正态分布的随机样本。它接受两个必需参数：均值和协方差矩阵，并返回一个随机数样本数组，该数组的形状由第一个参数确定。
具体地，如果您传递一个形状为 (n,) 的均值向量和一个形状为 (n, n) 的协方差矩阵，函数将生成一个形状为 (m, n) 的随机数样本数组，其中 m 是您希望生成的样本数。每一行是一个长度为 n 的向量，表示一个多元正态分布的样本。
例如，以下代码将生成一个形状为 (100, 2) 的随机数样本数组，其中每一行表示一个二元正态分布的样本：
- numpy.random.multivariate_normal 是NumPy的一个函数，用于生成多元正态分布的随机样本。它接受两个必需参数：均值和协方差矩阵，并返回一个随机数样本数组，该数组的形状由第一个参数确定。
import numpy as npmean = [0, 0]cov = [[1, 0.5], [0.5, 1]]samples = np.random.multivariate_normal(mean, cov, 100)生成核密度图
mean, cov = [0, 1], [(1, .5), (.5, 1)]data = np.random.multivariate_normal(mean, cov, 100)df=pd.DataFrame(data,columns=['x','y'])sns.jointplot(x="x", y="y", data=df, kind="kde")
- 数据集中的成对关系
iris = sns.load_dataset("iris")sns.pairplot(iris)
4.线性关系
- 通过regplot()和lmplot()函数拟合回归模型y~x并绘制得到回归线和该回归的 95%置信区间
import matplotlib.pyplot as pltimport seaborn as snssns.set(color_codes=True)data=sns.load_dataset("tips")sns.regplot(x='total_bill',y="tip",data=data)
当变量有离散值时候，可以拟合线性回归
sns.lmplot(x="size", y="tip", data=data)
由于可能得到不是最优解，所以可以添加噪音或者综合每个离散箱中的观测值，以绘制集中趋势的估计值和置信区间。
sns.lmplot(x="size", y="tip", data=data,x_jitter=0.04)
sns.lmplot(x="size", y="tip", data=data,x_estimator=np.mean)
5. 结构化构图
sns居于强大的网格图功能
- 初始化网格
data=sns.load_dataset('tips')g=sns.FacetGrid(data,col='time')
- FacetGrid.map()是绘制网格数据的主要方法
data=sns.load_dataset('tips')g=sns.FacetGrid(data,col='sex',hue='smoker')g.map(plt.scatter,'tip','total_bill',alpha=0.9)
6.风格设置
seaborn内置了5种主题风格
- darkgrid，whitegrid，dark，white ， ticks
sns.set_style("whitegrid")#设置主题风格可以根据喜好与情况选择，也可以自定义
通过给 axes_style() 与set_style()函数中的 rc 参数传递一个参数字典来实现，具体想深入研究，可以看文档
实例
sns.set_style("darkgrid", {"axes.facecolor": "0.6"})seaborn作为一个强大的可视化模块,在数据分析机器学习有很大的作用，但其功能远不在这里，如果想更加深入了解，可以访问其 官网地址或者中文文档
希望大家多多支持，一起努力学习，后续慢慢分享更多新奇有趣的东西
来源地址：https://blog.csdn.net/qq_61260911/article/details/129904132
