seaborn是基于plt的封装好的库。有很强的作图功能。

1、布局风格设置(图形的style)and 细节设置

用matplotlib作图:

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

输出:

用seaborn的默认系统风格:

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

输出:

下面介绍seaborn的五种作图风格:

  • darkgrid
  • whitegrid
  • dark
  • white
  • ticks

下面介绍常用的一种,其他可用代码自行查看

whitegrid

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt sns.set_style("whitegrid") #设置风格
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2 #创建数据
sns.boxplot(data=data) #制作盒图
plt.show()

输出:

此风格可以清晰看到数据的值与对应关系,也很简约,建议用此图。

指定轴线距离:

#f, ax = plt.subplots()
sns.violinplot(data)
sns.despine(offset=10)

offset的值为轴线距离

将左边的轴隐藏起来:(单个轴显示问题)

sns.despine(left=True)

用两种主题做图:

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
with sns.axes_style("darkgrid"):
sns.boxplot(data=data)
plt.show()
sns.boxplot(data=data)
plt.show()

with里面的是一种风格,外边是另一种

画图的页面布局:

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt sns.set_context("paper") #除了paper还有别的布局,help查看
plt.figure(figsize=(8, 6)) #大小
sns.set()
x = np.linspace(0, 14, 100)
for i in range(1, 7):
plt.plot(x, np.sin(x + i * .5) * (7 - i))
plt.show()

2、调色板

  • 颜色很重要
  • color_palette()能传入任何Matplotlib所支持的颜色
  • color_palette()不写参数则默认颜色
  • set_palette()设置所有图的颜色

6个默认的颜色循环主题: deep, muted, pastel, bright, dark, colorblind

圆形画板****

当你有六个以上的分类要区分时,最简单的方法就是在一个圆形的颜色空间中画出均匀间隔的颜色(这样的色调会保持亮度和饱和度不变)。这是大多数的当他们需要使用比当前默认颜色循环中设置的颜色更多时的默认方案。

最常用的方法是使用hls的颜色空间,这是RGB值的一个简单转换。

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
sns.palplot(sns.color_palette("hls", 8))
plt.show()

输出:

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
data = np.random.normal(size=(20, 8)) + np.arange(8) / 2
sns.boxplot(data=data,palette=sns.color_palette("hls", 8))
plt.show()

hls_palette()函数来控制颜色的亮度和饱和

  • l-亮度 lightness
  • s-饱和 saturation
sns.palplot(sns.hls_palette(8, l=.7, s=.9))

使用xkcd命名颜色

连续色板

色彩随数据变换,比如数据越来越重要则颜色越来越深

sns.palplot(sns.color_palette("Blues"))

输出:

 

如果想要翻转渐变,可以在面板名称中添加一个_r后缀:

sns.palplot(sns.color_palette("BuGn_r"))

色调线性变换(饱和度和亮度)

sns.palplot(sns.cubehelix_palette(8, start=.75, rot=-.150))

light_palette() 和dark_palette()调用定制连续调色板

sns.palplot(sns.light_palette("green"))

上面是由浅变深

下面是由深变暗:

sns.palplot(sns.light_palette("navy", reverse=True))
x, y = np.random.multivariate_normal([0, 0], [[1, -.5], [-.5, 1]], size=300).T
pal = sns.dark_palette("green", as_cmap=True)
sns.kdeplot(x, y, cmap=pal);

输出:

3、单变量分析绘图

%matplotlib inline
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib.pyplot as plt import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "distributions")))

首先导入库,指定一个高斯分布的图

然后绘制出一个直方图:

x = np.random.normal(size=100)
sns.distplot(x,kde=False)

sns.distplot(x, bins=20, kde=False)   #bins指定直方图的宽度

如果要画出一个数据的分布情况,可以:

x = np.random.gamma(6, size=200)
sns.distplot(x, kde=False, fit=stats.gamma)

根据均值和协方差生成数据

mean, cov = [0, 1], [(1, .5), (.5, 1)]      #mean为均值,cov协方差
data = np.random.multivariate_normal(mean, cov, 200) #生成200组数据
df = pd.DataFrame(data, columns=["x", "y"]) #数据类型为panda的dataframe
df #输出

观察两个变量之间的分布情况:(散点图)

sns.jointplot(x="x", y="y", data=df);    

输出:

如果数据太多,点太过密集又想看分布情况:

x, y = np.random.multivariate_normal(mean, cov, 1000).T
with sns.axes_style("white"): #指定绘图风格
sns.jointplot(x=x, y=y, kind="hex", color="k") #kind=hex

4、多变量分析绘图

iris = sns.load_dataset("iris")    #传入数据
sns.pairplot(iris)

输出:

一共是四组数据,对角线因为是单个数据所以是单个数据的直方图,散点图都是由两组数据得来的。

regplot()和lmplot()都可以绘制回归关系,推荐regplot()

sns.regplot(x="total_bill", y="tip", data=tips)

输出:

如果值为整数,不适合建立回归模型,如:

sns.regplot(data=tips,x="size",y="tip")

输出:

我们可以给它加上一个小范围的浮动:

sns.regplot(x="size", y="tip", data=tips, x_jitter=.05)

输出:

离群点

小提琴图

先导入数据:

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style="whitegrid", color_codes=True) np.random.seed(sum(map(ord, "categorical")))
titanic = sns.load_dataset("titanic")
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")

正常作图:

sns.stripplot(x="day", y="total_bill", data=tips);

输出:

这样会导致数据重叠,影响观察。

可以添加:

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

输出:

不太好看,所以我们也可以:

sns.swarmplot(x="day", y="total_bill", data=tips)

这样输出的图是左右均匀的:

还可以在图中加一个分类的特征:

sns.swarmplot(x="day", y="total_bill", hue="sex",data=tips)   

输出:

盒图

  • IQR即统计学概念四分位距,第一/四分位与第三/四分位之间的距离
  • N = 1.5IQR 如果一个值>Q3+N或 < Q1-N,则为离群点
sns.boxplot(x="day", y="total_bill", hue="time", data=tips);

输出:

上面的点是离群点

小提琴图:(反映分布情况)

sns.violinplot(x="total_bill", y="day", hue="time", data=tips);

输出:

对time分类后不直观也不好看,我们可以:

sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True);

让spilt = True,使得直观好看:

显示值的集中趋势可以用条形图

sns.barplot(x="sex", y="survived", hue="class", data=titanic);

点图可以更好的描述变化差异

sns.pointplot(x="sex", y="survived", hue="class", data=titanic)  #hue表示指标

对于点图,还可以将图画的好看一点,设置一些参数

sns.pointplot(x="class", y="survived", hue="sex", data=titanic,
palette={"male": "g", "female": "m"},
markers=["^", "o"], linestyles=["-", "--"]);

输出:

宽型数据

sns.boxplot(data=iris,orient="h")

orient = "h"将图弄成横着的

****多层面板分类图

这个将之前的几种整合到一起,将图的类型作为参数传入

sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips)
sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips, kind="bar")  #kind为图的类型
sns.factorplot(x="day", y="total_bill", hue="smoker",
col="time", data=tips, kind="swarm")

输出:

sns.factorplot(x="time", y="total_bill", hue="smoker",
col="day", data=tips, kind="box", size=4, aspect=.5) #指定宽度和大小

关于factorplot

seaborn.factorplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='point', size=4, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)

Parameters:
•x,y,hue 数据集变量 变量名
•date 数据集 数据集名
•row,col 更多分类变量进行平铺显示 变量名
•col_wrap 每行的最高平铺数 整数
•estimator 在每个分类中进行矢量到标量的映射 矢量
•ci 置信区间 浮点数或None
•n_boot 计算置信区间时使用的引导迭代次数 整数
•units 采样单元的标识符,用于执行多级引导和重复测量设计 数据变量或向量数据
•order, hue_order 对应排序列表 字符串列表
•row_order, col_order 对应排序列表 字符串列表
•kind : 可选:point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点,swarm 分散点 size 每个面的高度(英寸) 标量 aspect 纵横比 标量 orient 方向 "v"/"h" color 颜色 matplotlib颜色 palette 调色板 seaborn颜色色板或字典 legend hue的信息面板 True/False legend_out 是否扩展图形,并将信息框绘制在中心右边 True/False share{x,y} 共享轴线 True/False

5、facetgrid使用方法及绘制多变量

先导入:

import numpy as np
import pandas as pd
import seaborn as sns
from scipy import stats
import matplotlib as mpl
import matplotlib.pyplot as plt sns.set(style="ticks")
np.random.seed(sum(map(ord, "axis_grids")))

先看看数据:

tips = sns.load_dataset("tips")
tips.head()

将图先实例化出来:

g = sns.FacetGrid(tips, col="time")

g = sns.FacetGrid(tips, col="time")
g.map(plt.hist, "tip") #条形图,tip为x轴
g = sns.FacetGrid(tips, col="sex", hue="smoker")   #
g.map(plt.scatter, "total_bill", "tip", alpha=.7) #alpha为透明度
g.add_legend() #加入图例(最右边的)

g = sns.FacetGrid(tips, row="smoker", col="time", margin_titles=True)
g.map(sns.regplot, "size", "total_bill", color=".1", fit_reg=False, x_jitter=.1) #fit_reg 表示回归的直线要不要画出来, x_jitter表示抖动区间

g = sns.FacetGrid(tips, col="day", size=4, aspect=.5)    #宽度和大小
g.map(sns.barplot, "sex", "total_bill") #先x后y

如果想指定图的顺序:

from pandas import Categorical
ordered_days = tips.day.value_counts().index
print (ordered_days) #CategoricalIndex(['Sat', 'Sun', 'Thur', 'Fri']
ordered_days = Categorical(['Thur', 'Fri', 'Sat', 'Sun']) #指定顺序
g = sns.FacetGrid(tips, row="day", row_order=ordered_days,
size=1.7, aspect=4,)
g.map(sns.boxplot, "total_bill")

pal = dict(Lunch="seagreen", Dinner="gray")
g = sns.FacetGrid(tips, hue="time", palette=pal, size=5) #palette表示调色板
g.map(plt.scatter, "total_bill", "tip", s=50, alpha=.7, linewidth=.5, edgecolor="white") #s表示点的大小
g.add_legend()
g = sns.FacetGrid(tips, hue="sex", palette="Set1", size=5, hue_kws={"marker": ["^", "v"]})    #点的形状
g.map(plt.scatter, "total_bill", "tip", s=100, linewidth=.5, edgecolor="white")
g.add_legend();
with sns.axes_style("white"):
g = sns.FacetGrid(tips, row="sex", col="smoker", margin_titles=True, size=2.5) #指定风格
g.map(plt.scatter, "total_bill", "tip", color="#334488", edgecolor="white", lw=.5);
g.set_axis_labels("Total bill (US Dollars)", "Tip"); #横轴与纵轴的名称
g.set(xticks=[10, 30, 50], yticks=[2, 6, 10]); #横轴与纵轴要表现的值
g.fig.subplots_adjust(wspace=.02, hspace=.02); #子图之间的距离

iris = sns.load_dataset("iris")
g = sns.PairGrid(iris) #绘制多变量
g.map(plt.scatter);
g = sns.PairGrid(iris)
g.map_diag(plt.hist) #指定对角线图的类型
g.map_offdiag(plt.scatter) #指定非对角线图的类型
g = sns.PairGrid(iris, hue="species")
g.map_diag(plt.hist)
g.map_offdiag(plt.scatter)
g.add_legend();

如果不想把所有特征都弄出来,可以

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species")   #指定需要的特征
g.map(plt.scatter);
g = sns.PairGrid(tips, hue="size", palette="GnBu_d")   #将颜色弄成渐变色
g.map(plt.scatter, s=50, edgecolor="white")
g.add_legend();

6、热度图绘制

先导入库:

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np;
np.random.seed(0)
import seaborn as sns;
sns.set()

用random提供随机的数据:

uniform_data = np.random.rand(3, 3)
"""
[[ 0.0187898 0.6176355 0.61209572]
[ 0.616934 0.94374808 0.6818203 ]
[ 0.3595079 0.43703195 0.6976312 ]]
"""
heatmap = sns.heatmap(uniform_data)

输出:

ax = sns.heatmap(uniform_data, vmin=0.2, vmax=0.5)    #设置调色板上下限
normal_data = np.random.randn(3, 3)    #随机数有负数
print (normal_data)
ax = sns.heatmap(normal_data, center=0) #让调色板的中心为0
flights = sns.load_dataset("flights")    #库提供的数据
flights.head()
flights = flights.pivot("month", "year", "passengers")
print (flights)
ax = sns.heatmap(flights)

输出:

如果要让数字显示出来:

ax = sns.heatmap(flights, annot=True,fmt="d")    #annot显示数字 fmt设置数字格式

让图中数据更明显:

ax = sns.heatmap(flights, linewidths=.5)  #设置小格宽度

自定义颜色:

ax = sns.heatmap(flights, cmap="YlGnBu")

机器学习之路--seaborn的更多相关文章

  1. 机器学习之路:python 集成回归模型 随机森林回归RandomForestRegressor 极端随机森林回归ExtraTreesRegressor GradientBoostingRegressor回归 预测波士顿房价

    python3 学习机器学习api 使用了三种集成回归模型 git: https://github.com/linyi0604/MachineLearning 代码: from sklearn.dat ...

  2. 机器学习之路:python k近邻回归 预测波士顿房价

    python3 学习机器学习api 使用两种k近邻回归模型 分别是 平均k近邻回归 和 距离加权k近邻回归 进行预测 git: https://github.com/linyi0604/Machine ...

  3. 机器学习之路:python线性回归分类器 LogisticRegression SGDClassifier 进行良恶性肿瘤分类预测

    使用python3 学习了线性回归的api 分别使用逻辑斯蒂回归  和   随机参数估计回归 对良恶性肿瘤进行预测 我把数据集下载到了本地,可以来我的git下载源代码和数据集:https://gith ...

  4. 我的机器学习之路--anaconda环境搭载

    网上许多教程比较晦涩难懂,本教程按照笔者(新手)自己的视角记录,希望给大家一些帮助 1.安装anaconda 目前比较推荐的机器学习环境为anaconda. Anaconda指的是一个开源的Pytho ...

  5. 机器学习之路--KNN算法

    机器学习实战之kNN算法   机器学习实战这本书是基于python的,如果我们想要完成python开发,那么python的开发环境必不可少: (1)python3.52,64位,这是我用的python ...

  6. 机器学习之路: 深度学习 tensorflow 神经网络优化算法 学习率的设置

    在神经网络中,广泛的使用反向传播和梯度下降算法调整神经网络中参数的取值. 梯度下降和学习率: 假设用 θ 来表示神经网络中的参数, J(θ) 表示在给定参数下训练数据集上损失函数的大小. 那么整个优化 ...

  7. 机器学习之路: tensorflow 自定义 损失函数

    git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/ import tensorflow as tf ...

  8. 机器学习之路:tensorflow 深度学习中 分类问题的损失函数 交叉熵

    经典的损失函数----交叉熵 1 交叉熵: 分类问题中使用比较广泛的一种损失函数, 它刻画两个概率分布之间的距离 给定两个概率分布p和q, 交叉熵为: H(p, q) = -∑ p(x) log q( ...

  9. 机器学习之路: tensorflow 一个最简单的神经网络

    git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/ import tensorflow as tf ...

随机推荐

  1. Part17—触摸屏显身手—Part17.1—原理简介

  2. 一线实践 | 借助混沌工程工具 ChaosBlade 构建高可用的分布式系统

    在分布式架构环境下,服务间的依赖日益复杂,可能没有人能说清单个故障对整个系统的影响,构建一个高可用的分布式系统面临着很大挑战.在可控范围或环境下,使用 ChaosBlade 工具,对系统注入各种故障, ...

  3. iptables 连线追踪(Connection tracking)

    「连線追蹤」:提供可用於判断包相关性的额外资讯.举例来說,一次FTP session同时需要两条分离的连線,控制与资料传输各一:用於追蹤FTP连線的扩充模组,运用对於FTP恊定的认知,从控制连線上流动 ...

  4. 关于RESTful一些注意事项,和自己整理的接口开发规范

    https://blog.csdn.net/u013731455/article/details/56278168 最近在研究restful,公司开发要使用,所以自己就去网上找了好些资料,并整理了一套 ...

  5. 微信授权登录-微信公众号和PC端网站

    https://blog.csdn.net/qq_34664239/article/details/79107529 一.微信公众号授权登录——微信公众平台 微信授权登录,并调用后台接口,获取用户信息 ...

  6. 9-6 UVa 11400

    参考 http://www.cnblogs.com/Kiraa/p/5510757.html http://www.cnblogs.com/zhaopAC/p/5159950.html 根据题目说明中 ...

  7. 【知识小结】PHP使用svn笔记总结

    在公司里,我们要养成每天上班前更新代码,下班前提交代码的习惯,并且做好说明. svn更新代码的时候,先右键点击需要更新的项目,在team中进入资源库同步界面,选择incoming mode,显示的文件 ...

  8. Netty进行文件传输

    本次是利用TCP在客户端发送文件流,服务端就接收流,写入相应的文件. 实验的源文件是一个图片,假设地址是D:\\Koala.jpg,接收保存后的图片为D:\\test.jpg 原理就是将文件读取成by ...

  9. activeMQ的两个默认端口8161和61616的区别

    activeMQ默认配置下启动会启动8161和61616两个端口,其中8161是mq自带的管理后台的端口,61616是mq服务默认端口 . 8161是后台管理系统,61616是给java用的tcp端口 ...

  10. 关于better-scroll的使用注意事项

    better-scroll的原理 1.什么是 better-scroll? better-scroll 是一个移动端滚动的解决方案,它不仅可以做普通的滚动列表,还可以做轮播图.picker 等等. 2 ...