seaborn.lineplot：强如matlab的python二维数据趋势图一键绘制

「爱情、让人受尽委屈。」 2022-10-22 09:24 432阅读 0赞

发现了一个很强的绘图工具，可以用很简单的命令绘制多种图案，但是绘图的过程和原理需要弄清楚才能绘制想要的图片，参考的[官网文档][Link 1]。

seaborn.lineplot(*, x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, seed=None, sort=True, err_style='band', err_kws=None, legend='auto', ax=None, **kwargs)

这个函数相当于matlab里的plt.plot，但是却更加智能，绘制的图像也更好看。  
seaborn.lineplot中几个参数十分重要，选取其中最有代表性的几个：

x, y：vectors or keys in data
    代表哪个数据是x轴的，哪个数据是y轴显示的，注意因为只能绘制二维图，因此y轴相当于要显示的数据。可以是向量，也可以是dataframe的表头关键字
    
    hue： vector or key in data
    # 代表需要按照颜色不同列出不同颜色的线，这个虽然可以是向量，但是基本上是给表格准备的
    
    size： vector or key in data
    # 与hue类似，但是使用线的粗细来区分
    
    style： vector or key in data
    # 与hue类似，但是是用点划线之类的来区分
    
    data： pandas.DataFrame, numpy.ndarray, mapping, or sequence
    # 用于上传表格或者np数组的地方

下面以一个航班数据为例说明seaborn.lineplot能画什么图，以下每个程序块都可以单独复制出去运行。  
航班数据就是一个dataframe:  
![在这里插入图片描述][20210325154106493.png]

1、整理好数据直接画图

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    sns.set_theme(style="darkgrid")
    sns.set()
    # 引入数据
    flights = sns.load_dataset("flights")
    # 重新整理数据，按照行、列、值的方式
    flights_wide = flights.pivot("year", "month", "passengers")
    # 可以直接画图了
    sns.lineplot(data=flights_wide)
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70]  
2、不整理数据用关键字直接画图  
2.1 颜色区分

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    sns.set_theme(style="darkgrid")
    sns.set()
    # 引入数据
    flights = sns.load_dataset("flights")
    # 用颜色区分第三维数据
    sns.lineplot(data=flights, x="year", y="passengers", hue="month")
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 1]  
2.2、点线区分

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    sns.set_theme(style="darkgrid")
    sns.set()
    # 引入数据
    flights = sns.load_dataset("flights")
    # 用点线区分第三维数据
    sns.lineplot(data=flights, x="year", y="passengers", style="month")
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 2]  
2.3、线宽区分

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    sns.set_theme(style="darkgrid")
    sns.set()
    # 引入数据
    flights = sns.load_dataset("flights")
    # 用线宽区分第三维数据
    sns.lineplot(data=flights, x="year", y="passengers", size="month")
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 3]

3、用阴影表示重复内容  
这是这个函数最神奇的地方，就是当X坐标中出现了重复对应的y值时，就会绘制其平均值为实线，范围为浅色阴影，十分方便，尤其是绘制强化学习的曲线时。  
直接使用最普通的x y坐标

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    sns.set_theme(style="darkgrid")
    sns.set()
    # 引入数据
    flights = sns.load_dataset("flights")
    # RL图
    sns.lineplot(x=np.array([1,2,3,4,5,1,2,3,4,4]), y=np.array([1,2,3,4,5,7,9,5,9,9]))
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 4]  
上面因为x没有5的重复坐标，所以阴影没有覆盖5。  
当然也可以依然用航班表格中的数据，只要明白了原理即可：

import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    sns.set_theme(style="darkgrid")
    sns.set()
    # 引入数据
    flights = sns.load_dataset("flights")
    # RL图
    sns.lineplot(data=flights, x="year", y="passengers")
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 5]  
更多的阴影类型可以看[官方文档][Link 1]：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 7]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 9]

[Link 1]: https://seaborn.pydata.org/generated/seaborn.lineplot.html#seaborn.lineplot
[20210325154106493.png]: /images/20221022/acb4f7c4d6d3422eb9b477554c88c531.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70]: /images/20221022/502458d7d9044177b7d944af2b000f27.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 1]: /images/20221022/ae5f226072dc40bfbfe59680d01fb79e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 2]: /images/20221022/4838f36b9a334ea6bedfadd3d51e0241.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 3]: /images/20221022/7acd0408dd8f40a3852ab3f11340ba5e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 4]: /images/20221022/24cc90f25c50406d8b13195ae2254348.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 5]: /images/20221022/fde4da908a8e4b989ac51e129bcc3c81.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 6]: /images/20221022/3297c64df4b6416cb243330741ff8cfa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 7]: /images/20221022/0f30626987be4657a02acf2aa938af33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 8]: /images/20221022/454d72bdeaf440f59b2e785b33db8fc9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70 9]: /images/20221022/fc01cb37b3af4d049171f0ba0ea0aadc.png