本文主要是介绍Seaborn可视化的各种图及代码演示，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一.简介
Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。
Seaborn和Pandas的API配合的很好，使用DataFrame/Series的数据就可以绘图
二.Seaborn绘制单变量图
1.直方图
使用sns.distplot创建直方图，如下所示：
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as p1t
plt.rcParams['font .sans-serif'] = ['simHei']
p1t.rcParams['axes .unicode_minus'] = False
#加载小费数据
tips = pd.read_csv('data/tips.csv')
#使用subplots函数创建画布，并在其中添加子图
fig， ax = p1t.subplots (figsize=(12,6))
sns .histplot(tips['total_bi11'],kde=True,ax=ax)
ax.set_title("总账单直方图')
p1t.show()
2. 密度图（核密度估计）
密度图是展示单变量分布的另一种方法，本质上是通过绘制每个数据点为中心的正态分布，然后消除重叠的图，使曲线下的面积为1来创建的
fig, ax = plt.subplots (figsize=(12,6))
sns.kdeplot(tips['tota1_bi11'],ax=ax)
ax.set_title("总账单KDE图')
p1t.show()
3. 计数图（条形图）
计数图和直方图很像，直方图通过对数据分组来描述分布，计数图（条形图）是对离散变量（分类变量）计数
fig， ax = lt.subplots (figsize=(12,6))
sns .countplot(data=tips ,x='day')
ax.set_title('count of days')
ax.set_xlabe1('Day of the week ')
ax.set_ylabe1('Frequency')
plt.show()
三.Seaborn 双变量数据可视化
1.散点图
在seaborn中，创建散点图的方法有很多
fig， ax = plt.subplots (figsize=(12,6))
sns .scatterplot(x='total_bi11',y='tip',data=tips)
ax.set_title('Total Bi11 和 Tip 散点图)
ax.set_xlabel('Total Bi11')
ax.set_ylabe1('Tip')
p1t.show()
创建散点图可以使用regplot函数。regplot不仅可以绘制散点图，还会拟合回归线，把fit_reg设置为False，将只显示散点图
fig， ax = plt.subplots (figsize=(12,6))
sns .regplot(x='total_bi11' ,y='tip',data=tips)
ax.set_title('regplot of Total Bi11 and Tip')
ax.set_xlabel('Total Bi11')
ax.set_ylabe1('Tip')
p1t.show()
lmplot函数和regplot函数类似，也可以用于创建散点图。 lmplot函数内部会调用regplot，两者的主要区别是regplot创建坐标轴，而lmplot创建图 sns.lmplot(x='total_bill',y='tip',data = tips)
还可以使用jointplot在每个轴上创建包含单个变量的散点图。
joint = sns.jointplot(x='total_bil1',y='tip' ,data = tips)
joint.set_axis_labels (xlabel = 'Total Bil1',ylabel='Tip')
# 添加标题，设置字号
#移动抽域上方的文宁
joint,fig.suptitle('Joint Plot of Total Bill and Tip' ,fontsize = 10,y=1.03)
p1t.show()
2. 蜂巢图
使用Seaborn的jointplot绘制蜂巢图，和使用matplotlib的hexbin函数进行绘制
joint = sns .jointplot(x='total_bil1' ,y='tip' ,data = tips ,kind='hex')
joint.set_axis_abels (xlabel = 'Total Bi11',ylabel='Tip')
joint.fig.suptitle('Hexbin Joint Plot of Total Bill and Tip',fontsize = 10,y=1.03)
p1t.show()
3. 2D密度图
2D核密度图和kdeplot类似，但2D核密度图课展示两个变量
fig， ax = plt.subplots (figsize=(12,6))
sns .kdeplot(data=tips, x='total_bi11',y = 'tip',fil1=True)
#是否填充轮廓
ax.set_title('Kernel Density plot of Total Bill and Tip')
ax.set_xlabe1('Total Bi11')ax.set_ylabe1('Tip')
p1t.show()
4.条形图
条形图也可以用于展现多个变量，barplot默认会计算平均值
fig，ax = p1t.subplots (figsize=(12,6))
sns.barplot(x='time' ,y='total_bil1',data=tips ,errorbar=None)
ax.set_title('Bar plot of average total bill for time of day')
ax.set_xlabel('Time of day')ax.set_ylabel('Average total bi1')
p1t.show()
5. 箱线图
箱线图用于显示多种统计信息：最小值，1/4分位，中位数，3/4分位，最大值，以及离群值（如果有）
fig， ax = 1t.subplots (figsize=(12,6))
ax = sns .boxplot(x='time' ,y='total_bi11',data = tips)
ax.set_title('Boxplot of total bil1 by time of day')
ax.set_xlabel('Time of day')
ax.set_ylabel('Total Bil1')
p1t.show()
6.箱体图
箱线图是经典的可视化方法，但可能会掩盖数据的分布，小提琴图能显示与箱线图相同的值 小提琴图把"箱线"绘成核密度估计，有助于保留数据的更多可视化信息
p1t.subplots(figsize=(12,6))
sns .violinplot(x='time' ,y='total_bi1',data = tips)
plt.title('violin plot of total bill by time of day')
p1t.xlabe1('Time of day')
plt.ylabe1('Total Bi11')
p1t.show()
7.成对关系
当大部分数据是数值时，可以使用pairplot函数把所有成对关系绘制出来 pairplot函数会为单变量绘制直方图，双变量绘制散点图 sns.pairplot(tips)
pairplot的缺点是存在冗余信息，图的上半部分和下半部分相同 可以使用pairgrid手动指定图的上半部分和下半部分
pair_grid = sns.PairGrid(tips)pair_grid.map_upper(sns.regplot)pair_grid.map_lower(sns.kdeplot)pair_grid.map_diag(sns.histplot)plt.show()
四.多变量数据
绘制多变量数据没有标准的套路 如果想在图中包含更多信息，可以使用颜色、大小和形状来区分它们
1.通过颜色区分
使用violinplot函数时，可以通过hue参数按性别（sex）给图着色 可以为“小提琴”的左右两半着不同颜色，用于区分性别
figure,ax = plt.subplots (figsize=(12,6))
sns .violinplot(x='time' ,y='total_bil1' ,hue='sex' ,data = tips ,split = True)
ax.set_title('violin plot of total bill by time of day')
ax.set_xlabe1('Time of day')
ax.set_ylabe1('Total Bi11')
p1t.show()
其它绘图函数中也存在hue参数
scatter = sns.lmplot(x='total_bill',y='tip',data = tips,hue='sex',fit_reg = False)
2. 通过大小和形状区分
可以通过点的大小表示更多信息，但通过大小区分应谨慎使用，当大小差别不大时很难区分 在Seaborn中的lmplot，可以通过scatter_kws参数来控制散点图点的大小
scatter = sns.lmplot(x='total_bill',y='tip',data = tips,fit_reg=False,hue='sex',markers=['o','x'])
五.主题和样式
上面的Seaborn图都采用了默认样式，可以使用sns.set_style函数更改样式。
该函数只要运行一次，后续绘图的样式都会发生变化
Seaborn有5中样式
darkgrid 黑色网格（默认）
whitegrid 白色网格
dark 黑色背景
white 白色背景
ticks
fig,ax = plt.subplots()
ax = sns.violinplot(x='time',y='total_bill',hue='sex',data = tips,split = True)
通过set_style设置样式
sns .set_style('darkgrid')
fig,ax = p1t.subplots()
ax = sns.violinplot(x='time' ,y='total_bil1' ,hue='sex' ,data = tips ,split = True)
这篇关于Seaborn可视化的各种图及代码演示的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
