Python图表数据可视化Seaborn：3. 线性关系数据| 时间线图表| 热图

1. 线性关系数据可视化

lmplot( )

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

sns.set_style("darkgrid")
sns.set_context("paper")
# 设置风格、尺度

import warnings
warnings.filterwarnings('ignore')
# 不发出警告

# 基本用法

tips = sns.load_dataset("tips")
print(tips.head())
# 加载数据

sns.lmplot(x="total_bill", y="tip", hue = 'smoker',data=tips,palette="Set1",
           ci = 70,   # 误差值
           size = 5,  # 图表大小
           markers = ['+','o'],  # 点样式
           )

# 拆分多个表格

sns.lmplot(x="total_bill", y="tip", col="smoker", data=tips)

# 多图表1

sns.lmplot(x="size", y="total_bill", hue="day", col="day",data=tips,
           aspect=0.6,    # 长宽比
           x_jitter=.30,  # 给x或者y轴随机增加噪音点
           col_wrap=4,    # 每行的列数
          )

# 多图表2

sns.lmplot(x="total_bill", y="tip", row="sex", col="time",data=tips, size=4)
# 行为sex字段，列为time字段
# x轴total_bill, y轴tip

# 非线性回归

sns.lmplot(x="total_bill", y="tip",data=tips,
           order = 2) #可以做更高阶的回归；2就是按照2次方做回归；

2. 时间线图表

 sns. tsplot( )

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

sns.set_style("darkgrid")
sns.set_context("paper")
# 设置风格、尺度

import warnings
warnings.filterwarnings('ignore')
# 不发出警告

# 1、时间线图表 - tsplot()
# 简单示例

x = np.linspace(0, 15, 31)
data = np.sin(x) + np.random.rand(10, 31) + np.random.randn(10, 1)
print(data.shape)
print(pd.DataFrame(data).head()) #每一行数据是一个变量，31列是代表有31天或31种情况下的观测值。
# 创建数

sns.tsplot(data=data,
           err_style="ci_band",   # 误差数据风格，可选：ci_band, ci_bars, boot_traces, boot_kde, unit_traces, unit_points
           interpolate=True,      # 是否连线
           ci = [40,70,90],       # 设置误差 置信区间
           color = 'g'            # 设置颜色
          )

一个变量里边有10个变量，每个变量里边有31个观测值

 10个变量，做了一个均值的估计，其他31个维度代表它的变化程度。

# 1、时间线图表 - tsplot()
# 简单示例

sns.tsplot(data=data, err_style="boot_traces",
           n_boot=300   # 迭代次数，就是有多少个线；
          )

# 1、时间线图表 - tsplot()
# 参数设置

gammas = sns.load_dataset("gammas")
print(gammas.head())
print('数据量为：%i条' % len(gammas))
print('timepoint为0.0时的数据量为：%i条' % len(gammas[gammas['timepoint'] == 0]))
print('timepoint共有%i个唯一值' % len(gammas['timepoint'].value_counts()))
# print(gammas['timepoint'].value_counts())  # 查看唯一值具体信息
# 导入数据

sns.tsplot(time="timepoint",     # 时间数据，x轴
           value="BOLD signal",  # y轴value
           unit="subject",       #
           condition="ROI",      # 分类
           data=gammas)
# gammas[['ROI', 'subject']]

3.热图

sns.heatmap（）

# 2、热图 - heatmap()
# 简单示例
df = pd.DataFrame(np.random.rand(10,12))
# 创建数据 - 10*12图表

sns.heatmap(df,    # 加载数据
            vmin=0, vmax=1   # 设置图例最大最小值
            )

# 2、热图 - heatmap()
# 参数设置

flights = sns.load_dataset("flights")
flights = flights.pivot("month", "year", "passengers")
print(flights.head())
# 加载数据
sns.heatmap(flights,
            annot = True,      # 是否显示数值
            fmt = 'd',         # 格式化字符串
            linewidths = 0.2,  # 格子边线宽度
            #center = 100,      # 调色盘的色彩中心值，若没有指定，则以cmap为主
            #cmap = 'Reds',     # 设置调色盘
            cbar = True,       # 是否显示图例色带
            #cbar_kws={"orientation": "horizontal"},   # 是否横向显示图例色带
            #square = True,     # 是否正方形显示图表
           )
flights.head()

# 2、热图 - heatmap()   绘制半边热图

sns.set(style="white")
# 设置风格

rs = np.random.RandomState(33)
d = pd.DataFrame(rs.normal(size=(100, 26)))
corr = d.corr() #26*26的一个正方数据；     # 求解相关性矩阵表格
# 创建数据
mask = np.zeros_like(corr, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True
# 设置一个“上三角形”蒙版

cmap = sns.diverging_palette(220, 10, as_cmap=True)
# 设置调色盘

sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
            square=True, linewidths=0.2)
# 生成半边热图