seaborn绘制各种图

以下操作都是翻译的官方文档（不全）

安装seaborn

pip3 install seaborn

seborn加载数据集

import seaborn as sb 
df = sb.load_dataset(‘tips‘) 
print(type(df))
print(df.head)

可以看出df的类型是<class ‘pandas.core.frame.DataFrame‘>，所以在使用seaborn之前需要安装pandas

查看支持多少数据集

import seaborn as sb 
print(sb.get_dataset_names())

不安装bs4会报错

pip3 install bs4

matplotlib画图

import numpy as np 
from matplotlib import pyplot as plt 
def sinplot(flip=1): 
    x = np.linspace(0, 14, 100) 
    for i in range(1, 5): 
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)         
sinplot() 
plt.show()

sb.set()

转化为seaborn的默认格式

import numpy as np 
from matplotlib import pyplot as plt 
def sinplot(flip=1): 
    x = np.linspace(0, 14, 100) 
    for i in range(1, 5): 
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)   
 
import seaborn as sb 
sb.set() 
sinplot() 
plt.show()

set_style()
设置画图格式，可供选择的如下

• white
• dark
• whitegrid
• darkgrid
• ticks

如下

import numpy as np 
from matplotlib import pyplot as plt 
def sinplot(flip=1): 
    x = np.linspace(0, 14, 100) 
    for i in range(1, 5): 
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)   
 
import seaborn as sb 
sb.set_style(‘whitegrid‘)
sinplot() 
plt.show()

sb.despine()
在white 和 ticks 主题下，可以通过这个函数去掉上部和右侧的图像边框线

自定义样式

sb.set_style()

查看格式中有多少元素，比入线的粗细等等

一个demo

sb.set_style("darkgrid", {‘axes.axisbelow‘: False}) 

直方图

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) #鸢尾花数据集
sb.distplot(df[‘petal_length‘],kde=False) 
plt.show()

其中kde设置为False代表只画直方图，设置为True代表除了直方图还有折线图

散点图

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.jointplot(x=‘petal_length‘,y=‘petal_width‘,data=df) 
plt.show()

六边形二元化方法

在数据密度稀疏的情况下，二元数据分析采用六边形二元化方法,当数据非常零散且难以通过散点图进行分析时可以用这种方法。

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.jointplot(x=‘petal_length‘,y=‘petal_width‘,data=df,kind=‘hex‘) 
plt.show()

核密度估计

核密度估计是一种估计变量分布的非参数方法。在seaborn中，我们可以使用jointplot（）
kind参数使用kde

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.jointplot(x=‘petal_length‘,y=‘petal_width‘,data=df,kind=‘kde‘) 
plt.show() v

核密度估计

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.distplot(df[‘petal_length‘],hist=False) 
plt.show() 

hist设置为false即生成核密度估计图

可视化成对关系

seaborn.pairplot(data,…)

参数介绍

直接复制的官方文档的介绍

import pandas as pd
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.set_style("ticks") 
sb.pairplot(df,hue=‘species‘,diag_kind="kde",kind="scatter",palette="husl") 
plt.show()

绘制分类数据

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.stripplot(x="species", y="petal_length", data=df) 
plt.show()

Swarmplot()

另外一种风格

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘iris‘) 
sb.swarmplot(x="species", y="petal_length", data=df) 
plt.show()

柱状图

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘titanic‘) 
sb.barplot(x="sex", y="survived", hue="class", data=df) 
plt.show() 

省略了几种柱状图

线性关系

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘tips‘) 
sb.regplot(x="total_bill", y="tip", data=df) 
sb.lmplot(x="total_bill", y="tip", data=df) 
plt.show()

regplot vs lmplot

当其中一个变量取离散值时，我们也可以拟合线性回归

import pandas as pd 
import seaborn as sb 
from matplotlib import pyplot as plt 
df = sb.load_dataset(‘tips‘) 
sb.lmplot(x="size", y="tip", data=df) 
plt.show()

热力图

import numpy as np; np.random.seed(0)
import seaborn as sb; 
sb.set()
uniform_data = np.random.rand(10, 12)
ax = sb.heatmap(uniform_data)

原文：https://www.cnblogs.com/realwuxiong/p/13140263.html