python seaborn画图

古城微笑少年丶 2022-06-18 09:38 588阅读 0赞

# python seaborn画图 #

以前觉得用markdown写图文混排的文字应该很麻烦，后来发现CSDN的markdown真是好用的。

在做分析时候，有时需要画几个图看看数据分布情况，但总记不住python的绘图函数。今天有空顺便整理下python的seaborn绘图函数库。  
Seaborn其实是在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就能做出很具有吸引力的图，而使用matplotlib能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

seaborns是针对统计绘图的，方便啊。

一般来说，seaborn能满足数据分析90%的绘图需求，够用了，如果需要复杂的自定义图形，还是要matplotlit。这里也只是对seaborn官网的绘图API简单翻译整理下，对很多参数使用方法都没有说到，如果需要精细绘图，还是需要参照其seaborn的文档的。

这里简要介绍常用的图形，常用的参数，其精美程度不足以当做报告绘图，算是做笔记吧。

# 1.几个概念 #

如果使用过R语言的ggplot2绘图包，对分组分面，统计绘图等概念应该很熟悉，这里也介绍下。

## 1.1.分组绘图 ##

比如说需要在一张图上绘制两条曲线，分别是南方和北方的气温变化，分别用不同的颜色加以区分。在seaborn中用**hue**参数控制分组绘图。

## 1.2.分面绘图 ##

其实就是在一张纸上划分不同的区域，比如2\*2的子区域，在不同的子区域上绘制不同的图形，在matplotlib中就是 add\_subplot(2,2,1)，在seaborn中用col参数控制，col的全称是columns，不是color，如果辅助col\_wrap参数会更好些。后来发现，col可以控制columns的子图，那么row可以控制rows的子图排列。  
如果需要分面绘图，应该使用seaborn的**FacetGrid**对象，seaborn的一般的绘图函数是没有分面这个参数的。

## 1.3.统计函数 ##

分组绘图的时候，会对分组变量先要用统计函数，然后绘图，比如先计算变量的均值，然后绘制该均值的直方图。统计绘图参数是 **estimator**，很多情况下默认是**numpy.mean**。在ggplot2中就大量使用了这种方法。如果不适用统计绘图，就需要先用pandas进行groupby分组汇总，然后用seaborn绘图，多此一举了。

# 2.图形分类 #

在seaborn中图形大概分这么几类，因子变量绘图，数值变量绘图，两变量关系绘图，时间序列图，热力图，分面绘图等。

**因子变量绘图**

1.  箱线图boxplot
2.  小提琴图violinplot
3.  散点图striplot
4.  带分布的散点图swarmplot
5.  直方图barplot
6.  计数的直方图countplot
7.  两变量关系图factorplot

**回归图**  
回归图只要探讨两连续数值变量的变化趋势情况，绘制x-y的散点图和回归曲线。

1.  线性回归图lmplot
2.  线性回归图regplot

**分布图**  
包括单变量核密度曲线，直方图，双变量多变量的联合直方图，和密度图

**热力图**  
1. 热力图heatmap

**聚类图**  
1. 聚类图clustermap

**时间序列图**  
1. 时间序列图tsplot  
2. 我的时序图plot\_ts\_d , plot\_ts\_m

**分面绘图**  
1.分面绘图FacetGrid

# 3.因子变量绘图 #

## 3.1.boxplot箱线图 ##

import seaborn as sns
    sns.set_style("whitegrid")
    tips = sns.load_dataset("tips")
    # 绘制箱线图
    ax = sns.boxplot(x=tips["total_bill"])
    # 竖着放的箱线图，也就是将x换成y
    ax = sns.boxplot(y=tips["total_bill"])

![这里写图片描述][SouthEast]

# 分组绘制箱线图，分组因子是day，在x轴不同位置绘制
    ax = sns.boxplot(x="day", y="total_bill", data=tips)

![这里写图片描述][SouthEast 1]

# 分组箱线图，分子因子是smoker，不同的因子用不同颜色区分
    # 相当于分组之后又分组
    ax = sns.boxplot(x="day", y="total_bill", hue="smoker",
                        data=tips, palette="Set3")

![这里写图片描述][SouthEast 2]

# 改变线宽，linewidth参数
    ax = sns.boxplot(x="day", y="total_bill", hue="time",
                        data=tips, linewidth=2.5)
    
    # 改变x轴顺序，order参数
    ax = sns.boxplot(x="time", y="tip", data=tips,
                        order=["Dinner", "Lunch"])

# 对dataframe的每个变量都绘制一个箱线图，水平放置
    iris = sns.load_dataset("iris")
    ax = sns.boxplot(data=iris, orient="h", palette="Set2")

![这里写图片描述][SouthEast 3]

**箱线图+有分布趋势的散点图–>的组合图**

# 箱线图+有分布趋势的散点图
    # 图形组合也就是两条绘图语句一起运行就可以了，相当于图形覆盖了
    ax = sns.boxplot(x="day", y="total_bill", data=tips)
    ax = sns.swarmplot(x="day", y="total_bill", data=tips, color=".25")

![这里写图片描述][SouthEast 4]

## 3.2.violinplot小提琴图 ##

**小提琴图**其实是**箱线图**与**核密度图**的结合，箱线图展示了分位数的位置，小提琴图则展示了任意位置的密度，通过小提琴图可以知道哪些位置的密度较高。在图中，白点是中位数，黑色盒型的范围是下四分位点到上四分位点，细黑线表示须。外部形状即为核密度估计（在概率论中用来估计未知的密度函数，属于非参数检验方法之一）。

import seaborn as sns
    sns.set_style("whitegrid")
    tips = sns.load_dataset("tips")
    # 绘制小提琴图
    ax = sns.violinplot(x=tips["total_bill"])

![这里写图片描述][SouthEast 5]

# 分组的小提琴图，同上面的箱线图一样通过X轴分组
    ax = sns.violinplot(x="day", y="total_bill", data=tips)

![这里写图片描述][SouthEast 6]

# 通过hue分组的小提琴图，相当于分组之后又分组
    ax = sns.violinplot(x="day", y="total_bill", hue="smoker",
                            data=tips, palette="muted")

![这里写图片描述][SouthEast 7]

# 分组组合的小提琴图，其实就是hue分组后，各取一半组成一个小提琴图
    ax = sns.violinplot(x="day", y="total_bill", hue="smoker",
                            data=tips, palette="muted", split=True)

![这里写图片描述][SouthEast 8]

# 调整x轴顺序，同样通过order参数
    ax = sns.violinplot(x="time", y="tip", data=tips,
                        order=["Dinner", "Lunch"])

![这里写图片描述][SouthEast 9]

其他的样式不常用，就不贴上来了。

## 3.3.stripplot散点图 ##

需要注意的是，seaborn中有两个散点图，一个是普通的散点图，另一个是可以看出分布密度的散点图。下面把它们花在一起就明白了。

# 普通的散点图
    ax1 = sns.stripplot(x=tips["total_bill"])
    # 带分布密度的散点图
    ax2 = sns.swarmplot(x=tips["total_bill"])

![这里写图片描述][SouthEast 10]

# 分组的散点图
    ax = sns.stripplot(x="day", y="total_bill", data=tips)

![这里写图片描述][SouthEast 11]

# 添加抖动项的散点图，jitter可以是0.1,0.2...这样的小数，表示抖动的程度大小
    ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

![这里写图片描述][SouthEast 12]

# 是不是想横着放呢，很简单的，x-y顺序换一下就好了
    ax = sns.stripplot(x="total_bill", y="day", data=tips,jitter=True)

![这里写图片描述][SouthEast 13]

# 重点来了，分组绘制，而且是分组后分开绘制，在柱状图中，跟分组柱状图类似的。
    # 通过 hue, split 参数控制
    # 1.分组
    ax = sns.stripplot(x="sex", y="total_bill", hue="day",
                        data=tips, jitter=True)
    # 2.分开绘制
    ax = sns.stripplot(x="day", y="total_bill", hue="smoker",
                    data=tips, jitter=True,palette="Set2", split=True)

![这里写图片描述][SouthEast 14]  
![这里写图片描述][SouthEast 15]

# 散点图+小提起图
    # 两条命令一起运行就行了
    ax = sns.violinplot(x="day", y="total_bill", data=tips,inner=None, color=".8")
    ax = sns.stripplot(x="day", y="total_bill", data=tips,jitter=True)

![这里写图片描述][SouthEast 16]

## 3.4.swarmplot带分布的散点图 ##

swarmplt的参数和用法和stripplot的用法是一样的，只是表现形式不一样而已。

import seaborn as sns
    sns.set_style("whitegrid")
    tips = sns.load_dataset("tips")
    ax = sns.swarmplot(x=tips["total_bill"])

![这里写图片描述][SouthEast 17]

# 分组的散点图
    ax = sns.swarmplot(x="day", y="total_bill", data=tips)

![这里写图片描述][SouthEast 18]

# 箱线图+散点图
    # whis 参数设定是否显示箱线图的离群点，whis=np.inf 表示不显示
    ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
    ax = sns.swarmplot(x="tip", y="day", data=tips)

![这里写图片描述][SouthEast 19]

# 小提琴图+散点图
    ax = sns.violinplot(x="day", y="total_bill", data=tips, inner=None)
    ax = sns.swarmplot(x="day", y="total_bill", data=tips,
                        color="white", edgecolor="gray")

![这里写图片描述][SouthEast 20]

## 3.5.pointplot ##

Show point estimates and confidence intervals using scatter plot glyphs.  
使用散点图符号显示点估计和置信区间。

这个我不知道在什么地方用到，不太明白。就先写这个了。

## 3.6.barplot直方图 ##

我不喜欢显示直方图上面的置信度线，难看，所以下面的图形我都设置ci=0.(Size of confidence intervals to draw around estimated values)

直方图的统计函数，绘制的是变量的均值 estimator=np.mean

# 注意看看Y轴，看到没，统计函数默认是 mean，
    import seaborn as sns
    sns.set_style("whitegrid")
    tips = sns.load_dataset("tips")
    ax = sns.barplot(x="day", y="total_bill", data=tips,ci=0)

![这里写图片描述][SouthEast 21]

# 分组的柱状图
    ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips,ci=0)

![这里写图片描述][SouthEast 22]

# 绘制变量中位数的直方图，estimator指定统计函数
    from numpy import median
    ax = sns.barplot(x="day", y="tip", data=tips, 
                        estimator=median, ci=0)

![这里写图片描述][SouthEast 23]

# 改变主题颜色
    # palette="Blues_d"
    ax = sns.barplot("size", y="total_bill", data=tips, 
                        palette="Blues_d")

![这里写图片描述][SouthEast 24]

## 3.7.countplot计数统计图 ##

这个很重要，对因子变量计数，然后绘制条形图

import seaborn as sns
    sns.set(style="darkgrid")
    titanic = sns.load_dataset("titanic")
    ax = sns.countplot(x="class", data=titanic)

![这里写图片描述][SouthEast 25]

# 分组绘图
    ax = sns.countplot(x="class", hue="who", data=titanic)
    
    # 如果是横着放，x用y替代
    ax = sns.countplot(y="class", hue="who", data=titanic)

![这里写图片描述][SouthEast 26]

## 3.8.factorplot ##

这是一类重要的变量联合绘图。  
绘制 因子变量-数值变量 的分布情况图。

# 用小提琴图 反应 time-pulse 两变量的分布情形
    import seaborn as sns
    sns.set(style="ticks")
    exercise = sns.load_dataset("exercise")
    g = sns.factorplot(x="time", y="pulse", hue="kind",
                        data=exercise, kind="violin")

![这里写图片描述][SouthEast 27]

# 不同的deck（因子）绘制不同的alive（数值），col为分子图绘制，col_wrap每行画4个子图
    titanic = sns.load_dataset("titanic")
    g = sns.factorplot(x="alive", col="deck", col_wrap=4,
                        data=titanic[titanic.deck.notnull()],
                        kind="count", size=2.5, aspect=.8)

![这里写图片描述][SouthEast 28]

# 4.回归图 #

回归图有两个，我暂时没有看出他们有什么区别，从函数说明来看看吧。  
**lmplot**： Plot data and regression model fits across a FacetGrid.  
**regplot**：Plot data and a linear regression model fit.

## 4.1.回归图lmplot ##

# 线性回归图
    import seaborn as sns; sns.set(color_codes=True)
    tips = sns.load_dataset("tips")
    g = sns.lmplot(x="total_bill", y="tip", data=tips)

![这里写图片描述][SouthEast 29]

# 分组的线性回归图，通过hue参数控制
    g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)

![这里写图片描述][SouthEast 30]

# 分组绘图，不同的组用不同的形状标记
    g = sns.lmplot(x="total_bill", y="tip", hue="smoker", 
                    data=tips,markers=["o", "x"])

![这里写图片描述][SouthEast 31]

# 不仅分组，还分开不同的子图绘制，用col参数控制
    g = sns.lmplot(x="total_bill", y="tip", col="smoker", data=tips)

![这里写图片描述][SouthEast 32]

# col+hue 双分组参数，既分组，又分子图绘制，jitter控制散点抖动程度
    g = sns.lmplot(x="size", y="total_bill", hue="day", 
                    col="day",data=tips, aspect=.4, x_jitter=.1)

![这里写图片描述][SouthEast 33]

# 分组绘制，控制size尺寸
    g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",
                    data=tips, col_wrap=2, size=3)

![这里写图片描述][SouthEast 34]

# 既然col可以控制分组子图的，那么row也是可以控制分组子图的
    g = sns.lmplot(x="total_bill", y="tip", row="sex", 
                    col="time", data=tips, size=3)

![这里写图片描述][SouthEast 35]

## 4.2.回归图regplot ##

Plot the relationship between two variables in a DataFrame:

import seaborn as sns; sns.set(color_codes=True)
    tips = sns.load_dataset("tips")
    ax = sns.regplot(x="total_bill", y="tip", data=tips)

![这里写图片描述][SouthEast 36]

# 控制散点的形状和颜色
    import numpy as np; np.random.seed(8)
    mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
    x, y = np.random.multivariate_normal(mean, cov, 80).T
    ax = sns.regplot(x=x, y=y, color="g", marker="+")

![这里写图片描述][SouthEast 37]

# 控制回归的置信度，你会看到拟合直线的外面的面积的有变化的
    ax = sns.regplot(x=x, y=y, ci=68)

![这里写图片描述][SouthEast 38]

# 上面的都是拟合一次曲线，拟合二次曲线通过order=2设置，
    # 拟合一次曲线相当于 order=1
    ans = sns.load_dataset("anscombe")
    ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],
                    scatter_kws={
       "s": 80},order=2, ci=None, truncate=True)

![这里写图片描述][SouthEast 39]

# 5.数值分布绘图 #

## 5.1.直方图histplot ##

直方图hist=True，核密度曲线rug=True

# 绘制数值变量的密度分布图
    # 默认既绘制核密度曲线，也绘制直方图
    import seaborn as sns, numpy as np
    sns.set(rc={
       "figure.figsize": (8, 4)}); np.random.seed(0)
    x = np.random.randn(100)
    ax = sns.distplot(x)

![这里写图片描述][SouthEast 40]

# 只绘制核密度曲线，不绘制直返图
    ax = sns.distplot(x, rug=True, hist=False)

![这里写图片描述][SouthEast 41]

# 横着放
    ax = sns.distplot(x, vertical=True)

![这里写图片描述][SouthEast 42]

## 5.2.核密度图kdeplot ##

# 绘制核密度图
    import numpy as np; np.random.seed(10)
    import seaborn as sns; sns.set(color_codes=True)
    mean, cov = [0, 2], [(1, .5), (.5, 1)]
    x, y = np.random.multivariate_normal(mean, cov, size=50).T
    ax = sns.kdeplot(x)

![这里写图片描述][SouthEast 43]

# shade参数决定是否填充曲线下面积
    ax = sns.kdeplot(x, shade=True, color="r")

![这里写图片描述][SouthEast 44]

# 双变量密度图，相当于等高线图了
    # shade 参数改用颜色深浅表示密度的大小，不过不用，就真的是等高线了
    ax = sns.kdeplot(x, y, shade=True)

![这里写图片描述][SouthEast 45]

# 分组绘制双变量的核密度图
    # 相当于绘制两个核密度图，通过图可以看到密度中心
    # 类似于挖掘算法中聚类中心绘图
    iris = sns.load_dataset("iris")
    setosa = iris.loc[iris.species == "setosa"]  # 组1
    virginica = iris.loc[iris.species == "virginica"]  # 组2
    
    ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length, 
                        cmap="Reds", shade=True, shade_lowest=False)
    
    ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length, 
                        cmap="Blues", shade=True, shade_lowest=False)

![这里写图片描述][SouthEast 46]

## 5.3.双变量关系图jointplot ##

joint，顾名思义，就是联合呀。  
Draw a plot of two variables with bivariate and univariate graphs.

kind参数可以使用不同的图形反应两变量的关系，比如点图，线图，核密度图。

# 默认绘制双变量的散点图，计算两个变量的直方图，计算两个变量的相关系数和置信度
    import numpy as np, pandas as pd; np.random.seed(0)
    import seaborn as sns; sns.set(style="white", color_codes=True)
    tips = sns.load_dataset("tips")
    g = sns.jointplot(x="total_bill", y="tip", data=tips)

![这里写图片描述][SouthEast 47]

# 通过kind参数，除了绘制散点图，还要绘制拟合的直线，拟合的核密度图
     g = sns.jointplot("total_bill", "tip", data=tips, kind="reg")

![这里写图片描述][SouthEast 48]

# 使用六角形代替点图图
    g = sns.jointplot("total_bill", "tip", data=tips, kind="hex")

![这里写图片描述][SouthEast 49]

# 绘制核密度图
    iris = sns.load_dataset("iris")
    g = sns.jointplot("sepal_width", "petal_length", data=iris, 
                        kind="kde", space=0, color="g")

![这里写图片描述][SouthEast 50]

# 控制图形的大小和颜色
    g = sns.jointplot("total_bill", "tip", data=tips, 
                        size=5, ratio=3, color="g")

![这里写图片描述][SouthEast 51]

## 5.4.变量关系组图pairplot ##

就是绘制dataframe中各个变量两两之间的关系图。  
在变量关系图中，最常见的就是 x-y的线图，x-y的散点图，x-y的回归图。其实这三者都可以通过lmplot绘制，只是控制不同的参数而已。x-y的线图，其实就是时间序列图，这里就不说了。  
这里又说一遍散点图，是为了和前面的因子变量散点图相区分，前面的因子变量散点图，讲的是不同因子水平的值绘制的散点图，而这里是两个数值变量值散点图关系。为什么要用lmplot呢，说白了就是，先将这些散点画出来，然后在根据散点的分布情况拟合出一条直线。但是用lmplot总觉得不好，没有用scatter来得合适。

# x-y 的散点图，不画回归线，fit_reg=False
    
    tips = sns.load_dataset("tips")
    g = sns.lmplot(x="total_bill", y="tip", data=tips,
                    fit_reg=False,hue='smoker',scatter=True)
    
    # 只画回归线，不画散点图，scatter=False
    g = sns.lmplot(x="total_bill", y="tip", data=tips,
                    fit_reg=True,hue='smoker',scatter=False)

![这里写图片描述][SouthEast 52]  
![这里写图片描述][SouthEast 53]

import seaborn as sns; sns.set(style="ticks", color_codes=True)
    iris = sns.load_dataset("iris")
    g = sns.pairplot(iris)

![这里写图片描述][SouthEast 54]

# 分组的变量关系图，似乎很厉害啊
    g = sns.pairplot(iris, hue="species")

![这里写图片描述][SouthEast 55]

# hue 分组后，不同的组用不同的形状标记
    g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"])

![这里写图片描述][SouthEast 56]

# 当然也可以只取dataframe中的一部分变量绘图
    g = sns.pairplot(iris, vars=["sepal_width", "sepal_length"])

![这里写图片描述][SouthEast 57]

# 对角线默认绘制直方图，当然也可以绘制核密度图
    g = sns.pairplot(iris, diag_kind="kde")
    # 相应的，两变量关系图，也可以绘制线性回归图

![这里写图片描述][SouthEast 58]

![这里写图片描述][SouthEast 59]

# 6.热力图 #

## 6.1.热力图heatmap ##

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

![这里写图片描述][SouthEast 60]

# 改变颜色映射的值范围
    ax = sns.heatmap(uniform_data, vmin=0, vmax=1)

![这里写图片描述][SouthEast 61]

Plot a dataframe with meaningful row and column labels:
    # 绘制x-y-z的热力图，比如 年-月-销量 的热力图
    flights = sns.load_dataset("flights")
    flights = flights.pivot("month", "year", "passengers")
    ax = sns.heatmap(flights)

![这里写图片描述][SouthEast 62]

# 绘制热力图，还要将数值写到热力图上
    ax = sns.heatmap(flights, annot=True, fmt="d")

![这里写图片描述][SouthEast 63]

# 这个图在绘制缺失值分布有用，但是不知道怎么样。
    # Plot every other column label and don’t plot row labels 
    data = np.random.randn(50, 20)
    ax = sns.heatmap(data, xticklabels=2, yticklabels=False)

![这里写图片描述][SouthEast 64]

# 7.聚类图clustermap #

暂时不知道怎么用，先这样吧。

# 8.时间序列图 #

tsplot函数说是绘制时间序列图，还不如说是绘制简单的线图更加合适吧，因为我在绘制带timestap时间索引的pandas.Series时，并没有自动升采样绘图，只是数据有有什么数据就画什么，这在时间序列上应该是不对的。

因为我遇到这样一种情况，一个产品只在上半年卖，从数据库中取出数据只有每年上半年的数据，下半年没有数据也应该填充为0才对啊，但是seaborn的tsplot没有这个功能。

下面先介绍tsplot绘制线图吧，传入一个list或者series，直接绘制线图。

## 8.1.tsplot时序图 ##

# Plot a trace with translucent confidence bands:
    # 绘制带有半透明置信带的轨迹：
    # data是多组list的组合，这时候应该绘制多条曲线才对啊，其实不是的，是多组list的均值的序列图（默认）
    import numpy as np; np.random.seed(22)
    import seaborn as sns; sns.set(color_codes=True)
    x = np.linspace(0, 15, 31)
    data = np.sin(x) + np.random.rand(10, 31) + np.random.randn(10, 1)
    ax = sns.tsplot(data=data)

![这里写图片描述][SouthEast 65]

# tsplot的参数不太懂，直接上图吧
    gammas = sns.load_dataset("gammas")
    ax = sns.tsplot(time="timepoint", value="BOLD signal", 
                    unit="subject", condition="ROI", data=gammas)

![这里写图片描述][SouthEast 66]

# 绘制不同的置信度拟合图，这个好用
    ax = sns.tsplot(data=data, ci=[68, 95], color="m")

![这里写图片描述][SouthEast 67]

# 使用不同的统计函数，默认的是均值，这里是中位数
    ax = sns.tsplot(data=data, estimator=np.median)

![这里写图片描述][SouthEast 68]

## 8.2.panda线图 ##

pandas的dataframe本身也有绘图函数，对于常见的分析图形还是很方便的，而且可以在plot函数中指定title等

sale4.loc[sale4['sku']=='SKU412946',['month','salecount']]\
         .plot(x='month',y='salecount',title='SKU412946')

![这里写图片描述][SouthEast 69]

## 8.3.采样的时序图 ##

这里重点讲一下。如果时序中每天的数据都有还好说，如果没有，就需要采样了。

def plot_ts_day(x,y):
        """绘制每天的时间序列图。 需要注意的是，序列是不是连续的，也就是说某天的数据是没有的,因此需要采样至每天都有记录，原来数据没有的就填充0 x:时间轴，string或者time类型,是一个seires y:值 """
        # x转成时间类型Timestamp，y也转成list
        x=[pd.to_datetime(str(i)) for i in x]
        y=[i for i in y]
        s=pd.Series(y,index=x)
        s = s.resample(rule='D',fill_method='ffill') # 生采样没有的会被填充
        # 原来没有的就填充为0
        s[s.index]=0
        s[x]=y
        # 重建索引，画出来的图好看点
        x2 = [i.strftime('%Y-%m-%d') for i in s.index]
        s.index = x2
        # 画图，这里使用series的plot函数，而不是seaborn.tsplot函数
        s.plot()

![这里写图片描述][SouthEast 70]

def plot_ts_month(x,y):
        """绘制月的时间序列图，每月一个数据点，而不是每天一个"""
        # 将x转成时间类型timestamp,y也转成list
        try:
            x = [pd.to_datetime(str(i)) for i in x]
        except:
            x=[pd.to_datetime(str(i)+'01') for i in x]
        y=[i for i in y]
        #
        s=pd.Series(y,index=x)
        # 降采样至月
        s = s.resample('M', label='right').sum().fillna(0)
        # 重建索引，这样画出来的图好看点
        s.index=[i.strftime('%Y%m') for i in s.index]
        s.plot()

![这里写图片描述][SouthEast 71]

## 8.4.pandas分组的线图 ##

说实话，到现在还没搞懂怎么用sns.tsplot绘制分组线图，但是任务紧急，就用pandas的dataframe自带方法plot来绘图了，其实也挺简单的。  
主要注意的是，尽量给dataframe或者series建立时间索引，不然x轴很难看的。

# 绘制月销量图
    # 数据如下
    # year month2 salecount
    # 2014 1 531
    # 2014 2 505
    
    # 建立索引，'201601'
    data.index = data['year'].map(str)+data['month2'].map(lambda x: str(x) if x>=10 else '0'+str(x))
    # 绘图，其实也就是和8.3的方法一致了
    data['salecount'].plot()

分组的线图，比如seaborn中的hue参数，方法是，先将dataframe长表格式转成宽表格式（透视表），每列是不同的年。

# 分组的线图
    # 转成透视表后，绘图
    data.pivot(index='month2',columns='year',values='salecount').plot(title='销量')
    
    # 当数据很大的时候，你想绘制分组的统计图，比如将不同产品，相同的年月的销量进行加或者均值后在绘制线图
    # 使用 aggfunc 参数即可，默认是mean
    data.pivot_table(index='month2',columns='year',values='salecount',aggfunc='sum') \
        .plot(title='销量',style='o-')

![这里写图片描述][SouthEast 72]

图形格式选项

# 图形参数
    # style
    # 图形的属性
    # 1.color:颜色
    # 1.1 r：红色
    # 1.2 b：蓝色
    # 1.3 g：绿色
    # 1.3 y：黄色
    #
    # 2.数据标记markder
    # 2.1 o：圆圈
    # 2.2 .：圆点
    # 2.2 d：棱形
    #
    # 3.线型linestyle
    # 3.1 没有参数的话就是默认画点图
    # 3.2 --：虚线
    # 3.3 -：实线
    #
    # 4.透明度
    # alpha
    #
    # 5.大小
    # size

# 绘 "点-线" 图
    data.pivot(index='month2',columns='year',values='salecount')\
        .plot(title='销量',style='-o')

![这里写图片描述][SouthEast 73]

# 9.双坐标轴图 #

有没有遇到这样一种情况，需要将销量和趋势图和温度的变化图同时画在一幅图上，以便观察两者的趋势变化情况，但是因两者是数值差距很大，如果共用同一Y轴，温度曲线就基本看不到了。还是上图上代码吧。

import seaborn as sns
    sale=pd.Series(np.random.random(10)*100).map(int)
    tmperature=pd.Series(np.random.random(10)*10).map(int)
    
    ax=plt.subplot(111)
    sale.plot(ax=ax,color='b')
    ax.set_xlabel('time')
    ax.set_ylabel('sale')
    
    # 重点来了，twinx 或者 twiny 函数
    ax2 = ax.twinx()
    tmperature.plot(ax=ax2,color='r')
    ax2.set_ylabel('tmperature')
    plt.title('double series figure')

![这里写图片描述][SouthEast 74]

# 9.一些技巧 #

## 9.1 批量保存图片 ##

如果只有一张图片，这没什么好说的，但是如果要对每个维度绘图，然后保存图片呢。

fig = plt.figure()
    ax=fig.add_subplot(111)
    sub_data[years].plot(ax=ax, style='o-',title='%s 月销量趋势图'%lev3)
    file = r'E:\服装预测\销量趋势-%s.jpg' %lev3
    savefig(file)
    time.sleep(0.5)  # 注意这里要暂停一下，不然会出问题的
    plt.close()   # 最后记得关闭句柄

## 9.2 显示中文问题 ##

import seaborn as sns
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    from matplotlib.pyplot import savefig
    
    mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
    mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

# 10.分段统计绘图 #

遇到这样一种情况，如下的数据格式，现在platform不是重点，需要对diff\_date字段分段汇总然后绘图。

# platform age cnt
    # 2 0 22
    # 2 0 40
    # 4 0.1 47
    # 5 0.1 48
    # 3 0.1 51

这里借用panas.cut函数，因为是绘图看趋势，不需要精确得到每个分段的分割点。

cut函数有两种使用方法，如果`bins=10`这样的数值，则将series切成等间隔的10段，如果`bins=[0,5,20,55...]`这样的一个列表，则根据列表规则切分。

# 先用pd.cut分段，并取出分段数值
    # 通过 precision 控制小数的位数
    data['cut_point']=pd.cut(data['age'], 
        bins=[0,3,5.9,8.9,11.9,14.8,17.8,20.8,23.8,26.7,29.7],  # 分割点
        labels=['0-3','3-5.9',......]    # 区间命名
        right=True,    # 区间默认是坐开右闭
        precision=1)
    
    # 用sns画图，可以直接汇总每个分段的数量后绘图，而不需要groupby汇总
    # 相当于回到前面，用barplot绘图
    sns.barplot(x='cut_point',y='cnt', data=data, estimator=np.sum, ci=0)
    plt.xlabel('这是横坐标名称')
    plt.ylabel('这是纵坐标名称')
    plt.title('这是图标标题')

![这里写图片描述][SouthEast 75]

# 11.分面子图绘图 #

## 11.1 ##

接下来好好说说这个比较难的，在10中我们分区间绘图，但是我们没有考虑platform这个因子变量啊，如果我们要考虑这个因子变量，就需要分面了，比如不同的platform画一个子图。

# 和上面的一样，先分组取出分割点
    
    # 用pd.cut分段，并取出分段数值，通过 precision 控制小数的位数
    data['bins']=pd.cut(data['age'], bins=10,precision=1)
    # 取出分割点，因为cut后得到的是 '(2.99, 5.97]' 这样的字符串
    data['cut_point']=data['bins'].apply(lambda x: eval(x.replace(']',')'))[1])
    
    # 下面重点来了，用FacetGrid进行子图绘制
    g=sns.FacetGrid(data=data,col='platform',col_wrap=3,size=5)   # 这里相当于groupby
    g=g=g.map(sns.barplot,'cut_point','cnt',ci=0, estimator=np.sum)
    # 很奇怪的是，如果写 
    # g=g.map(sns.barplot,x='cut_point',y='cnt',ci=0, estimator=np.sum)就报错。

![这里写图片描述][SouthEast 76]

## 11.2 ##

自定义子图绘制

def my_barplot(x,y,**kwargs):
        """ 自定义函数的时候，没有显示传入dataframe，但是会自动获取，很神奇吧。 x,y是dataframe的列名 """
        ax = plt.gca()  # 这个是重点，获取对应的ax子图句柄
        data['bins']=pd.cut(data['age'], bins=10,precision=1)
        data['cutpoint']=data['bins'].apply(lambda x: eval(x.replace(']', ')'))[1])
        sns.barplot(x='cutpoint', y='cnt',data=data, estimator=np.sum, ci=0, ax=ax)
    
    g = sns.FacetGrid(data=data, col='platform',col_wrap=3,
                        size=5,sharex=False)
    g = g.map(my_barplot,'age','cnt')

![这里写图片描述][SouthEast 77]

# 12.颜色主题 #

## 主题 ##

在换了win10后发现seaborn的画出来的图很难看，基本上就是matplotlib的样子。想来肯定是主题和颜色样式没有设置好。今天看了下文档，补充下主题的设置。  
seaborn的默认主题就是最好看的，如下：

import seaborn as sns
    sns.set()           # 恢复默认主题，在win10中开始的时候要执行一次。

还有其他几个主题，包括：

sns.set_style("whitegrid")  # 白色网格背景
    sns.set_style("darkgrid")   # 灰色网格背景
    sns.set_style("dark")       # 灰色背景
    sns.set_style("white")      # 白色背景
    sns.set_style("ticks")      # 四周加边框和刻度

下面来几张图，发现就默认主题和白色网格背景是比较好看。  
![这里写图片描述][SouthEast 78]  
![这里写图片描述][SouthEast 79]  
![这里写图片描述][SouthEast 80]

## 颜色 ##

颜色一般来说用默认的颜色就好了，而且也比较好看，如果非要设置颜色，可以通过`sns.set_palette("husl")`设置。  
常用的其他颜色模式还有：

sns.set_palette("muted")    # 常用
    sns.set_palette("RdBu")
    sns.set_palette("Blues_d")
    sns.set_palette("Set1")
    sns.set_palette("RdBu")

效果如下图：  
![这里写图片描述][SouthEast 81]  
![这里写图片描述][SouthEast 82]  
![这里写图片描述][SouthEast 83]  
![这里写图片描述][SouthEast 84]  
![这里写图片描述][SouthEast 85]

# 13.后话 #

这里只是简单说说seaborn常用的绘图函数而已，看seaborn官网上面有很多好看的图形样例，而这里的函数画出来的哪里有官网的好看啊。  
而且这里也没有说到具体的布局控制，颜色主题等，要想绘制精美的图形，还需要学习具体的参数设定啊。

不过这里提到的这些简要图形，对于普通的分析快速绘图足够用了。

使用心得以后补充吧。

[SouthEast]: /images/20220618/344d9dd2e03543bdb0a7ba28880ffec3.png
[SouthEast 1]: /images/20220618/05f0c5f88b9843a48c44c097566476e8.png
[SouthEast 2]: /images/20220618/cb9a176dd54049f790b4b710953763cc.png
[SouthEast 3]: /images/20220618/ecbbf4167b514c9fa13527e491510550.png
[SouthEast 4]: /images/20220618/e24994b14410430aba6b271158d7cb64.png
[SouthEast 5]: /images/20220618/de638cfc5b10449ca6bb4c422b3a832a.png
[SouthEast 6]: /images/20220618/1a78eed41ed849faa043ee7252b5b711.png
[SouthEast 7]: /images/20220618/5d7337b33e9e446bb7457ea47b5aaf70.png
[SouthEast 8]: /images/20220618/930f2bc66ef9482fa2d54b083cbe3e2f.png
[SouthEast 9]: /images/20220618/af07f0143555434f9dcde9178de50a5a.png
[SouthEast 10]: /images/20220618/b5e500811f6c4aec88cc3541e35c3236.png
[SouthEast 11]: /images/20220618/8852e9c55ef04588bf684717f096defe.png
[SouthEast 12]: /images/20220618/a3d9a164c6f44f56bff4cd8caef39b3d.png
[SouthEast 13]: /images/20220618/5cf597edcd4c48228f968cfe15f686cc.png
[SouthEast 14]: /images/20220618/b0a1793a73014d349a723abe147d4fb5.png
[SouthEast 15]: /images/20220618/2d776794600c4ec081fbfc6b713c4b9e.png
[SouthEast 16]: /images/20220618/f2aeaba4ee914e0294a6c667ffea7960.png
[SouthEast 17]: /images/20220618/7ef386c17fb241d0b88a63aa25ad65b8.png
[SouthEast 18]: /images/20220618/b730f4e6d8db4808867aacd9e78df98b.png
[SouthEast 19]: /images/20220618/3c030c7396a145e29d8119d2888f0342.png
[SouthEast 20]: /images/20220618/fa313352664c42cdaaab35a90d5fd3bc.png
[SouthEast 21]: /images/20220618/b439b496c4c94c8e8dd2c73fe5b3fe6f.png
[SouthEast 22]: /images/20220618/f2a805aad7824a99bc93364d95f2093a.png
[SouthEast 23]: /images/20220618/c553d554d8714dea9877bae00e139d7b.png
[SouthEast 24]: /images/20220618/bba683678ed045a19109773b326c99c6.png
[SouthEast 25]: /images/20220618/ae8ecee638a84b92a840f47c4a58d009.png
[SouthEast 26]: /images/20220618/3d9ff6632fe4422ebad269d16863bdb2.png
[SouthEast 27]: /images/20220618/fcbdabff912e4f58bb5dd08e08c99b0c.png
[SouthEast 28]: /images/20220618/00d75c85e7b04240a2a8c46500f79f2f.png
[SouthEast 29]: /images/20220618/1e9fa04a8ec141a793d66b09ce72b567.png
[SouthEast 30]: /images/20220618/7ec6dfb2e8ae42ec8c36b7a78857a965.png
[SouthEast 31]: /images/20220618/3e84456d69004305af4d0169bfb76692.png
[SouthEast 32]: /images/20220618/564c128c5efd4a43a4141852991f48a6.png
[SouthEast 33]: /images/20220618/9aa547b9a67f4833bff518ee366c99b5.png
[SouthEast 34]: /images/20220618/0ebbd9574c2d424abf226e61f629acb9.png
[SouthEast 35]: /images/20220618/db5390f9ecb446048df1f077dd779952.png
[SouthEast 36]: /images/20220618/2ee768c665834fc2b6f8828fe33be1f4.png
[SouthEast 37]: /images/20220618/5b92ec8afb97402391bd57f990bc3675.png
[SouthEast 38]: /images/20220618/16202426196141708383a75a6d840e66.png
[SouthEast 39]: /images/20220618/6c4075c82a5846efb952fb3e60a717e5.png
[SouthEast 40]: /images/20220618/a922a5b0952a49ddbc1ecfaaca8069e1.png
[SouthEast 41]: /images/20220618/056f32cf356a48bbbcd8c031e224b5cd.png
[SouthEast 42]: /images/20220618/3d2be5f4d1b34b67b675261e3765d76b.png
[SouthEast 43]: /images/20220618/7005c5d25c784a0394ae52e8b7e0c7d1.png
[SouthEast 44]: /images/20220618/c863907be60f45759ca109e63f3fba85.png
[SouthEast 45]: /images/20220618/195ff6b7838e45389588d53b7405e312.png
[SouthEast 46]: /images/20220618/3060113ed7464ed481d562181ad69690.png
[SouthEast 47]: /images/20220618/a0b4a13db0b44513b4fa428012a44617.png
[SouthEast 48]: /images/20220618/b38f8349586f41a9a2ee13bb3950d91e.png
[SouthEast 49]: /images/20220618/007a456ec7144fa3939ef662f04f494a.png
[SouthEast 50]: /images/20220618/24cabe719ff2424dace3d95c88649f7a.png
[SouthEast 51]: /images/20220618/a203c81d016c4b728df64a5306d8a5a5.png
[SouthEast 52]: /images/20220618/431f9cd113a0445c9fe48a2234f15508.png
[SouthEast 53]: /images/20220618/40072b75cf464763a07a9ec6728b8ee7.png
[SouthEast 54]: /images/20220618/9804231e296e40059bb7c1349b40eeee.png
[SouthEast 55]: /images/20220618/5ddcd815b7eb4c9f99a0165608ea1747.png
[SouthEast 56]: /images/20220618/9de8a52de0fb4b0eac839e6203cdaa43.png
[SouthEast 57]: /images/20220618/fcab3f7ac6e145a9a22384d247884011.png
[SouthEast 58]: /images/20220618/e64c542fda6942e2b96ffae1f04984e4.png
[SouthEast 59]: /images/20220618/770a6ad9e8114c3398d43802aed6c2c6.png
[SouthEast 60]: /images/20220618/c4d3503231634709917899a9fb4f85df.png
[SouthEast 61]: /images/20220618/809f60ae46b2491e8f617b1af148c74b.png
[SouthEast 62]: /images/20220618/bb96151abf95497d8df6a53cecfb4f51.png
[SouthEast 63]: /images/20220618/50113de1532a491eb6bb289dac903ee8.png
[SouthEast 64]: /images/20220618/b7046bc9441741208e18c05a81c8b7c0.png
[SouthEast 65]: /images/20220618/37400cc4f65545fdab61e62a7e04bfef.png
[SouthEast 66]: /images/20220618/8c8b9b05a7974109b30e6ccc8af5c823.png
[SouthEast 67]: /images/20220618/af4d5945e42b4185aa802794d3158323.png
[SouthEast 68]: /images/20220618/5d52f509179b4b559c584551bbf7bda6.png
[SouthEast 69]: /images/20220618/59e99cbb59f7410d822e9547e4cd2ae9.png
[SouthEast 70]: /images/20220618/1c6f89d740ee4ac5b3115b94932cebe6.png
[SouthEast 71]: /images/20220618/bea99f3d9ed24dabbd6553c75f59f994.png
[SouthEast 72]: /images/20220618/7d8ed5b8c2f143f39b269192a0fc68f6.png
[SouthEast 73]: /images/20220618/c34727662c3745e3898f0170dbfc7f76.png
[SouthEast 74]: /images/20220618/cb70a0ec5820401fb67735a922740fc5.png
[SouthEast 75]: /images/20220618/6636cf4d6e044cc3b7b1931e5cdd9f7a.png
[SouthEast 76]: /images/20220618/f63cffd7413d40faa92f99cb7bf02e69.png
[SouthEast 77]: /images/20220618/a00e38dabcad42f6945b64612462e28d.png
[SouthEast 78]: /images/20220618/d1de5771a6054c7cb426e894c2782818.png
[SouthEast 79]: /images/20220618/bbdab9a8a8a542f2a48c1a24beba362c.png
[SouthEast 80]: /images/20220618/9ec048b368f44590b3afef0e6e54ceb4.png
[SouthEast 81]: /images/20220618/770b5260fb4b4845919fa33b8dd02ea1.png
[SouthEast 82]: /images/20220618/78cd0d7145474e23a9892866815c584b.png
[SouthEast 83]: /images/20220618/e5da7d1dbd9841d08ccd52cbfe4bc22d.png
[SouthEast 84]: /images/20220618/ec4a1e63e19c4b1c90cddc9985d1ab6a.png
[SouthEast 85]: /images/20220618/a7a30098a0d94fbebbcf960014eb52ed.png