数据分析 - seaborn 模块

深藏阁楼爱情的钟 2023-08-17 16:36 108阅读 0赞

# seaborn 模块 #

## 简述 ##

对 matplotlib 模块进行了二次封装, 底层依旧使用还是 matplotlib 的, 但是在此基础上增加了很多的易用性模板, 更加方便使用

## 引用使用 ##

import seaborn as sns

![1450319-20190806161419532-1314261912.png][]

### 对比 matplotlib 默认风格 ###

默认风格的方法 - set

![1450319-20190806161032578-268174974.png][]

![1450319-20190806161104614-783510117.png][]

# 主题风格 #

## 设置风格 - set\_style ##

可选参数

*  darkgrid
 *  whitegrid
 *  dark
 *  white
 *  ticks

## white 风格 ##

完全的清亮背景色, 无刻线, 无刻度尺

![1450319-20190806161811849-2106667764.png][]

## drak 风格 ##

背景色深灰, 无刻线, 无刻度尺

![1450319-20190806161911775-386441870.png][]

## whitegrid 风格 ##

带有 y轴 数据刻线, 背景清亮

![1450319-20190806161700563-1765783034.png][]

## ticks 风格 ##

带有刻度尺

![1450319-20190806162134102-668331654.png][]

## darkgrid 风格 ##

带有x, y 刻线, 且背景深灰, 无刻度尺

![1450319-20190806164545708-499023446.png][]

## 批量执行风格 - axes\_style ##

在缩进内的都可以套用此风格, 在画子图的时候使用此方法设定不同的风格可以更直观的看出差异,方便观察

![1450319-20190806164900643-337905546.png][]

## 自定义风格修改 ##

默认的主题风格是比较固定的, 可以在此基础上进行一定的修改满足自定制

### 修改边界线 - despine ###

去掉上面和右边的线,

![1450319-20190806163212792-1523796794.png][]

可设置参数 offset 设置 数值与坐标轴线的距离

![1450319-20190806163814181-761151644.png][]

可设置参数 left 去除左右的边界线， 其他方位可选是, top  , bottom , right

![1450319-20190806164036440-323834845.png][]

![1450319-20190806164210965-1994511624.png][]

### 修改布局 - set\_context ###

可选风格

*  paper
 *  talk
 *  poster
 *  notebook

大小从小到大, 里面的格子可以看得出来哦

![1450319-20190806171928564-1922254240.png][]![1450319-20190806171945269-1874689757.png][]

![1450319-20190806172008135-2044259205.png][]![1450319-20190806190459309-14912632.png][]

可选参数 font\_scale  设定字体大小

![1450319-20190806191551989-444022965.png][]

可选参数 rc 设定线的粗细

![1450319-20190806191640576-1561855691.png][]

# 调色板 #

## 调色板 - 离散型 ##

*  颜色很重要 - 用于展示数据更直观的体现, 颜色区分展示是很舒适的
 *  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

### 默认色板 - color\_palette ###

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

![1450319-20190806192647970-1500930801.png][]

### 画板 - hls 空间 ###

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。

使用方法具体就是输入一个数字, 则输出多少颜色, hls 画板适合快速的生成多色画板

![1450319-20190806193150788-743314876.png][]

![1450319-20190815111032063-395706140.png][]

![1450319-20190815111057418-1162008011.png][]

### 画板 - Paired 空间 ###

Paired 适用于成对出现的色板排列. 用于某些数据对更加直观方便

![1450319-20190815111721004-537444088.png][]

### 饱和度, 亮度 - hls\_palette ###

hls\_palette 函数来控制颜色的亮度和饱和

*  l - 亮度 lightness
 *  s - 饱和 saturation

![1450319-20190815111530756-1332975622.png][]

### 指定颜色 - xkcd ###

指定特定颜色的时候使用 xkcd\_rgb 函数可实现 , 传入参数为键值形式取值, 可对颜色类型和深浅进行特化

xkcd 包含了一套众包努力的针对随机RGB色的命名。产生了954个可以随时通过 xdcd\_rgb 字典中调用的命名颜色。

![1450319-20190815112136847-1763956445.png][]

![1450319-20190815112300486-235395154.png][]

## 调色板 - 连续型 ##

连续型色板用于相同色系的深浅度进行渐变处理

![1450319-20190815112641308-786585025.png][]

默认是由浅到深的渐变, 翻转则在选取颜色后加 \_r 进行翻转

![1450319-20190815112913240-1847657557.png][]

### 画板 - cubehelix\_palette ###

色调线性变换 ，可以使用 color\_palette 传参 "cubehelix" 或者直接使用 cubehelix\_palette 函数

推荐后者， 后者可以传递更多的参数以及自动提示更方便

![1450319-20190815113235738-1578363475.png][]

### 颜色区间 - start，rot ###

cubehelix\_palette  函数的可选参数 start，rot 控制颜色区间

![1450319-20190815152236613-2146363299.png][]

### 指定深浅 - light\_palette，dark\_palette ###

![1450319-20190815152321399-111601348.png][]

![1450319-20190815152437190-276003492.png][]

### 简单示例 ###

![1450319-20190815152513019-292513900.png][]

# 变量分析 #

## 单变量分析 ##

### 数据范式，基础准备 ###

![1450319-20190815153640961-1470612715.png][]

### 直方图 - distplot ###

![1450319-20190815153300075-98214775.png][]

也可以指定 bins 的大小， 更细化的展示数据

![1450319-20190815153518162-1153046914.png][]

加入 fit 展示统计指标

![1450319-20190815153744152-1622170849.png][]

### 分布散点图 - stripplot ###

stripplot 函数创建散点图展示单变量数据量

但是数据过大出现的重叠会导致堆积造成连线成面等现象无法正确观察

![1450319-20190816100259050-2035426197.png][]

#### 重叠处理 - 偏移 jitter ####

设置 jitter 可以使数据偏移左右位置散开展示, 但是看起来还是不太直观

![1450319-20190816100726888-939747775.png][]

### 分簇散点图 - swarmplot ###

swarmplot 创建的散点图则彻底将数据散开呈现圣诞树结构, 更加清晰的展示

![1450319-20190816100752739-446433318.png][]

### 盒型图 - boxplot ###

#### 盒型图概念 ####

*  IQR即统计学概念四分位距，第1/4分位 与 第3/4之间的距离
 *  N = 1.5IQR 如果一个值>Q3+N或　<　Ｑ1-N,则为离群点

![1450319-20190816102229814-1841106859.png][]

### 小提琴图 - violinplot ###

![1450319-20190816102402333-361908033.png][]

多变量体现的时候小提琴图默认是区分的, 如上图的吃晚餐和吃午餐的在周一到周五之间的关系上就是分为两色分别展示

如果想更直观的展示一天中 午餐顾客数量和晚餐顾客数量的对比. 则可以加入 split 参数, 如下图的 每天吃饭男女的关系

![1450319-20190816102728332-1444100737.png][]

### 组合图 ###

图之间是可以组合的. 比如如下的小提琴图和分簇散点图的组合, 小提琴设置 inner=None 表示去除中间的显示

alpha 则设置透明度

![1450319-20190816102841135-1594322980.png][]

### 条形图 - barplot ###

下图展示的是泰坦尼克号中不同性别. 不同船舱等级情况下的获救几率

![1450319-20190816103352629-463100370.png][]

## 多变量分析 ##

### 数据范式准备 ###

根据均值和协方差生成数据

![1450319-20190815154151111-1578884096.png][]

![1450319-20190815154244355-1637888970.png][]

### 综合散点图 - jointplot ###

观测两个变量之间的分布关系最好用散点图 ，利用 jointplot 建立散点图且自动创建配合直方图

![1450319-20190815154609299-1106366628.png][]

### 重叠处理 - 蜂巢图 ###

散点图在大量数据的时候点会堆叠导致无法观察， 因此可使用 hex 图这样对重复数据点会有深浅变化

在 jointplot 中指定可选参数 kind 为 hex 即可

![1450319-20190815154726854-1409675105.png][]

### 读取数据集 - load\_dataset ###

读取数据集 load\_dataset 函数，示例使用内置的鸢尾花数据集， （有4个特征的数据集）

### 矩阵散点图 - pairplot ###

在使用 pairplot 函数读取即可所有特质之间的 两两对应关系

因此不再需要手动执行循环建立子图较为繁琐的方式去处理

由下图可见， 4个特征的两两对应关系， 对角线表示是相同特征的对比， 因此单特征展现为直方图， 其他为散点图

![1450319-20190815155318627-1745879856.png][]

# 回归分析 #

## 数据范式准备 ##

内置的 tips 数据样本, 顾客的一系列特征与愿意出多少小费的关联

![1450319-20190815163157351-562734806.png][]

## 回归图 - regplot ##

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

传入参数必选 x,y,data ,分别表示 x 轴, y 轴, 以及样本数据

绘制出的图形可以大体战术出 全部小费金额和小费之间的线性关系以及数据分布的散点展示

![1450319-20190815163529762-1123746935.png][]

### 加入数据抖动 - x\_jitter ###

一些不太适合做线性回归的数据可以加入抖动进行更好的适配

![1450319-20190815164005628-338186539.png][]

拟合以及其他操作参考 [这里][Link 1]

## 回归图 - mplot ##

mplot 绘制的图和 regplot 大体差不多, 但是可供支持的参数更多, 可以实现更多复杂的指标操作

![1450319-20190815163737329-96012535.png][]

# FacetGrid 使用 #

基本工作流程是FacetGrid使用数据集和用于构造网格的变量初始化对象。然后，可以通过调用 FacetGrid.map() 或将一个或多个绘图函数应用于每个子集 FacetGrid.map\_dataframe() 最后，可以使用其他方法调整绘图，以执行更改轴标签，使用不同刻度或添加图例等操作

## 内部属性 ##

class seaborn.FacetGrid(
    data, row=None, col=None, hue=None, col_wrap=None, sharex=True, 
    sharey=True, height=3, aspect=1, palette=None, row_order=None, 
    col_order=None, hue_order=None, hue_kws=None, dropna=True, 
    legend_out=True, despine=True, margin_titles=False, 
    xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)

### data : DataFrame ###

> 处理后的（“长格式”）dataframe数据，其中每一列都是一个变量（特征），每一行都是一个样本

### row, col, hue : strings ###

> 定义数据子集的变量，这些变量将在网格的不同方面绘制。请参阅下面 \*\_order 参数以控制该变量的级别顺序
> 
> 例如： col="sex", hue="smoker" ,即列表示性别，颜色语意表示是否吸烟，下面示例会给出详细说明

### col\_wrap : int, optional ###

> 这个意思是图网格列维度限制，比如 col\_wrap =3 ，那么在这个画布里最多只能画3列。行不限制，这样就限制了列的个数。

### share\{x,y\} : bool, ‘col’, or ‘row’ optional ###

> 是否共享x轴或者y轴，就是说如果为真，就共享同一个轴，否则就不共享，默认是都共享，即都为 True
> 
>     g = sns.FacetGrid(tips, col="sex", hue="smoker",sharex=True, sharey=True)# 都共享
>     g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
>     g.add_legend();
> 
> ![1450319-20190823112808406-926526424.png][]
> 
>     g = sns.FacetGrid(tips, col="sex", hue="smoker",sharex=True, sharey=False)# 关闭共享y轴, 关闭后会每个表独立画一个 y 轴
>     g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
>     g.add_legend();
> 
> ![1450319-20190823112830074-1942965158.png][]

### height : scalar, optional ###

> 每个图片的高度设定，默认为3

### aspect : scalar, optional ###

> 文档说是纵横比，是说每个小图的横轴长度和纵轴的比
> 
>     g = sns.FacetGrid(tips, col="sex", hue="smoker",sharex=True, sharey=True, aspect=1) # 默认为1，即等高等宽
>     g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
>     g.add_legend();
> 
> ![1450319-20190823113103358-273749042.png][]
> 
>     g = sns.FacetGrid(tips, col="sex", hue="smoker",sharex=True, sharey=True, aspect=0.5) # 改为0.5
>     g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
>     g.add_legend();
> 
> ![1450319-20190823113124259-899880822.png][]

### palette : palette name, list, or dict, optional ###

> 这个简单，一般在使用hue时来改变颜色的，有这几种系统给的可选 deep, muted, bright, pastel, dark, colorblind
> 
> 举个例子还是上图的啊，不给代码了，直接上图了,此时我给的是 palette='colorblind'
> 
> ![1450319-20190823113205146-492080811.png][]

### \{row,col,hue\}\_order : lists, optional ###

> 对所给命令的级别进行排序。默认情况下，这将是数据中显示的级别，如果变量是 pandas 分类，则是类别顺序。
> 
>     g = sns.FacetGrid(tips, col="sex", hue="smoker",sharex=True, sharey=True,col_order=['老大', '老二', '老三', '老四'])
>     g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
>     g.add_legend();
> 
> ![1450319-20190823113314386-2041183589.png][]
> 
> 调换一下位置看看：
> 
> 就不全上传代码了，关键代码给出：
> 
>     col_order=['老大', '老二', '老三', '老四']
> 
> ![1450319-20190823113330480-1084960922.png][]
> 
> 到这里大家就可以看出来了，这个命令是可以让我们设置画图的顺序的

### hue\_kws : dictionary of param -> list of values mapping ###

> 其他关键字参数插入到绘图调用中，让其他绘图属性在色相变量的级别上有所不同（例如散点图中的标记）
> 
>     >>> pal = dict(Lunch="seagreen", Dinner="gray") # 先定义一个字典，把颜色确定
>     >>> g = sns.FacetGrid(tips, col="sex", hue="time", palette=pal,# 然后传递给palette
>     ...                   hue_order=["Dinner", "Lunch"])#hue_order这个官方解释的好，优先Dinner
>     >>> g = (g.map(plt.scatter, "total_bill", "tip", **kws)
>     ...      .add_legend())
> 
> ![1450319-20190823114515803-164507245.png][]
> 
>     >>> g = sns.FacetGrid(tips, col="sex", hue="time", palette=pal,hue_order=["Dinner", "Lunch"], 
>     hue_kws=dict(marker=["^", "v"])) # 给颜色语意使用不同的标签，这样可以进行一部分区别
>     >>> g = (g.map(plt.scatter, "total_bill", "tip", **kws).add_legend())
> 
> ![1450319-20190823114734143-409183917.png][]
> 
> 总结来说，hue\_kwss就是增加能快速辨识的方法，在变量很多时很有用，我把hue\_order=\["Dinner", "Lunch"\]换一下位置看看,确实是有顺序的
> 
> ![1450319-20190823114803862-12503127.png][]

### legend\_out : bool, optional ###

> 默认为True，legend是图例的意思，如果True，图形尺寸将被扩展，并且图例将被绘制在中心右侧的图形之外，上面的图都是这样的，为假时，图例单独放出来，下面是为假的情况，看下下面的图例和上面的区别
> 
> ![1450319-20190823114857066-881287508.png][]

### despine : boolean, optional ###

> 从图中移除顶部和右侧脊柱,就是边缘框架

### margin\_titles : bool, optional ###

> 如果是真的，那么行变量的标题就会被绘制到最后一列的右边。这个选项是实验性的，在所有情况下都可能不起作用。
> 
> 直接看图吧：
> 
>     g = sns.FacetGrid(tips, row="smoker", col="time", 
>                       margin_titles=False) # margin_titles为假的时候
>     g.map(sns.regplot, "size", "total_bill", color="red",
>           fit_reg=False, x_jitter=.2);
> 
> ![1450319-20190823115018455-1639733683.png][]
> 
> 再给出margin\_titles=True的图，代码和上面一样，可以看出来了，行变量的标题就会被绘制到最后一列的右边
> 
> ![1450319-20190823115043526-917726150.png][]

### \{x, y\}lim: tuples, optional ###

> 每个方面的每个轴的限制（只有当共享x时才相关，y是正确的

### subplot\_kws : dict, optional ###

> 传递给matplotlib的subplot(s) 方法的关键字参数字典Dictionary of keyword arguments passed to matplotlib subplot(s) methods.这个需要看看subplot函数的参数，后面有时间补上

### gridspec\_kws : dict, optional ###

> 传递给matplotlib的gridspec模块的关键字参数的字典（Via plt.subplots）。matplotlib >= 1.4，如果colwrap不是None，则会被忽略。也许查看相关函数，改天再补上
> 
> 这个两个参数是为了和matplotlib传参是使用的

## 内部方法 ##

<table style="width:628px;"> 
 <tbody> 
  <tr> 
   <td><a href="http://seaborn.pydata.org/generated/seaborn.FacetGrid.html#seaborn.FacetGrid.__init__" rel="nofollow"><code>__init__</code></a>（data [，row，col，hue，col_wrap，...]）</td> 
   <td>初始化matplotlib图和FacetGrid对象。</td> 
  </tr> 
  <tr> 
   <td><code>add_legend</code>（[legend_data，title，label_order]）</td> 
   <td>绘制一个图例，可能将其放在轴外并调整图形大小。</td> 
  </tr> 
  <tr> 
   <td><code>despine</code>（** kwargs）</td> 
   <td>从小平面上移除轴刺。</td> 
  </tr> 
  <tr> 
   <td><code>facet_axis</code>（row_i，col_j）</td> 
   <td>使这些索引识别的轴处于活动状态并返回。</td> 
  </tr> 
  <tr> 
   <td><code>facet_data</code>（）</td> 
   <td>生成器用于每个方面的名称索引和数据子集。</td> 
  </tr> 
  <tr> 
   <td><a href="http://seaborn.pydata.org/generated/seaborn.FacetGrid.map.html#seaborn.FacetGrid.map" rel="nofollow"><code>map</code></a>（func，* args，** kwargs）</td> 
   <td>将绘图功能应用于每个方面的数据子集。</td> 
  </tr> 
  <tr> 
   <td><a href="http://seaborn.pydata.org/generated/seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe" rel="nofollow"><code>map_dataframe</code></a>（func，* args，** kwargs）</td> 
   <td>喜欢<code>.map</code>但是将args作为字符串传递并在kwargs中插入数据。</td> 
  </tr> 
  <tr> 
   <td><code>savefig</code>（* args，** kwargs）</td> 
   <td>保存图。</td> 
  </tr> 
  <tr> 
   <td><code>set</code>（** kwargs）</td> 
   <td>在每个子图集Axes上设置属性。</td> 
  </tr> 
  <tr> 
   <td><code>set_axis_labels</code>（[x_var，y_var]）</td> 
   <td>在网格的左列和底行设置轴标签。</td> 
  </tr> 
  <tr> 
   <td><code>set_titles</code>（[template，row_template，...]）</td> 
   <td>在每个构面上方或网格边距上绘制标题。</td> 
  </tr> 
  <tr> 
   <td><code>set_xlabels</code>([label])</td> 
   <td>在网格的底行标记x轴。</td> 
  </tr> 
  <tr> 
   <td><code>set_xticklabels</code>([labels,&nbsp;step])</td> 
   <td>在网格的底行设置x轴刻度标签。</td> 
  </tr> 
  <tr> 
   <td><code>set_ylabels</code>([label])</td> 
   <td>在网格的左列标记y轴。</td> 
  </tr> 
  <tr> 
   <td><code>set_yticklabels</code>([labels])</td> 
   <td>在网格的左列上设置y轴刻度标签。</td> 
  </tr> 
 </tbody> 
</table>

## 示例 ##

import numpy as np
    import seaborn as sns
    import matplotlib.pyplot as plt
     
    sns.set(style="darkgrid")
    tips = sns.load_dataset("tips")
    tips.head()
    total_bill    tip    sex    smoker    day    time    size
    0    16.99    1.01    Female    No    Sun    Dinner    2
    1    10.34    1.66    Male    No    Sun    Dinner    3
    2    21.01    3.50    Male    No    Sun    Dinner    3
    3    23.68    3.31    Male    No    Sun    Dinner    2
    4    24.59    3.61    Female    No    Sun    Dinner    4
     
    tips['day'].unique() 
    # 从数据中可以看出sex、smoker、time均为两个状态值
    [Sun, Sat, Thur, Fri]
    Categories (4, object): [Sun, Sat, Thur, Fri]
     
    g = sns.FacetGrid(tips, col="time")
    # 像这样初始化网格会设置matplotlib图形和轴，但不会在它们上绘制任何内容。

![1450319-20190823115356905-1306569868.png][]

# 在该网格上可视化数据的主要方法是使用该FacetGrid.map()方法。
    # 为其提供绘图功能以及要绘制的数据框中的变量名称。让我们使用直方图来
    # 查看每个子集中tip的分布。
    g = sns.FacetGrid(tips, col="time")
    g.map(plt.hist, "tip");

![1450319-20190823115421842-553939554.png][]

g = sns.FacetGrid(tips, col="sex", hue="smoker",col_wrap=2)
    g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
    g.add_legend();
    # 此功能将绘制图形并注释轴，希望一步生成完成的绘图。要创建关系图，
    # 只需传递多个变量名称。您还可以提供关键字参数，这些参数将传递给
    # 绘图函数,看看col_wrap的功能

![1450319-20190823120059979-744008919.png][]

g = sns.FacetGrid(tips, col="sex", hue="smoker",col_wrap=1)
    g.map(plt.scatter, "total_bill", "tip", alpha=0.8)
    g.add_legend();
    # 此时col_wrap=1 ，说明col_wrap是限制网格中图的列的个数的

![1450319-20190823124017330-1262477637.png][]

# 可以单独传递类构造函数改变网格外观
    g = sns.FacetGrid(tips, row="smoker", col="time", 
                      margin_titles=True)
    g.map(sns.regplot, "size", "total_bill", color="red",
          fit_reg=False, x_jitter=.2);
    #  margin_titles=True的作用是把标题写到侧面，
    # fit_reg=False关闭回归，我们下面看看关闭效果

![1450319-20190823124045321-13991387.png][]

g = sns.FacetGrid(tips, row="smoker", col="time", 
                      margin_titles=False)
    g.map(sns.regplot, "size", "total_bill", color="red",
          fit_reg=True, x_jitter=.2);
    # 关闭margin_titles=False，打开fit_reg=True
    # margin_titles打开的好处是可以让人很轻松的看明白图的差别

![1450319-20190823151253359-1124823613.png][]

# margin_titlesmatplotlib API未正式支持，并且在所有情况下都可能
    # 无法正常工作。特别是，它目前不能与位于绘图之外的图例一起使用。
     
    # 通过 height、aspect提供每个面的高度以及纵横比来设置图形的大小
    g = sns.FacetGrid(tips, col="day", height=4, aspect=.5)
    g.map(sns.barplot, "sex", "total_bill");

![1450319-20190823151338281-119344126.png][]

# facet的默认排序源自DataFrame中的信息。如果用于定义构面的变量具有
    # 分类类型，则使用类别的顺序。否则，facet将按照类别级别的出现顺序排列。
    # 但是，可以使用适当的*_order参数指定任何构面尺寸的顺序
    ordered_days = tips.day.value_counts().index
    g = sns.FacetGrid(tips, row="day", row_order=ordered_days,
                      height=1.7, aspect=4,)
    g.map(sns.distplot, "total_bill", hist=False, rug=True);

![1450319-20190823151357947-979059297.png][]

## 绘制成对数据关系 ##

PairGrid还允许您使用相同的绘图类型快速绘制小子图的网格，以可视化每个  
子图中的数据。在一个PairGrid中，每个行和列都分配给不同的变量，因此结果  
图显示数据集中的每个成对关系。这种情节有时被称为“散点图矩阵”，因为这是  
显示每种关系的最常用方式，但PairGrid不限于散点图。  
  
理解a FacetGrid和a 之间的差异很重要PairGrid。在前者中，  
每个方面都表现出以不同级别的其他变量为条件的相同关系。在后者中，  
每个图显示不同的关系（尽管上三角和下三角将具有镜像图）。使用  
PairGrid可以为您提供数据集中有趣关系的非常快速，非常高级的摘要。  
  
该类的基本用法非常相似FacetGrid。首先初始化网格，然后将绘图函数  
传递给map方法，并在每个子图上调用它。还有一个伴侣功能，pairplot()  
它可以为更快的绘图提供一些灵活性

iris = sns.load_dataset("iris")
    # 该数据大家应该很熟悉了，就不看数据了
    g = sns.PairGrid(iris)
    g.map(plt.scatter);

# 可以在对角线上绘制不同的函数，以显示每列中变量的单变量分布。
    # 但请注意，轴刻度不会与该图的计数轴或密度轴对应。
    g = sns.PairGrid(iris)
    g.map_diag(plt.hist)
    g.map_offdiag(plt.scatter);

![1450319-20190823151627392-1373535322.png][]

# 使用此图的一种非常常见的方法是通过单独的分类变量对观察结果进行着色。
    # 例如，iris数据集对三种不同种类的鸢尾花中的每一种都有四种测量值，
    # 因此您可以看到它们之间的差异。
    g = sns.PairGrid(iris, hue="species")
    g.map_diag(plt.hist)
    g.map_offdiag(plt.scatter)
    g.add_legend();

![1450319-20190823151949285-1283333090.png][]

# 也可以在上三角和下三角中使用不同的函数来强调关系的不同方面。
    g = sns.PairGrid(iris)
    g.map_upper(plt.scatter)
    g.map_lower(sns.kdeplot,color='red')
    g.map_diag(sns.kdeplot, lw=2, legend=False);

![1450319-20190823152123903-275392817.png][]

# PairGrid很灵活，但要快速查看数据集，使用pairplot()可以更容易。
    # 此功能默认使用散点图和直方图，但会添加一些其他类型
    # （目前，您还可以绘制对角线上的回归图和对角线上的KDE）。
    sns.pairplot(iris, hue="species", height=2.5);

![1450319-20190823153432585-949181615.png][]

# heatmap - 热度图 #

图形变化用颜色趋势表现出来的形式 - 热度图

![1450319-20190821150813076-1130066034.png][]

## 指定取值区间 - vim/vmax ##

未指定的时候自动会根据数据集中的最大最小值作为两极

![1450319-20190823154424531-654511702.png][]

## 指定中心数据 - center ##

指定一个中心数据, 其上或者其下颜色差异都很大,

![1450319-20190823154617738-1261358469.png][]

## 航班示例 ##

利用函数 pivot 对数据集进行预处理, 然后转换为热量图

![1450319-20190823155058114-89110388.png][]

## 显示数字 - annot, fmt ##

设置 annot=True 表示显示数字, 设置 fmt="d" 指定格式, 这里指定 "d" 是比较好的选择, 默认不指定则会显示乱码较为难以观察 (默认科学计数法)

![1450319-20190823161112147-657637121.png][]

## 指定色格间距 - linewidths ##

默认的色格之间都是都没有间距的, 指定此属性后可设置间距, 加间距看着更舒服点

![1450319-20190823161408782-1044029833.png][]

## 指定调色板 - cmap ##

调色板的选择也可以指定

![1450319-20190823161614786-1864962789.png][]

## 隐藏色盘指标 - cbar ##

设置 cbar=False 则可以隐藏, 但是不方便观察, 不知道指标区间了, 酌情使用

![1450319-20190823161718991-1897635407.png][]

转载于:https://www.cnblogs.com/shijieli/p/11326509.html

[1450319-20190806161419532-1314261912.png]: /images/20230810/16cd9273d6194f03aa0cd6f3836f9a80.png
[1450319-20190806161032578-268174974.png]: /images/20230810/70fe85aad3874fdfb6aa099cbbdfd12f.png
[1450319-20190806161104614-783510117.png]: /images/20230810/5a16ec3fdfea49f0ad2755052f28240d.png
[1450319-20190806161811849-2106667764.png]: /images/20230810/c76d2565f53341f0a009ce799c7d8f60.png
[1450319-20190806161911775-386441870.png]: /images/20230810/49c393a89b694fd69ccdf823243a6b49.png
[1450319-20190806161700563-1765783034.png]: /images/20230810/5254e3e08cbb4d278f75e03fc26ae0b6.png
[1450319-20190806162134102-668331654.png]: /images/20230810/3c4a276735744110a8c8370e42c20fa1.png
[1450319-20190806164545708-499023446.png]: /images/20230810/c167499c9d8249a9b4298442c46d2ee0.png
[1450319-20190806164900643-337905546.png]: /images/20230810/894b23d8851d4d309efcc62df1e9c9be.png
[1450319-20190806163212792-1523796794.png]: /images/20230810/49ca5a7957b64d66b363e315471b61d1.png
[1450319-20190806163814181-761151644.png]: /images/20230810/17ee750ec849456b852b751d3fa0b88e.png
[1450319-20190806164036440-323834845.png]: /images/20230810/eabaebbdf5004b30a66c283e52c26673.png
[1450319-20190806164210965-1994511624.png]: /images/20230810/1418884e4dbc4ea6be4aef1e0019c705.png
[1450319-20190806171928564-1922254240.png]: https://img2018.cnblogs.com/blog/1450319/201908/1450319-20190806171928564-1922254240.png
[1450319-20190806171945269-1874689757.png]: /images/20230810/87ca1e45fc78496ca032c27169993da6.png
[1450319-20190806172008135-2044259205.png]: https://img2018.cnblogs.com/blog/1450319/201908/1450319-20190806172008135-2044259205.png
[1450319-20190806190459309-14912632.png]: /images/20230810/6d472909c0514638bdccd8a0f7533b0c.png
[1450319-20190806191551989-444022965.png]: /images/20230810/b0a5da2674e9407dacb384d68002f434.png
[1450319-20190806191640576-1561855691.png]: /images/20230810/ed1129f91f324f22b22bc9a4b0c6b059.png
[1450319-20190806192647970-1500930801.png]: /images/20230810/b92a2c8b4dba4a318b64441dc12aa5e4.png
[1450319-20190806193150788-743314876.png]: /images/20230810/24f563ffd19e4fcc9b20d167e84169dc.png
[1450319-20190815111032063-395706140.png]: /images/20230810/a358ce17ca7b42128f762cc376c49b00.png
[1450319-20190815111057418-1162008011.png]: /images/20230810/9d6c63adca264a589b7802e77786a156.png
[1450319-20190815111721004-537444088.png]: /images/20230810/ceada738ac734e2292762d58ea8a1db2.png
[1450319-20190815111530756-1332975622.png]: /images/20230810/3ed1d942fa344eafaeb6babf2d683497.png
[1450319-20190815112136847-1763956445.png]: /images/20230810/f3f0a478477f48d590cf6fc5b55164ff.png
[1450319-20190815112300486-235395154.png]: /images/20230810/c77c47d2ecdd4f68bd80707b74092bc2.png
[1450319-20190815112641308-786585025.png]: /images/20230810/c4552e415f7c48f080771f4c1c3ec24e.png
[1450319-20190815112913240-1847657557.png]: /images/20230810/42dcb49f96494d15b9865b0f768f9410.png
[1450319-20190815113235738-1578363475.png]: /images/20230810/146e0452e2a24e098a456824da07a206.png
[1450319-20190815152236613-2146363299.png]: /images/20230810/5079e4835b1d4104a32962156f7c8923.png
[1450319-20190815152321399-111601348.png]: /images/20230810/d76b071bc89a44b7b2f46980472b4ed3.png
[1450319-20190815152437190-276003492.png]: /images/20230810/a0bc96728b3e4e5f8191a3bd8db94ace.png
[1450319-20190815152513019-292513900.png]: /images/20230810/6a163e1283ab4fc483e733ae5b93c8f4.png
[1450319-20190815153640961-1470612715.png]: /images/20230810/9c1f00f385e844a4951071b125bc44aa.png
[1450319-20190815153300075-98214775.png]: /images/20230810/82b9d97a5aa04f6582ce4586d0883859.png
[1450319-20190815153518162-1153046914.png]: /images/20230810/1837c0d4879a47f487881033fccb0694.png
[1450319-20190815153744152-1622170849.png]: /images/20230810/14d634f9eda44283aa1447995e4340cb.png
[1450319-20190816100259050-2035426197.png]: /images/20230810/7b5d10568ba4459b8eb51da046e20bf4.png
[1450319-20190816100726888-939747775.png]: /images/20230810/2d2eecb0c8b44e3aa3cfa0ec512ab4c0.png
[1450319-20190816100752739-446433318.png]: /images/20230810/a693e8c0b14f4cf1b24896cb71651433.png
[1450319-20190816102229814-1841106859.png]: /images/20230810/7ccbd345e1ca4b97bb8a13a9d7acf531.png
[1450319-20190816102402333-361908033.png]: /images/20230810/617edc5da3c1480a9c91bb37b9025d08.png
[1450319-20190816102728332-1444100737.png]: /images/20230810/4cff0363ebc74b108cf086a73544ab39.png
[1450319-20190816102841135-1594322980.png]: /images/20230810/9d5618a254954ee391e74da9c82a4136.png
[1450319-20190816103352629-463100370.png]: /images/20230810/6b62d9482f8a4b11a572597ace46af49.png
[1450319-20190815154151111-1578884096.png]: /images/20230810/7ea93b7b56e8436083b938d7d585f361.png
[1450319-20190815154244355-1637888970.png]: /images/20230810/3fdb29d1fb724b098a69abf2c06b854c.png
[1450319-20190815154609299-1106366628.png]: /images/20230810/6216695a243b40c9ad71dbee6df36b3d.png
[1450319-20190815154726854-1409675105.png]: /images/20230810/915e9c31f77949128e733e19a4c129be.png
[1450319-20190815155318627-1745879856.png]: /images/20230810/d41b18358bf74cc4816421c0b2cbdea8.png
[1450319-20190815163157351-562734806.png]: /images/20230810/8286b4b84b2e4529b3d7fb8cd6479dc7.png
[1450319-20190815163529762-1123746935.png]: /images/20230810/f1928adf2be840da89bdeb4059b7a1bf.png
[1450319-20190815164005628-338186539.png]: /images/20230810/3a91f8ec130e4b24818d4c9fe54f4e61.png
[Link 1]: https://www.jianshu.com/p/621ae5c888bc
[1450319-20190815163737329-96012535.png]: /images/20230810/50ebdffbc6304735a4d2b3f87de0df99.png
[1450319-20190823112808406-926526424.png]: /images/20230810/21f9fd0e4b034d1c999462d43069c9bf.png
[1450319-20190823112830074-1942965158.png]: /images/20230810/a45b2724f95b4337abb0218c394e569d.png
[1450319-20190823113103358-273749042.png]: /images/20230810/067bfd23516547cfa499aa08d9ac8428.png
[1450319-20190823113124259-899880822.png]: /images/20230810/c4e8e0228113446fa21406d29b494ac5.png
[1450319-20190823113205146-492080811.png]: /images/20230810/84495b92905d49a6bc6c38798da15040.png
[1450319-20190823113314386-2041183589.png]: /images/20230810/9128d9dd72b949b9ac3862b54f7f45a5.png
[1450319-20190823113330480-1084960922.png]: /images/20230810/1d3c2263835f438db0b78874c6e29be9.png
[1450319-20190823114515803-164507245.png]: /images/20230810/55f05cc6cac849d29287ee94fe149be8.png
[1450319-20190823114734143-409183917.png]: /images/20230810/cda4216e6bb84124b40a950bcd32fd91.png
[1450319-20190823114803862-12503127.png]: /images/20230810/2f5688fb67404af5b354743004382d38.png
[1450319-20190823114857066-881287508.png]: /images/20230810/a417411b96754a12aa9aeb3ac7b71be3.png
[1450319-20190823115018455-1639733683.png]: /images/20230810/2ce65b9865f54cfd897be64b1d18e5e3.png
[1450319-20190823115043526-917726150.png]: /images/20230810/78919ccb61f340b6ae8a45209fd879e6.png
[1450319-20190823115356905-1306569868.png]: /images/20230810/8e917a503a2149f79b38b7a8bcf6fbce.png
[1450319-20190823115421842-553939554.png]: /images/20230810/b4af473b16034f3f8534dff213d0c104.png
[1450319-20190823120059979-744008919.png]: /images/20230810/2e20fbd460f14659a52ffc0511cacbe1.png
[1450319-20190823124017330-1262477637.png]: /images/20230810/6977600c3f6f4d56910656ae46cd2466.png
[1450319-20190823124045321-13991387.png]: /images/20230810/bb9af0b73dfd4374b61f28ab5e7c7b51.png
[1450319-20190823151253359-1124823613.png]: /images/20230810/811a4c4c06444b2bb00113936fa6c374.png
[1450319-20190823151338281-119344126.png]: /images/20230810/b10c5c88d5434f048928c085192cb656.png
[1450319-20190823151357947-979059297.png]: /images/20230810/b8fc4e96a4c34bf98d1c2c867db7459b.png
[1450319-20190823151627392-1373535322.png]: /images/20230810/0f234292c73a4b31ad00d68e1cf3a7a5.png
[1450319-20190823151949285-1283333090.png]: /images/20230810/9afda7a977374e2e815aff87275aa533.png
[1450319-20190823152123903-275392817.png]: /images/20230810/5e3fc13c8ed249c2b7921c65cc1315e0.png
[1450319-20190823153432585-949181615.png]: /images/20230810/3604e49b245649c28a4eca2c68ccc2df.png
[1450319-20190821150813076-1130066034.png]: /images/20230810/c51aa2d9c19b42d6934471faf0e6bcfa.png
[1450319-20190823154424531-654511702.png]: /images/20230810/d6ebcda2a4fe408883fbecba9af168e8.png
[1450319-20190823154617738-1261358469.png]: /images/20230810/975a903ba08a46d88f26705d8c77d630.png
[1450319-20190823155058114-89110388.png]: /images/20230810/5e842270b1f44759a8d3cac38413f695.png
[1450319-20190823161112147-657637121.png]: /images/20230810/2b0070b79cc643cc9ccd97f8b1bf7844.png
[1450319-20190823161408782-1044029833.png]: /images/20230810/914883ac817b4686900ecd6356911629.png
[1450319-20190823161614786-1864962789.png]: /images/20230810/f773586ec1f74e2da5d6a40d16f7fda4.png
[1450319-20190823161718991-1897635407.png]: /images/20230810/721da4532314485090d2fdaa176ed821.png