1. 分类数据可视化 - 分类散点图
stripplot( ) / swarmplot( )
1sns.stripplot(x="day",y="total_bill",data=tips,jitter = True, size = 5, edgecolor = 'w',linewidth=1,marker = 'o') 2 3import numpy as np 4import pandas as pd 5import matplotlib.pyplot as plt 6import seaborn as sns 7% matplotlib inline 8 9sns.set_style("whitegrid") 10sns.set_context("paper") 11# 设置风格、尺度 12 13import warnings 14warnings.filterwarnings('ignore') 15# 不发出警告 16 17# 1、stripplot() 18# 按照不同类别对样本数据进行分布散点图绘制 19 20tips = sns.load_dataset("tips") 21print(tips.head()) 22# 加载数据print(tips['day'].value_counts()) 23sns.stripplot(x="day", # x → 设置分组统计字段 24 y="total_bill", # y → 数据分布统计字段 25 # 这里xy数据对调，将会使得散点图横向分布 26 data=tips, # data → 对应数据 27 jitter = True, # jitter → 当点数据重合较多时，用该参数做一些调整，也可以设置间距如：jitter = 0.1 28 size = 5, edgecolor = 'w',linewidth=1,marker = 'o' # 设置点的大小、描边颜色或宽度、点样式 29 )
1.1 stripplot（）
hue参数可再分类
1# 1、stripplot() 通过hue参数再分类 2 3sns.stripplot(x="sex", y="total_bill", hue="day", 4 data=tips, jitter=True)
1# 1、stripplot() 设置调色盘 2 3sns.stripplot(x="sex", y="total_bill", hue="day", 4 data=tips, jitter=True, 5 palette="Set2", # 设置调色盘 6 dodge=True, # 是否拆分 7 )
1# 1、stripplot() 筛选分类类别 2 3print(tips['day'].value_counts()) 4# 查看day字段的唯一值 5 6sns.stripplot(x="day", y="total_bill", data=tips,jitter = True, 7 order = ['Sat','Sun']) 8# order → 筛选类别
1.2 swarmplot（）分簇散点图
1# 2、swarmplot() 2# 分簇散点图 3 4sns.swarmplot(x="total_bill", y="day", data=tips, 5 size = 5, edgecolor = 'w',linewidth=1,marker = 'o', 6 palette = 'Reds') 7# 用法和stripplot类似
2. 分类数据可视化 - 分布图
boxplot( ) / violinplot( ) / lvplot( )
2.1 boxplot（）箱型图
1sns.boxplot(x="day", y="total_bill", data=tips, 2 linewidth = 2, # 线宽 3 width = 0.8, # 箱之间的间隔比例 4 fliersize = 3, # 异常点大小 5 palette = 'hls', # 设置调色板 6 whis = 1.5, # 设置IQR 7 notch = True, # 设置是否以中值做凹槽 8 order = ['Thur','Fri','Sat','Sun'], # 筛选类别 9 10# 1、boxplot() 11# 箱型图 12 13sns.boxplot(x="day", y="total_bill", data=tips, 14 linewidth = 2, # 线宽 15 width = 0.8, # 箱之间的间隔比例 16 fliersize = 3, # 异常点大小 17 palette = 'hls', # 设置调色板 18 whis = 1.5, # 设置IQR 19 notch = True, # 设置是否以中值做凹槽 20 order = ['Thur','Fri','Sat','Sun'], # 筛选类别 21 ) 22# 绘制箱型图 23 24sns.swarmplot(x="day", y="total_bill", data=tips,color ='k',size = 3,alpha = 0.8) 25# 可以添加散点图
1# 1、boxplot() 通过hue参数再分类 2 3sns.boxplot(x="day", y="total_bill", data=tips, 4 hue = 'smoker', palette = 'Reds') 5# 绘制箱型图 6 7#sns.swarmplot(x="day", y="total_bill", data=tips,color ='k',size = 3,alpha = 0.8) 8# 可以添加散点图
2.2 violinplot（）小提琴图
1sns.violinplot(x="day", y="total_bill", data=tips, 2 linewidth = 2, # 线宽 3 width = 0.8, # 箱之间的间隔比例 4 palette = 'hls', # 设置调色板 5 order = ['Thur','Fri','Sat','Sun'], # 筛选类别 6 scale = 'area', # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样 7 gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑 8 inner = 'box', # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None 9 #bw = 0.8 # 控制拟合程度，一般可以不设置 10 ) 11 12# 2、violinplot() 小提琴图 13 14sns.violinplot(x="day", y="total_bill", data=tips, 15 linewidth = 2, # 线宽 16 width = 0.8, # 箱之间的间隔比例 17 palette = 'hls', # 设置调色板 18 order = ['Thur','Fri','Sat','Sun'], # 筛选类别 19 scale = 'area', # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样 20 gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑 21 inner = 'box', # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None 22 #bw = 0.8 # 控制拟合程度，一般可以不设置 23 ) 24# 用法和boxplot类似
1# 2、violinplot() 通过hue参数再分类 2 3sns.violinplot(x="day", y="total_bill", data=tips, 4 hue = 'smoker', palette="muted", 5 split=True, # 设置是否拆分小提琴图 6 inner="quartile")
1sns.violinplot（）+ sns.swarmplot（）小提琴图结合散点图 2 3# 2、violinplot() 结合散点图 4 5sns.violinplot(x="day", y="total_bill", data=tips, palette = 'hls', inner = None) 6sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5) 7# 插入散点图
2.3 lvplot（） LV图表
1sns.lvplot(x="day", y="total_bill", data=tips, palette="mako", 2 #hue = 'smoker', 3 width = 0.8, # 箱之间间隔比例 4 linewidth = 12, 5 scale = 'area', # 设置框的大小 → “linear”、“exonential”、“area” 6 k_depth = 'proportion', # 设置框的数量 → “proportion”、“tukey”、“trustworthy” 7 ) 8 9# 3、lvplot() LV图表 10 11sns.lvplot(x="day", y="total_bill", data=tips, palette="mako", 12 #hue = 'smoker', 13 width = 0.8, # 箱之间间隔比例 14 linewidth = 12, 15 scale = 'area', # 设置框的大小 → “linear”、“exonential”、“area” 16 k_depth = 'proportion', # 设置框的数量 → “proportion”、“tukey”、“trustworthy” 17 ) 18# 绘制LV图 19 20sns.swarmplot(x="day", y="total_bill", data=tips,color ='k',size = 3,alpha = 0.8) 21# 可以添加散点图
3. 分类数据可视化 - 统计图
barplot( ) / countplot( ) / pointplot( )
3.1 barplot（）柱状图
1sns.barplot(x="sex", y="survived", hue="class", data=titanic, 2 palette = 'hls', 3 order = ['male','female'], # 筛选类别 4 capsize = 0.05, # 误差线横向延伸宽度 5 saturation=.8, # 颜色饱和度 6 errcolor = 'gray',errwidth = 2, # 误差线颜色，宽度 7 ci = 'sd' # 置信区间误差 → 0-100内值、'sd'、None 8 ) 9 10# 1、barplot() 11# 柱状图 - 置信区间估计 12# 置信区间：样本均值 + 抽样误差 13 14titanic = sns.load_dataset("titanic") 15print(titanic.head()) 16print('-----') 17# 加载数据
1sns.barplot(x="sex", y="survived", hue="class", data=titanic, 2 palette = 'hls', 3 order = ['male','female'], # 筛选类别 4 capsize = 0.05, # 误差线横向延伸宽度 5 saturation=.8, # 颜色饱和度 6 errcolor = 'gray',errwidth = 2, # 误差线颜色，宽度 7 ci = 'sd' # 置信区间误差 → 0-100内值、'sd'、None 8 )
1print(titanic.groupby(['sex','class']).mean()['survived']) 2print(titanic.groupby(['sex','class']).std()['survived']) 3# 计算数据
1# 1、barplot() 2# 柱状图 - 置信区间估计 3 4sns.barplot(x="day", y="total_bill", hue="sex", data=tips, 5 palette = 'Blues',edgecolor = 'w') 6tips.groupby(['day','sex']).mean() 7# 计算数据
1# 1、barplot() 2# 柱状图 - 置信区间估计 3 4crashes = sns.load_dataset("car_crashes").sort_values("total", ascending=False) 5print(crashes.head()) 6# 加载数据 7 8f, ax = plt.subplots(figsize=(6, 15)) 9# 创建图表 10 11sns.set_color_codes("pastel") 12sns.barplot(x="total", y="abbrev", data=crashes, 13 label="Total", color="b",edgecolor = 'w') 14# 设置第一个柱状图 15 16sns.set_color_codes("muted") 17sns.barplot(x="alcohol", y="abbrev", data=crashes, 18 label="Alcohol-involved", color="b",edgecolor = 'w') 19# 设置第二个柱状图 20 21ax.legend(ncol=2, loc="lower right") 22sns.despine(left=True, bottom=True)
3.2 countplot（）计数柱状图
1sns.countplot(x="class", hue="who", data=titanic,palette = 'magma') 2 3# 2、countplot() 计数柱状图 4 5sns.countplot(x="class", hue="who", data=titanic,palette = 'magma') 6#sns.countplot(y="class", hue="who", data=titanic,palette = 'magma') 7# x/y → 以x或者y轴绘图（横向，竖向） 8# 用法和barplot相似
3.3 pointplot（）折线图
1# 3、pointplot() 2# 折线图 - 置信区间估计 3 4sns.pointplot(x="time", y="total_bill", hue = 'smoker',data=tips, 5 palette = 'hls', 6 dodge = True, # 设置点是否分开 7 join = True, # 是否连线 8 markers=["o", "x"], linestyles=["-", "--"], # 设置点样式、线型 9 ) 10tips.groupby(['time','smoker']).mean()['total_bill'] 11# 计算数据 12# # 用法和barplot相似
