Python----数据可视化（Seaborn三：绘图二）

一、小提琴图

提琴图的作用与箱形须线图类似。它显示了数据点按一个（或多个）变量分组后的分布情况。与箱图不同的是，每一个小提琴图都是通过对基础分布的核密度估计来绘制的。

方法

violinplot方法绘制单图小提琴
catplot方法绘制多图小提琴图

seaborn.violinplot(data=None, *, x=None, y=None, hue=None,split=False,  gap=0)

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
split	显示未镜像的分布，使用时交替使用。
gap	按此因子在方向轴上收缩，以在减淡元素之间添加间隙。

seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip')

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row	定义子集以在不同 facet 上绘制的变量。
col	定义子集以在不同 facet 上绘制的变量。
kind	要绘制的绘图类型对应于分类的名称轴级绘图功能。选项有： “strip”， “swarm”， “box”， “violin”， “boxen”、“point”、“bar” 或 “count”。

import seaborn as sns
import pandas as pdtips=pd.read_csv('tips.csv')
sns.violinplot(x="day", y="total_bill", data=tips,hue="smoker",fill=False,split=True,gap=0.1)  # 设置间隔
sns.catplot(x="day", y="total_bill", data=tips,hue="smoker",kind="violin",col="sex")

二、热力图

方法

heatmap方法

seaborn.heatmap(data, *, vmin=None, vmax=None, cmap=None,annot=None, linewidths=0, cbar=True)

函数	描述
data	可以强制转换为 ndarray 的 2D 数据集。如果 Pandas DataFrame 时，索引/列信息将用于标记列和行。
vmin	values 来锚定颜色图，否则它们将从 data 和其他关键字参数
vmax	values 来锚定颜色图，否则它们将从 data 和其他关键字参数
camp	从数据值到色彩空间的映射。如果未提供，则 default 将取决于是否设置。
annot	如果为 True，则在每个单元格中写入数据值。如果具有与相同形状，则改用此函数来注释热图的数据。请注意，DataFrames 将匹配位置，而不是索引。
linewidth	将划分每个单元格的线的宽度。
cbar	是否绘制颜色条。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pdflights = pd.read_csv('flights.csv')
data=flights.pivot(index='month',columns='year',values='passengers')
sns.heatmap(data,annot=True,fmt='d',linewidths=.5,cbar=True,vmin=200,vmax=400)

三、点图

点图用于探索和比较两个分类变量之间的关系

主要特点和使用场景包括：

中心趋势的表示： 点图通过在坐标轴上的点表示每个组别的中心趋势，通常是均值。这使得你可以直观地比较不同组别的中心位置。
不确定性的展示： 除了点的位置表示中心趋势外，点图还通过垂直线（误差棒）表示中心趋势的不确定性，通常是置信区间。这有助于了解估计值的精度。
适用于两个分类变量： 点图的主要用途是比较两个分类变量之间的关系。一个分类变量通常用于横轴，另一个分类变量用于纵轴

方法

pointplot方法
catplot方法

seaborn.pointplot(data=None, *, x=None, y=None, hue=None,markers=<default>, linestyles=<default>,dodge=False)

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
markers	用于每个级别的标记
linestyles	用于每个级别的线条样式。
dodge	将变量的每个级别的点分隔的 amount 分类轴。设置为将应用较小的默认值。

seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip')

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row	定义子集以在不同 facet 上绘制的变量。
col	定义子集以在不同 facet 上绘制的变量。
kind	要绘制的绘图类型对应于分类的名称轴级绘图功能。选项有： “strip”， “swarm”， “box”， “violin”， “boxen”、“point”、“bar” 或 “count”。
markers	用于每个级别的标记
linestyles	用于每个级别的线条样式。
dodge	将变量的每个级别的点分隔的 amount 分类轴。设置为将应用较小的默认值。

import seaborn as sns
import matplotlib.pyplot as plttips = pd.read_csv('tips.csv')sns.pointplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True)

sns.catplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True,kind='point',col='smoker')

四、核密度图

核密度估计图是一种用于估计概率密度函数的非参数方法

核密度估计图可以帮助理解数据的分布情况，尤其在连续变量的情况下，它提供了一种平滑的、连续的概率密度估计

主要特点和作用包括：

连续概率密度估计： 核密度估计图通过在每个数据点周围放置核（通常是高斯核）来估计连续概率密度函数。这样，我们可以看到整个变量范围内的概率密度变化
平滑曲线： 生成的图表是一条平滑的曲线，反映了数据的整体趋势。相对于直方图，核密度估计提供了更连续、更平滑的概率密度表示
用于多变量分布： 核密度估计图也可以用于可视化多个变量的联合分布情况

方法

kdeplot方法核密度图
displot方法支持多组、多图

seaborn.kdeplot(data=None, *, x=None, y=None, hue=None, palette=None,  fill=None, multiple='layer')

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
palette	选择映射语义时要使用的颜色的方法。字符串值将传递给 .列表或字典值隐含分类映射，而 colormap 对象隐含数值映射。
fill	如果为 True，则填充单变量密度曲线下或之间的区域二元等值线。如果为 None，则默认值取决于。
multiple	在语义映射创建子集时绘制多个元素的方法。仅与单变量数据相关。

import seaborn as snstips = pd.read_csv('tips.csv')sns.kdeplot(data=tips, x="total_bill", hue="sex",multiple="stack",alpha=.5,linewidth=0,palette="Blues",fill=True)

seaborn.displot(data=None, *, x=None, y=None, hue=None, row=None, col=None,kind='kde)

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row	定义子集以在不同 facet 上绘制的变量。
col	定义子集以在不同 facet 上绘制的变量。
kind	可视化数据的方法。选择基础绘图函数并确定其他有效参数集。

sns.displot(data=tips, x="total_bill", y="tip",fill=True,kind='kde',col='time')

五、回归图

线性回归图是用于可视化线性回归分析结果的图表。它通常包括散点图、回归线和误差条，以便直观地展示自变量和因变量之间的线性关系。线性回归图的主要组成部分包括：

散点图（Scatter Plot）： 在图中绘制了自变量和因变量的散点，每个点代表一个观测数据。散点图帮助我们直观地观察变量之间的分布和可能的关系
回归线（Regression Line）： 通过回归分析，得到了一条最佳拟合的直线，它代表了自变量和因变量之间的线性关系。回归线的斜率表示了这种关系的方向和强度
误差条（Error Bars）： 误差条通常在每个点附近绘制，用于表示每个观测值的误差范围。这有助于了解拟合程度和数据的离散程度
回归方程信息： 可能包括回归方程、截距、斜率等信息，以提供更详细的模型解释

方法

sns.regplot方法
sns.lmplot方法支持分组、分图

注意

可能需要安装 statsmodels模块,安装完模块要重启当前的ipynb文件环境

pip install statsmodels

seaborn.regplot(data=None, *, x=None, y=None, marker='o', scatter_kws=None)

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
marker	用于散点图字形的标记。
sactter_kws	要传递给和的其他关键字参数。`plt.scatterplt.plot`

seaborn.lmplot(data, *, x=None, y=None, hue=None, col=None, row=None)

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
row	定义子集以在不同 facet 上绘制的变量。
col	定义子集以在不同 facet 上绘制的变量。

sns.regplot(data=tips,x='tip',y='total_bill',scatter_kws={'s':50,'alpha':0.3,'color':'skyblue'},marker='s')

sns.lmplot(data=tips,x='tip',y='total_bill',hue='sex',col='time')

六、联合图

方法

jointplot方法

seaborn.jointplot(data=None, *, x=None, y=None, hue=None, kind='scatter',marginal_kws=None)

函数	描述
data	用于绘图的数据集。
x	用于绘制长格式数据的输入。
y	用于绘制长格式数据的输入。
hue	用于绘制长格式数据的输入。对原有的属性进行更加细致的分组
kind	scatter,kde,hist,reg,hex,resid
marginal_kws	plot 组件的其他关键字参数。

sns.jointplot(data=tips,x='tip',y='total_bill')
sns.jointplot(data=tips,x='tip',y='total_bill',kind='scatter') # kind='scatter' 散点图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='kde') # 盒密度
sns.jointplot(data=tips,x='tip',y='total_bill',kind='hist') # 直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='reg') # 回归图+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='hex') # 六角+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='resid') # 残差+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',hue='sex',palette='dark:red',kind='hist',marginal_kws={'fill':False,'bins':10})

七、成队绘图

方法

pairplot方法

seaborn.pairplot(data, *, hue=None, vars=None, diag_kind='auto')

函数	描述
data	用于绘图的数据集。
hue	分组
vars	变量中的变量，否则将每列与数值数据类型。
diag_kind	对角线子图的 Kind plot。如果为 'auto'

sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",kind='scatter')
sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",kind='hist',  # 设置除中线图形类型diag_kind='kde', # 设置中线图形类型)

八、绘制图表到子图

import seaborn as sns
from matplotlib import pyplot as plt
import pandas as pdtips = pd.read_csv('tips.csv')fig,ax= plt.subplots(2,2,figsize=(20,8)) 
sns.lineplot(x="total_bill", y="tip", data=tips, ax=ax[0,0])
sns.lineplot(x="size", y="tip", data=tips, ax=ax[0][1])

九、使用FacetGrid绘图

参数	描述	对应使用了FacetGrid函数
plt.plot/sns.lineplot	折线图	sns.relplot(kind='line')
plt.hexbin	六边形图	sns.jointplot(kind='hex')
plt.hist/sns.histplot	直方图	sns.distplot()
plt.scatter/sns.scatterplot	散点图	sns.relplot(kind='scatter')
sns.stripplot	分类散点图	sns.catplot(kind='strip')
sns.swarmplot	分散分类散点图	sns.catplot(kind='swarm')
sns.boxplot	箱图	sns.catplot(kind='box')
sns.violinplot	小提琴图	sns.catplot(kind='violin')
sns.pointplot	点线图	sns.catplot(kind='point')
sns.barplot	条图	sns.catplot(kind='bar')
sns.countplot	数量统计条图	sns.catplot(kind='count')
sns.regplot	回归线图	sns.lmplot()
其它	其它	其它

import seaborn as sns
import pandas as pd
tips=pd.read_csv('tips.csv')

绘制单图表

g = sns.FacetGrid(tips)
g.map(sns.scatterplot, "total_bill", "tip")
g.map(sns.regplot, "total_bill", "tip")

绘制多组图表

g = sns.FacetGrid(tips,col="time",row="smoker",hue='sex',palette="Set1", # 设置颜色height=4, aspect=1.5, # 设置大小hue_kws={"marker": ["*", "s"]}, # 设置标记) 
g.map(sns.regplot, "total_bill", "tip")