热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

pythonseaborn_大白话Python绘图系列Seaborn篇

1.目的了解python第三方绘图包seaborn,从常用绘图实例开始,快速体验seaborn绘图。建议用时:10分钟绘图例子:12个每个例子代码量:1

1. 目的

了解python第三方绘图包seaborn,从常用绘图实例开始,快速体验seaborn绘图。

  • 建议用时: 10分钟

  • 绘图例子: 12个

  • 每个例子代码量: 1-6行, 90%仅1行

1.1 环境

  • ipython notebook

  • 安装python包: seaborn, matplotlib, pandas, numpy

在微信公共账号回复,ipython, 会返回临时云端学习环境网址和密码, 也可自己搭建。

2. Seaborn快速绘图

2.1 练习数据

seaborn自带很多练习数据,我们任选一个数据集,比如: Iris, 当做绘图数据使用, 简单介绍该数据源:

Iris数据集是常用的分类实验数据集,由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集,是一类多重变量分析的数据集。数据集包含150个数据集,分为3类,每类50个数据,每个数据包含4个属性。可通过花萼长度,花萼宽度,花瓣长度,花瓣宽度4个属性预测鸢尾花卉属于(Setosa,Versicolour,Virginica)三个种类中的哪一类。

加载Iris数据

import seaborn as sn
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
# 加载seaborn自带数据: iris
df = sn.load_dataset("iris")
df.head()

  • 输出结果:

c819dc12a5e6a3aa2c09b2b0353544d5.png

2.2 数据集洞察

  • 代码: 1行

先简单看下该数据基本统计信息:

  • 样本数量: count

  • 平均值: mean

  • 标准差: std

  • 最小值: min

  • 最大值: max

  • 25%, 50%, 75%分位数

df.descirbe()

  • 输出结果:

51534e9a0cbe16da4b96a3cc782db719.png

2.3 分类聚集

  • 代码: 1行

  • 场景: 样例两个属性, 一个是离散分类,一个是连续值,希望一张图绘出每类的散点图

  • 方法:

    • stripplot: 可以绘制分类数据的散点图,由于过多的点会聚集一处,使用jitter 进行随机抖动,以在每一个分类数据中对应变量在某一点的集中/分布趋势。

    • swarmplot: 函数会使用内置的算法对数据进行抖动,保证点不会重合

talk is cheap, show u code.

# swarm绘图散点以树状连接个点, 不重合
sn.swarmplot(x="species", y="petal_length", data=df, size=10)
# 可以体验下与下面绘图结果的不同:
# sn.stripplot(x='species', y='petal_length', data=df, jitter=True)

  • 输出结果:

b84b9963fbf9fb71dcd54ffdd8a39474.png

2.4 直方图

  • 代码: 1行

  • 场景: 连续属性分段查看分布

sn.distplot(df.sepal_length, bins=20, kde=True, rug=True)

  • 输出结果:

ea3d92d245a3750921cc45f9b3e895df.png

2.5 柱状图

  • 代码: 1行

  • 场景: 连续属性分段查看分布

sn.barplot(x='species', y='sepal_length', data=df)

  • 输出结果:

7f7fc2ae1d89c1ca1b87b41b6a3074d7.png

2.6 点图

  • 代码: 1行

  • 介绍: 表示一个数值的中心趋势的估计。根据散点图点的位置变化,并提供一些,用误差线表示该估计的不确定性

# 点图
sn.pointplot(x='species', y='sepal_length', data=df)

  • 输出结果:

567e9e48f936966bb8e1ee8adae81658.png

2.7 双变量图

  • 代码: 1行

sn.jointplot(x='sepal_length', y='sepal_width', data=df)
# 尝试改变属性值
# sn.jointplot(x='x', y='y', data=df2, kind='hex')
# sn.jointplot(x='x', y='y', data=df2, kind='kde')

  • 输出结果:

6ad46d7c1d54f61bef7ee78a5f7100f1.png

2.8 热力图

  • 代码: 1行

# 取10个样本, 查看不同属性的值, 用热力图显示
sn.heatmap(df.iloc[:10,:4])

  • 输出结果:

1e5fc271fce0c7d9d3144242d0aab74b.png

2.9 箱图

  • 代码: 1行

  • 如何读箱图见《大白话Python绘图系列》Matplotlib篇 箱图部分

sn.boxplot(x='species', y='sepal_length', data=df)

  • 输出结果:

ee7fdac2fa93b7932efd79c55e178cc5.png

2.10 小提琴图

  • 代码: 6行

  • 场景: 小提琴类似箱图, 但能更直观看数据集聚程度

# 场景: 看密度分布比较形象具体
fig, axes = plt.subplots(2,2, figsize=(20,20))
sn.violinplot(x='species', y='sepal_length', data=df, ax=axes[0,0])
sn.violinplot(x='species', y='sepal_length', data=df, ax=axes[0,1], hue='species')
sn.violinplot(y='species', x='sepal_length', data=df, ax=axes[1,0], hue='species', inner='stick')
sn.violinplot(y='species', x='sepal_length', data=df, ax=axes[1,1], hue='species', inner=None)
sn.swarmplot(y='species', x='sepal_length', data=df, ax=axes[1,1],alpha=.5, hue='species',color="r")

  • 输出结果:

c3c7cfa65f29762fbe5af2b054b7c17f.png

2.11 线性拟合

  • 代码: 1行

  • 场景: 查看两列关系

sn.lmplot(x='sepal_length', y='petal_length', data=df)

  • 输出结果:

f46bab6822ec052b6161edab80e4bdb5.png

2.12 非线性拟合

  • 代码: 1行

  • 场景: 查看两列关系, 下面用二次多项式

sn.regplot(x='sepal_length', y='petal_length', order=2, data=df)

  • 输出结果:

decfae20a88ad48f2a04ad1d32998e4c.png

2.13 数据集两两属性关系

  • 代码: 2行

  • 场景: 当需要快速了解数据集中属性两两关系时. 数据需要是连续值且非空

# 相同变量直方图显示, 不同变量散点图显示, 其中数据中不能含有NaN
l = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
sn.pairplot(df[l])

  • 输出结果:

fe9a7896c44585c8b855aeebba139d4e.png

2.14 Grid自定义绘制

  • 场景: 多子图显示

# 多图绘制: 数据集某属性species, 将数据集分三类
# 下面, 一次性汇出三类数据的直方图
g = sn.FacetGrid(df,col="species")
g.map(plt.hist,"sepal_length")
g.add_legend()

  • 输出结果:

ccb6f8e6766b7d78f61de35fc7dbf365.png

3. About Me

来自北京回龙观的一名数据民工, 2019年开始写写数据民工那些大白话

  • 微信公众号: workindata

  • 个人微信号: ITlooker

  • 知乎专栏: 大数据那些儿大白话




推荐阅读
  • 本文详细介绍如何使用Python进行配置文件的读写操作,涵盖常见的配置文件格式(如INI、JSON、TOML和YAML),并提供具体的代码示例。 ... [详细]
  • 技术分享:从动态网站提取站点密钥的解决方案
    本文探讨了如何从动态网站中提取站点密钥,特别是针对验证码(reCAPTCHA)的处理方法。通过结合Selenium和requests库,提供了详细的代码示例和优化建议。 ... [详细]
  • 1.如何在运行状态查看源代码?查看函数的源代码,我们通常会使用IDE来完成。比如在PyCharm中,你可以Ctrl+鼠标点击进入函数的源代码。那如果没有IDE呢?当我们想使用一个函 ... [详细]
  • 本文详细解析了Python中的os和sys模块,介绍了它们的功能、常用方法及其在实际编程中的应用。 ... [详细]
  • 本文探讨了如何在给定整数N的情况下,找到两个不同的整数a和b,使得它们的和最大,并且满足特定的数学条件。 ... [详细]
  • Python 异步编程:深入理解 asyncio 库(上)
    本文介绍了 Python 3.4 版本引入的标准库 asyncio,该库为异步 IO 提供了强大的支持。我们将探讨为什么需要 asyncio,以及它如何简化并发编程的复杂性,并详细介绍其核心概念和使用方法。 ... [详细]
  • Explore how Matterverse is redefining the metaverse experience, creating immersive and meaningful virtual environments that foster genuine connections and economic opportunities. ... [详细]
  • PyCharm下载与安装指南
    本文详细介绍如何从官方渠道下载并安装PyCharm集成开发环境(IDE),涵盖Windows、macOS和Linux系统,同时提供详细的安装步骤及配置建议。 ... [详细]
  • 本文介绍了Java并发库中的阻塞队列(BlockingQueue)及其典型应用场景。通过具体实例,展示了如何利用LinkedBlockingQueue实现线程间高效、安全的数据传递,并结合线程池和原子类优化性能。 ... [详细]
  • 深入解析:手把手教你构建决策树算法
    本文详细介绍了机器学习中广泛应用的决策树算法,通过天气数据集的实例演示了ID3和CART算法的手动推导过程。文章长度约2000字,建议阅读时间5分钟。 ... [详细]
  • 本文介绍如何使用 Python 提取和替换 .docx 文件中的图片。.docx 文件本质上是压缩文件,通过解压可以访问其中的图片资源。此外,我们还将探讨使用第三方库 docx 的方法来简化这一过程。 ... [详细]
  • 自学编程与计算机专业背景者的差异分析
    本文探讨了自学编程者和计算机专业毕业生在技能、知识结构及职业发展上的不同之处,结合实际案例分析两者的优势与劣势。 ... [详细]
  • 使用Python在SAE上开发新浪微博应用的初步探索
    最近重新审视了新浪云平台(SAE)提供的服务,发现其已支持Python开发。本文将详细介绍如何利用Django框架构建一个简单的新浪微博应用,并分享开发过程中的关键步骤。 ... [详细]
  • 本题探讨如何通过最大流算法解决农场排水系统的设计问题。题目要求计算从水源点到汇合点的最大水流速率,使用经典的EK(Edmonds-Karp)和Dinic算法进行求解。 ... [详细]
  • 尽管深度学习带来了广泛的应用前景,其训练通常需要强大的计算资源。然而,并非所有开发者都能负担得起高性能服务器或专用硬件。本文探讨了如何在有限的硬件条件下(如ARM CPU)高效运行深度神经网络,特别是通过选择合适的工具和框架来加速模型推理。 ... [详细]
author-avatar
z苏苏575
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有