使用pyplot和seaborn进行画图

pyplot的一些知识

matplotlab中的对象：

matplotlib是面向对象的，在画图的时候我们了解一些对象，对我们画图是有帮助的。绘图的对象大致分为三层：

• backend_bases.FigureCanvas : 图表的绘制领域
• backend_bases.Renderer : 知道如何在FigureCanvas上绘图
• artist.Artist : 知道如何使用Renderer在FigureCanvas上绘图

这些是一层一层封装起来的，从底层到高层依次为上面的画布->颜料->画家（canvas->renderer->artist）。但是我们平时画图的时候，基本是使用最上层的封装Artist。我们在画图的时候使用的Figure，Axes，Axis都属于Artist对象。关于这三者的区分是这样的，Figure是我们运行程序后生成的图片，Axes是一个坐标系（最常用的是笛卡尔坐标系，当然还有极坐标系等），我们在这个坐标系上面绘制出我们的图形，Axis是一个坐标轴，比如笛卡尔坐标系中的X轴或者Y轴。

使用pyplot进行画图：

当我们进行画图的时候，需要有个figure还有一个axes，假如我们没有指定的话，pyplot会默认为我们指定一个。用plt.plot()进行绘图的时候，默认的是使用当前figure的当前axes进行绘图。

使用subplot的时候，它返回一个axes供我们画图，subplot传入的前三个参数是nrows,ncols,index。它表示的是我们在一个figure当中有 nrow*ncols个axes，我们使用第index个axes来进行画图。 当这些值均小于10的时候，可以直接将这三个数写为一个三位数。比如plt.subplot(1,2,1) 和 plt.subplot(121)是一样的，都表示创建一行两列个axes，并且返回第第一个axes让我们来画图。

除了可以指定多个axes以外，还可以指定多个figure， fig1 = plt.figure(1), fig2 = plt.figure(2)等。当number不存在的时候，会创建一个新的figure，当这个number是已经存在的figure.number的时候，它会切换到那个figure。

总之，pyplot是在当前figure上面的当前axes进行画图的艺术。

经典的画图的例子是这样的，来自 官网Multiple subplots

import numpy as np
import matplotlib.pyplot as plt

x1 = np.linspace(0.0, 5.0)
x2 = np.linspace(0.0, 2.0)
y1 = np.cos(2 * np.pi * x1) * np.exp(-x1)
y2 = np.cos(2 * np.pi * x2)

plt.subplot(2, 1, 1)
plt.plot(x1, y1, 'o-')
plt.title('A tale of 2 subplots')
plt.ylabel('Damped oscillation')

plt.subplot(2, 1, 2)
plt.plot(x2, y2, '.-')
plt.xlabel('time (s)')
plt.ylabel('Undamped')

plt.show()

上面使用了两个axes，（假如使用fig = plt.figure()会更加的正规）画出的图形是这样的：

其实这里主要是让你明白画图的时候figure还有axes的概念，当我们画一个图的时候，总是画在一个特定的figure的特定axes上面。

plt还有一个subplots方法，返回一个figure还有一组axes,这在我们绘制过个图形当中非常的重要，在本文的最后将会看到例子。

Seaborn进行画图

seaborn是基于matplotlib进行的更上一层的封装，如果说matplotlib是将容易的事情变容易，难的事情成为可能，那么seaborn是将难的事情变的容易。下面我将用一些简答的例子来说明seaborn的绘图，更详细的用法可以参考官网的API。

进行数据的准备：

import seaborn as sns
from matplotlib import pyplot as plt
#导入数据
titanic = sns.load_dataset('titanic')
#做一些简单的缺失值处理
titanic = titanic.drop('deck', axis=1)
titanic['age'].fillna(titanic['age'].median(), inplace=True)
titanic['embark_town'].fillna(titanic['embark_town'].mode()[0], inplace=True)
titanic['embarked'].fillna(titanic['embarked'].mode()[0], inplace=True)

FacetGrid：观察多变量之间的关系

假如想要观察多变量之间的关系，我们可以使用FacetGrid。

FacetGrid 可以指定三个和我们想要观察变量有关的变量，看他们对于目标变量的影响情况。row， col， hue分别是行，列，颜色。FacetGrid使用的一般流程是先创建FacetGrid对象，指定data，row，col，hue等信息，然后使用map来进行画图，这期间可以调用pyplot的函数，也可以调用seaborn的函数。

grid = sns.FacetGrid(titanic, row='pclass', col='survived')
grid.map(plt.hist, 'age', bins=20)
plt.show()

从下面的图片可以看出来，我们要观察在不同的pclass和survived的情况下我们的age分布情况，这个时候，我们可以把survived指定为列，pclass指定为行， 在map函数里面，第一个为指定的函数的绘图方式，后面为该方式所使用的变量，该绘图方式既可以是plt里面的方法，也可以是seaborn里面的方法。

分类变量

seaborn提供了很多绘制分类变量的方法，下面介绍一些

pointplot: 可以进行点图的绘制

sns.pointplot( x='class',y='age',  data=titanic)
plt.show()

countplot:  可以对变量进行计数

sns.countplot(x='class', hue='sex',  data=titanic)
plt.show()

barplot：柱状图，可以看点估计和置信区间

sns.barplot(x='class', y='age',  data=titanic)

plt.show()

boxplot 线箱图，可以发现异常值

sns.boxplot( x='class',y='fare',  data=titanic)

factorplot

factorplot本身是为分类变量准备的，它可以画上面的所有类型的分类变量的图，只需要指定kind类型就可以，包含{point, bar, count, box, violin, strip}，默认的情况是点图.

还有一些函数可以观察多个变量之间的关系

pairplot 绘制两两变量之间的关系

sns.pairplot(data=titanic)
plt.show()

heatmap 可以展示出变量的相关情况

sns.heatmap(titanic.corr())
plt.show()

这里的一些参数要说明一些：

cmap：控制数字和色彩对应的参数。使用不同的参数，彩色条是不一样的。

cbar： 布尔类型，是否设置右边的彩条。

annot：bool类型或者矩形数据集。是否在显示每个方格的注释（annotate），即里面是不是显示内容。

annot_kws：配合annot使用，为ax.text的参数。

square：bool类型，如果为True，那么设置每个方格的大小相等。

在一个figure上面绘制多个axes

上面的绘图情况都是默认使用当前figure的当前axes，并且一个figure上面有一个axes，假如你想要在一个figure上面绘制多个axes的话，可以使用subplots和seaborn函数当中的ax参数

fig, (ax1, ax2, ax3) = plt.subplots(1,3, figsize=(15,5))

#我们在这里生成一个fig和三个axes，在下面绘图的时候只需要用ax参数来指定特定的axes就可以了
sns.barplot(x='class', y='age', data=titanic, ax=ax1)
sns.countplot(x='sex', data=titanic, ax=ax2)
sns.distplot(titanic['age'], ax=ax3)
plt.show()

参考：

matplotlib核心概念

绘图: matplotlib核心剖析

Python图表绘制：matplotlib绘图库入门