【数据可视化-02】Seaborn图形实战宝典

Seaborn介绍

  Seaborn是一个基于Python的数据可视化库，它建立在matplotlib的基础之上，为统计数据的可视化提供了高级接口。Seaborn通过简洁美观的默认样式和绘图类型，使数据可视化变得更加简单和直观。它特别适用于那些想要创建具有吸引力且信息丰富的统计图形的数据科学家和数据分析师。

  Seaborn的主要特点包括：

  1. 集成性：Seaborn与pandas数据结构紧密结合，使得数据分析和可视化可以无缝衔接。
  2. 美观性：Seaborn提供了精心设计的默认样式和调色板，使得图形更具吸引力。
  3. 统计绘图：Seaborn提供了多种统计图形，如箱线图、小提琴图、热力图等，这些图形可以直观地展示数据的分布和关系。
  4. 数据分布可视化：通过核密度估计（KDE）和联合图（jointplot）等工具，Seaborn可以方便地展示数据的分布和相关性。
  5. 高度可定制性：虽然Seaborn提供了美观的默认样式，但用户仍然可以轻松地调整图形的各个方面，以满足特定的需求。

  seaborn官方给出为了常用图形的案列，具体参看seaborn官方示例文档
在这里插入图片描述

  Seaborn是一个基于matplotlib的数据可视化Python库，它提供了一种高级界面，用于绘制有吸引力的统计图形。下面是一些使用Seaborn绘制常见图形的示例：
  因为seaborn并是一个绘图库，它与DataFrame对象有很好的集成。

import pandas as pd
import seaborn as sns 
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
sns.set(style="white",font_scale=1.5)
sns.set(rc={"axes.facecolor":"#FFFAF0","figure.facecolor":"#FFFAF0"})
sns.set_context("poster",font_scale = .7)
import warnings
warnings.filterwarnings('ignore')
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体：解决plot不能显示中文问题
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题pd.set_option("display.max.columns",None)iris = sns.load_dataset('iris')
tips = sns.load_dataset('tips')
titanic = sns.load_dataset('titanic')

一、 折线图 (Line Plot) lineplot线型图

sns.lineplot(x='sepal_length',y='sepal_width',data=iris)
plt.title("iris中sepal_length和sepal_width关系图")
#进行分组
sns.lineplot(x='sepal_length',y='sepal_width',data=iris,hue='species')
#按性别分组
sns.lineplot(x='total_bill',y='tip',data=tips,hue='sex')# style = 'time'
sns.lineplot(x='total_bill',y='tip',data=tips,hue='sex',size='smoker',style='time')

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

二、 直方图 (Histogram)

   histplot和displot在显示一个维度时，效果时一致的；

# 使用Seaborn绘制直方图
sns.histplot(tips['tip'], bins=30)#kde 是否显示数据分布曲线 默认值是False
#设置风格样式
sns.set(style='white')
sns.displot(tips['tip'],bins=30,kde=True)

在这里插入图片描述
在这里插入图片描述

三、 饼图 (Pie Chart)

  虽然Seaborn没有直接的饼图函数，但你可以使用matplotlib来绘制：

# 计算每个类别的百分比
sizes = iris['species'].value_counts(normalize=True) * 100
labels = sizes.index# 使用matplotlib绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)
plt.axis('equal')  # 确保饼图是圆的
plt.show()

在这里插入图片描述

四、 散点图 (Scatter Plot)

sns.scatterplot(data=tips,x='total_bill',y='tip')
#size参数指定点的大小
sns.scatterplot(data=tips,x='total_bill',y='tip',size='size')
#hue 按是否吸烟进行分组
sns.scatterplot(data=tips,x='total_bill',y='tip',size='size',hue='smoker')
#保存图片
from matplotlib import pyplot as plt
sns.scatterplot(data=tips,x='total_bill',y='tip',size='size',hue='smoker',style='time')
plt.savefig('scatterplot.jpg')

在这里插入图片描述
在这里插入图片描述

五、 柱状图/条形图barplot 堆叠柱状图 (Stacked Bar Chart)

# 使用Seaborn绘制柱状图
#绘制条形图  barplot
sns.barplot(x='sex',y='survived',data=titanic)
#按船舱分组
sns.barplot(x='sex',y='survived',data=titanic,hue='class')**sns.barplot(data=df, x='category', y='value')
plt.show()

在这里插入图片描述
在这里插入图片描述

# importing all required librariesimport pandas as pdimport seaborn as snsimport matplotlib.pyplot as plt# creating dataframedf = pd.DataFrame({'X': [1, 2, 3],'Y': [3, 4, 5],'Z': [2, 1, 2]})# creating subplotsax = plt.subplots()# plotting columnsax = sns.barplot(x=df["X"], y=df["Y"], color='b')ax = sns.barplot(x=df["X"], y=df["Z"], color='r')# renaming the axesax.set(xlabel="x-axis", ylabel="y-axis")# visualizing illustrationplt.show()

在这里插入图片描述

六、 箱形图 (Box Plot)

#绘制盒图 boxplot
sns.boxplot(x='day',y='total_bill',data=tips)
#按时间time分组
sns.boxplot(x='day',y='total_bill',data=tips,hue='time')

在这里插入图片描述
在这里插入图片描述

七、 小提琴图 (Violin Plot)

  小提琴图是箱图和密度图的一种结合图形。左右越宽代表当前数据 量越密集。

sns.violinplot(x='day',y='total_bill',data=tips)
#按性别分组
sns.violinplot(x='day',y='total_bill',data=tips,hue='sex')
#男生女生合到一块
sns.violinplot(x='day',y='total_bill',data=tips,hue='sex',split=True)
#去掉中间线
sns.violinplot(x='day',y='total_bill',data=tips,hue='sex',split=True,inner=None)

在这里插入图片描述
在这里插入图片描述

八、 ** stripplot(分布散点图)**


#绘制分布散点图  stripplot()
sns.stripplot(x='day',y='total_bill',data=tips)
#jitter 震动 默认是True
sns.stripplot(x='day',y='total_bill',data=tips,jitter=False)

在这里插入图片描述

九、 swarmplot(分簇散点图)

sns.swarmplot(x='day',y='total_bill',data=tips)
#按性别分组
sns.swarmplot(x='day',y='total_bill',data=tips,hue='sex')
#按时间分组
sns.swarmplot(x='day',y='total_bill',data=tips,hue='time')

在这里插入图片描述

十、 热力图 (Heatmap)

   热力图（heatmap）是以矩阵的形式表示，数据值在图形中以颜色 的深浅来表示数量的多少，并可以快速到到大值的与最小值所在位 置。在机器学习的分类中经常用来作混淆矩阵的比较。

#导入模块
import numpy as np
import seaborn as sns
#加载航班数据
flights = sns.load_dataset('flights')
#pivot 是DataFrame中的一个函数
data = flights.pivot('month','year','passengers')
#绘制热力图
sns.heatmap(data=data)
#参数 annot :True
sns.heatmap(data=data,annot=True)
#以整数的形式显示
sns.heatmap(data=data,annot=True,fmt='d')
#去掉右侧图例
sns.heatmap(data=data,annot=True,fmt='d',linewidths=0.5,cbar=False)
#修改色系
sns.heatmap(data=data,annot=True,fmt='d',linewidths=0.5,cbar=False,cmap='YlGnBu')

在这里插入图片描述

十一、 配对图 (Pair Plot)

import seaborn as sns
import matplotlib.pyplot as pltdf = sns.load_dataset('iris')# 绘制配对图
sns.pairplot(df, hue='species')
plt.show()

在这里插入图片描述

十二、 回归分析图

  线性回归图通过大量数据找到模型拟合线性回归线。

#lmplot()
sns.lmplot(data=iris,x='petal_length',y='petal_width')
#regplot()
sns.regplot(data=iris,x='petal_length',y='petal_width')

在这里插入图片描述

十三、 jointplot

  joint意为联合，顾名思义jointplot是一个双变量分布图表接口。绘图结果主要有三部分：绘图主体用于表达两个变量对应的散点图分布，在其上侧和右侧分别体现2个变量的直方图分布
在这里插入图片描述

十四、 pointplot点图

#加载模块
import seaborn as sns
#加载数据
titanic = sns.load_dataset('titanic')
#绘制点图
sns.pointplot(data=titanic,x='sex',y='survived')
#hue 进行分组
sns.pointplot(data=titanic,x='sex',y='survived',hue='class')

在这里插入图片描述

Seaborn总结

  Seaborn是一个功能强大且易于使用的数据可视化库，它特别适合数据科学家和数据分析师使用。通过Seaborn，用户可以轻松创建各种统计图形，以直观地展示数据的分布、关系和趋势。Seaborn与pandas的紧密结合使得数据分析和可视化可以无缝衔接，从而提高了工作效率。

  此外，Seaborn的默认样式和调色板使得图形更具吸引力，同时也提供了高度的可定制性，用户可以根据需要调整图形的各个方面。这些特点使得Seaborn成为数据可视化领域的佼佼者之一。

  然而，需要注意的是，虽然Seaborn提供了许多高级功能，但它仍然是基于matplotlib构建的。因此，对于想要深入了解数据可视化底层原理的用户来说，掌握matplotlib仍然是非常重要的。同时，Seaborn的某些高级功能可能需要一定的统计学知识才能充分理解和使用。

  总之，Seaborn是一个强大而易于使用的数据可视化库，它可以帮助用户轻松地创建各种统计图形，以直观地展示数据的分布、关系和趋势。无论是数据科学家还是数据分析师，都应该掌握Seaborn的基本用法和高级功能，以提高数据分析和可视化的效率和质量。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/320446.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

（数据分析方法）长期趋势分析

（数据分析方法）长期趋势分析

目录 一、定义 二、目的 三、方法 1、移动平均法 (1)、简单移动平均法 (2)、加权移动平均法 (3)、指数平滑法 2、最小二乘法 3、线性回归 1、数据预处理 2、观察数据分布建立假设模型 3、定义损失函数 4、批量梯度下降 5、优化 4、LSTM 时序分析 5、特征工程 一…
阅读更多...
重写muduo之EPollPoller

重写muduo之EPollPoller

1、EPollPoller.h EPollPoller的主要实现：作为poller的派生类，把基类给派生类保留的这些纯虚函数的接口实现出来。 override表示在派生类里面，这些方法是覆盖方法。必须由编译器来保证在基类里面一定有这些函数的接口的声明。在派生类要重写…
阅读更多...
动态库和静态库

动态库和静态库

动态库与静态库 库是写好的现有的，成熟的，可以复用的代码。现实中每个程序都要依赖很多基础的底层库，不可能每个人的代码都从零开始，因此库的存在意义非同寻常。 本质上来说库是一种可执行代码的二进制形式，可以被操作…
阅读更多...
灌溉机器人 状压dp

灌溉机器人 状压dp

灌溉机器人 题目描述 农田灌溉是一项十分费体力的农活，特别是大型的农田。小明想为农民伯伯们减轻农作负担，最近在研究一款高科技——灌溉机器人。它可以在远程电脑控制下，给农田里的作物进行灌溉。 现在有一片 N 行 M 列的农田。农田的土…
阅读更多...
[Java EE] 多线程(八):CAS问题与JUC包

[Java EE] 多线程(八):CAS问题与JUC包

🌸个人主页:https://blog.csdn.net/2301_80050796?spm1000.2115.3001.5343 🏵️热门专栏:🍕 Collection与数据结构 (90平均质量分)https://blog.csdn.net/2301_80050796/category_12621348.html?spm1001.2014.3001.5482 🧀Java …
阅读更多...
8个细节决定你的活动策划推广成败-华媒舍

8个细节决定你的活动策划推广成败-华媒舍

活动策划和推广对于一个成功的活动来说至关重要。许多因素会影响活动的成功与否，以下我将介绍8个关键细节，这些细节能够决定活动的策划与推广的成败。 1. 目标定位 活动策划必须明确目标。你需要确定你的活动是为了推广何种产品或服务，吸引什…
阅读更多...
简述前后端分离架构案例

简述前后端分离架构案例

Hello , 这里是小恒不会java 。今晚1点写写关于RESTful接口的使用案例，本文会通过django原生js前后端分离的案例简单讲解。本文带你认识一下简化版的前后端分离架构 代码 本文案例代码在GitHub上 https://github.com/lmliheng/fontend前后端分离 先说说什么是前后…
阅读更多...
rust将json字符串直接转为map对象或者hashmap对象

rust将json字符串直接转为map对象或者hashmap对象

有些时候我们还真的不清楚返回的json数据里面到底有哪些数据，数据类型是什么等，这个时候就可以使用批处理的方式将json字符串转为一个对象，然后通过这个对象的get方法来获取json里面的数据。 pub async fn test_json(&self) {let json_st…
阅读更多...
『项目整理』易CAR通项目说明文档-我的第一款APP

『项目整理』易CAR通项目说明文档-我的第一款APP

『项目整理』易CAR通项目说明文档-我的第一款APP 项目介绍功能介绍技术栈介绍实现效果如何运行备注 项目介绍 易CAR通项目是我的第一个Android项目。是一款结合了AR技术的模仿懂车帝的看车软件。因为是初学，所示实现的效果差强人意，很多的功能界面只实现…
阅读更多...
【论文阅读】Learning Texture Transformer Network for Image Super-Resolution

【论文阅读】Learning Texture Transformer Network for Image Super-Resolution

Learning Texture Transformer Network for Image Super-Resolution 论文地址Abstract1. 简介2.相关工作2.1单图像超分辨率2.2 Reference-based Image Super-Resolution 3. 方法3.1. Texture TransformerLearnable Texture Extractor 可学习的纹理提取器。Relevance Embedding.…
阅读更多...
nginxconfig.io项目nginx可视化配置--搭建-视频

nginxconfig.io项目nginx可视化配置--搭建-视频

项目地址 https://github.com/digitalocean/nginxconfig.io搭建视频 nginxconfig.io搭建 nginxconfig.io搭建 展示效果 找到这个项目需要的docker镜像，有项目需要的node的版本 docker pull node:20-alpine运行这个node容器,在主机中挂载一个文件夹到容器中 主机&a…
阅读更多...
MATLAB 变换

MATLAB 变换

MATLAB 变换（Transforms） MATLAB提供了用于处理诸如Laplace和Fourier变换之类的变换的命令。转换在科学和工程中用作简化分析和从另一个角度查看数据的工具。 例如，傅立叶变换允许我们将表示为时间函数的信号转换为频率函数。拉普拉斯变换使…
阅读更多...
微搭低代码入门03页面管理

微搭低代码入门03页面管理

目录 1 创建页面2 页面布局3 页面跳转总结 上一篇我们介绍了应用的基本操作，掌握了应用的概念后接着我们需要掌握页面的常见操作。 1 创建页面 打开应用的编辑器，在顶部导航条点击创建页面图标 在创建页面的时候可以从空白新建，也可以使用模…
阅读更多...
screen

screen

sLinux：screen命令——命令行的窗口操作_screen命令关闭窗口-CSDN博客文章浏览阅读4.2k次。功能：管理命令行终端切换的软件，常用于远程连接Linux过程中，同时使用多个命令行窗口。在窗口运行中的程序，记住窗口名字前面的…
阅读更多...
nodejs实战——搭建websocket服务器

nodejs实战——搭建websocket服务器

本博客主要介绍websocket服务器库安装，并举了一个简单服务器例子。 服务器端使用websocket需要安装nodejs websocket。 cd 工程目录 # 此刻我们需要执行命令： sudo npm init上述命令创建package.json文件，系统会提示相关配置。 我们也可以使…
阅读更多...
一款开源的原神工具箱，专为现代化 Windows 平台设计，旨在改善桌面端玩家的游戏体验

一款开源的原神工具箱，专为现代化 Windows 平台设计，旨在改善桌面端玩家的游戏体验

Snap.Hutao 胡桃工具箱是一款以 MIT 协议开源的原神工具箱，专为现代化 Windows 平台设计，旨在改善桌面端玩家的游戏体验。通过将既有的官方资源与开发团队设计的全新功能相结合，提供了一套完整且实用的工具集，且无需依赖任何移动设…
阅读更多...
im即时通讯源码/仿微信app源码+php即时通讯源码带红包+客服+禁言等系统php+uniapp开发

im即时通讯源码/仿微信app源码+php即时通讯源码带红包+客服+禁言等系统php+uniapp开发

即时通讯(IM)系统是现代互联网应用中不可或缺的一部分，它允许用户进行实时的文本、语音、视频交流。随着技术的发展，IM系统的功能越来越丰富，如红包、客服、禁言等。本文将探讨如何使用PHP语言开发一个功能完备的即时通讯系统，包括…
阅读更多...
如何让 PDF 书签从杂乱无序整洁到明丽清新

如何让 PDF 书签从杂乱无序整洁到明丽清新

1、拉取书签（详细步骤看文末扩展阅读） 原状态 —— 杂乱无序 自动整理后的状态 —— 错落有致，但摩肩接踵 2、开始整理 全选自动整理后的书签，剪切 访问中英混排排版优化 - 油条工具箱 https://utils.fun/cn-en 1 粘贴 → 2 …
阅读更多...
Linux下安装snaphu

Linux下安装snaphu

1、官网下载安装包 2、解压，移动文件夹到/usr/local/下 3、在/usr/local/下创建man，在man下创建man1文件夹 4、进入到snaphu的src文件夹里，执行sudo make，如果报错 在这个 Makefile 中，-arch x86_64 是 macOS 特定的…
阅读更多...
最近惊爆谷歌裁员

最近惊爆谷歌裁员

Python团队还没解散完，谷歌又对Flutter、Dart动手了。 什么原因呢，猜测啊。 谷歌裁员Python的具体原因可能是因为公司在进行技术栈的调整和优化。Python作为一种脚本语言，在某些情况下可能无法提供足够的性能或者扩展性，尤其是在…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023