python可视化工具——seaborn模块
-
导入模块
import seaborn as sns sns.set() #初始化图形样式，若没有该命令，图形将具有与matplotlib相同的样式 -
读取数据
df = pd.read_csv('D:\Graduate\python_studying\datasets-master\\temporal.csv') df.head()
-
散点图
import pandas as pd df['Mes'] = pd.to_datetime(df.Mes) #将Mes列的类型转换为日期，防止画图时横坐标重叠 sns.scatterplot(df['Mes'],df['data science'])
-
在同一张图中添加两个以上变量的信息，用颜色、大小来表示变量的值
sns.relplot(x='Mes', y='deep learning', hue='data science', size='machine learning', col='categorical', data=df)
-
热图
sns.heatmap(df.corr(), annot=True, fmt='.2f')
-
配对图，显示所有变量之间的关系
sns.pairplot(df)
-
按类别做配对图
sns.pairplot(df, hue='categorical') #categorical是分类变量
-
联合图
sns.jointplot(x='data science', y='machine learning', data=df) #散点图与直方图的联合图
-
小提琴图
sns.catplot(x='categorical', y='data science', kind='violin', data=df)
小提琴图的顺序可以由参数order指定;
参数linewidth设置线宽；
参数width设置小提琴的宽。
##设置网格线、背景色、边框线
plt.figure(figsize=(8,6), facecolor='white', edgecolor='black')
ax = sns.violinplot(x='categorical', y='data science', data=df)
ax.patch.set_facecolor('blue')
ax.patch.set_alpha(0.2)
ax.spines['right'].set_color('black')
ax.spines['left'].set_color('black')
ax.spines['top'].set_color('black')
ax.spines['bottom'].set_color('black')
plt.grid(False)
## 绘制小提琴图，并增加散点分布
ax = sns.violinplot(x='categorical', y='data science', data=df)
ax = sns.swarmplot(x='categorical', y='data science', data=df, color='gray')
-
分组小提琴图
df['day'] = df['Mes'].dt.day_name() #增加一列'day'，表示星期几 sns.catplot(x='day', y='data science', hue='categorical', kind='violin', data=df)
或者：
sns.violinplot(x='day', y='data science', hue='categorical', data=df, palette="Set2", split=True, scale="count", inner="box") #palette表示颜色，split表示是否把两类画到一起，inner="box"内部是箱线图
-
箱线图
sns.boxplot()，用法与小提琴图一样。
参数notch可以指定是否有缺口，值为True时有缺口。 -
创建多个图形
import matplotlib.pyplot as plt plt.subplot(121) sns.scatterplot(x='Mes', y='deep learning', hue='categorical', data=df) plt.title('Deep learning') plt.subplot(122) sns.scatterplot(x='Mes',y='machine learning', hue='categorical', data=df) plt.title('Machine learning')
或者：
import matplotlib.pyplot as plt
fig, axes = plt.subplots(1, 2, sharey=True, figsize=(8,4))
sns.scatterplot(x='Mes', y='deep learning', hue='categorical', data=df, ax=axes[0])
axes[0].set_title('Deep learning')
sns.scatterplot(x='Mes',y='machine learning', hue='categorical', data=df, ax=axes[1])
axes[1].set_title('Machine learning')
