开发笔记:Python图表数据可视化Seaborn：2.分类数据可视化

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline
sns.set_style("whitegrid")
sns.set_context("paper")
# 设置风格、尺度
import warnings
warnings.filterwarnings(\'ignore\')
# 不发出警告

# 1、stripplot()
# 按照不同类别对样本数据进行分布散点图绘制

tips = sns.load_dataset("tips")
print(tips.head())
# 加载数据
print(tips[\'day\'].value_counts())

sns.stripplot(x="day", # x → 设置分组统计字段
y="total_bill", # y → 数据分布统计字段
# 这里xy数据对调，将会使得散点图横向分布
data=tips, # data → 对应数据
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
size = 5, edgecolor = \'w\',lineo\' # 设置点的大小、描边颜色或宽度、点样式
)

# 1、stripplot() 通过hue参数再分类

sns.stripplot(x="sex", y="total_bill", hue="day",
data=tips, jitter=True)

# 1、stripplot() 设置调色盘

sns.stripplot(x="sex", y="total_bill", hue="day",
data=tips, jitter=True,
palette="Set2", # 设置调色盘
dodge=True, # 是否拆分
)

# 1、stripplot() 筛选分类类别
print(tips[\'day\'].value_counts())
# 查看day字段的唯一值

sns.stripplot(x="day", y="total_bill", data=tips,jitter = True,
order = [\'Sat\',\'Sun\'])
# order → 筛选类别

# 2、swarmplot()
# 分簇散点图

sns.swarmplot(x="total_bill", y="day", data=tips,
size = 5, edgecolor = \'w\',lineo\',
palette = \'Reds\')
# 用法和stripplot类似

# 1、boxplot()
# 箱型图

sns.boxplot(x="day", y="total_bill", data=tips,
linewidth = 2, # 线宽
width = 0.8, # 箱之间的间隔比例
fliersize = 3, # 异常点大小
palette = \'hls\', # 设置调色板
whis = 1.5, # 设置IQR
notch = True, # 设置是否以中值做凹槽
order = [\'Thur\',\'Fri\',\'Sat\',\'Sun\'], # 筛选类别
)
# 绘制箱型图

sns.swarmplot(x="day", y="total_bill", data=tips,color =\'k\',size = 3,alpha = 0.8)
# 可以添加散点图

# 1、boxplot() 通过hue参数再分类

sns.boxplot(x="day", y="total_bill", data=tips,
hue = \'smoker\', palette = \'Reds\')
# 绘制箱型图
#sns.swarmplot(x="day", y="total_bill", data=tips,color =\'k\',size = 3,alpha = 0.8)
# 可以添加散点图

# 2、violinplot() 小提琴图

sns.violinplot(x="day", y="total_bill", data=tips,
linewidth = 2, # 线宽
width = 0.8, # 箱之间的间隔比例
palette = \'hls\', # 设置调色板
order = [\'Thur\',\'Fri\',\'Sat\',\'Sun\'], # 筛选类别
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
gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑
inner = \'box\', # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None
#bw = 0.8 # 控制拟合程度，一般可以不设置
)
# 用法和boxplot类似

# 2、violinplot() 通过hue参数再分类

sns.violinplot(x="day", y="total_bill", data=tips,
hue = \'smoker\', palette="muted",
split=True, # 设置是否拆分小提琴图
inner="quartile")

# 2、violinplot() 结合散点图

sns.violinplot(x="day", y="total_bill", data=tips, palette = \'hls\', inner = None)
sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5)
# 插入散点图

# 3、lvplot() LV图表

sns.lvplot(x="day", y="total_bill", data=tips, palette="mako",
#hue = \'smoker\',
width = 0.8, # 箱之间间隔比例
linewidth = 12,
scale = \'area\', # 设置框的大小 → “linear”、“exonential”、“area”
k_depth = \'proportion\', # 设置框的数量 → “proportion”、“tukey”、“trustworthy”
)
# 绘制LV图

sns.swarmplot(x="day", y="total_bill", data=tips,color =\'k\',size = 3,alpha = 0.8)
# 可以添加散点图

# 1、barplot()
# 柱状图 - 置信区间估计
# 置信区间：样本均值 + 抽样误差

titanic = sns.load_dataset("titanic")
print(titanic.head())
print(\'-----\')
# 加载数据

sns.barplot(x="sex", y="survived", hue="class", data=titanic,
palette = \'hls\',
order = [\'male\',\'female\'], # 筛选类别
capsize = 0.05, # 误差线横向延伸宽度
saturation=.8, # 颜色饱和度
errcolor = \'gray\',errwidth = 2, # 误差线颜色，宽度
ci = \'sd\' # 置信区间误差 → 0-100内值、\'sd\'、None
)

print(titanic.groupby([\'sex\',\'class\']).mean()[\'survived\'])
print(titanic.groupby([\'sex\',\'class\']).std()[\'survived\'])
# 计算数据

# 1、barplot()
# 柱状图 - 置信区间估计

sns.barplot(x="day", y="total_bill", hue="sex", data=tips,
palette = \'Blues\',edgecolor = \'w\')
tips.groupby([\'day\',\'sex\']).mean()
# 计算数据

# 1、barplot()
# 柱状图 - 置信区间估计

crashes = sns.load_dataset("car_crashes").sort_values("total", ascending=False)
print(crashes.head())
# 加载数据

f, ax = plt.subplots(figsize=(6, 15))
# 创建图表

sns.set_color_codes("pastel")
sns.barplot(x="total", y="abbrev", data=crashes,
label="Total", color="b",edgecolor = \'w\')
# 设置第一个柱状图

sns.set_color_codes("muted")
sns.barplot(x="alcohol", y="abbrev", data=crashes,
label="Alcohol-involved", color="b",edgecolor = \'w\')
# 设置第二个柱状图

ax.legend(ncol=2, loc="lower right")
sns.despine(left=True, bottom=True)

# 2、countplot() 计数柱状图

sns.countplot(x="class", hue="who", data=titanic,palette = \'magma\')
#sns.countplot(y="class", hue="who", data=titanic,palette = \'magma\')
# x/y → 以x或者y轴绘图（横向，竖向）
# 用法和barplot相似

# 3、pointplot()
# 折线图 - 置信区间估计

sns.pointplot(x="time", y="total_bill", hue = \'smoker\',data=tips,
palette = \'hls\',
dodge = True, # 设置点是否分开
join = True, # 是否连线
markers=["o", "x"], linestyles=["-", "--"], # 设置点样式、线型
)
tips.groupby([\'time\',\'smoker\']).mean()[\'total_bill\']
# 计算数据
# # 用法和barplot相似