【数据分析与可视化】Seaborn中常用绘图模型讲解及实战（图文解释附源码）

今天药忘吃喽~ 2023-09-30 18:48 1阅读 0赞

> **需要源码和数据集请点赞关注收藏后评论区留言私信~~~**

## 1. 直方图和密度曲线图 ##

Seaborn中利用distplot( )和 kdeplot( )绘制直方图和密度曲线图，distplot( )为hist加强版，默认情况下绘制一个直方图，并嵌套一个对应的密度图

例：绘制iris数据集中Petal.Width的分布图

![f0a2189a61084789bbf654ef786f14b6.png][]

import matplotlib.pyplot as plt
    import pandas as pd
    df_iris = pd.read_csv('data//iris.csv')
    # df_iris.head()
    sns.set(color_codes = True)
    sns.distplot(df_iris['Petal.Width'])

使用distplot方法绘制的直方图与matplotlib是类似的。在distplot的参数中，可以选择不绘制密度图。其中的rug参数绘制毛毯图，可以为每个观测值绘制小细线（边际毛毯），也可以单独用rugplot进行绘制

distplot方法绘制的直方图

![1045f7c4b13c4250a2984ed27c4addef.png][]

sns.distplot(df_iris['Petal.Width'],bins = 30,kde = False,rug = True)

直接绘制密度图

如果设置hist为False，则可以直接绘制密度图而没有直方图

![b3abe0645a334742b7eecaab63a2e63d.png][]

sns.distplot(df_iris['Petal.Width'],hist = False,rug = True)

利用distplot函数可以同时绘制直方图、密度图和毛毯图，同时，这些分布图都有对应的专门函数。其中，kdeplot函数绘制密度图，rugplot用于绘制毛毯图

![50c30bfd22384af2a43022309dbf920a.png][]

import matplotlib.pyplot as plt
    df_iris=pd.read_csv('D:\dataset\iris.csv')
    fig,axes=plt.subplots(1,2)
    sns.distplot(df_iris['Petal.Length'],ax=axes[0],kde=True,rug=True)
     #kde密度曲线，rug边际毛毯
    sns.kdeplot(df_iris['Petal.Length'],ax=axes[1],shade=True)  #shade阴影
    plt.show()

distplot绘图

![de78798b54bc41d3a6ca0cb29a0e4b41.png][]

import matplotlib.pyplot as plt
    import seaborn as sns
    import numpy as np
    sns.set(palette = "muted",color_codes = True)
    rs = np.random.RandomState(10)
    d = rs.normal(size = 100)
    f,axes = plt.subplots(2, 2, figsize = (7, 7), sharex = True)
    sns.distplot(d, kde = False, color = "b", ax = axes[0,0])
    sns.distplot(d, hist = False, rug = True, color = "r", ax = axes[0,1])
    sns.distplot(d, hist = False,color = "g", kde_kws = {"shade":True}, ax = axes[1,0])
    sns.distplot(d, color = "m", ax = axes[1,1])
    plt.show()

## 2. 散点图 ##

在Seaborn中，利用stripplot绘制各变量在每个类别的值。 例：在iris数据集中，显示Petal.Width在Species上值的分布

![79f6963810d9424d8a778b3ad9e8dd2b.png][]

sns.set(style='white',color_codes=True) #设置样式 
    sns.stripplot(x=df_iris['Species'],y= df_iris['Petal.Width'],data=df_iris)
    sns.despine()   #去坐标轴

由于散点图中数据众多，很多点会被覆盖，这时可以加入抖动（jitter=True）

如果需要看清每个数据点，可以使用swarmplot函数

![043e2216db0b420e8fb7c25af80c258d.png][]

sns.swarmplot(x=df_iris['Species'],y= df_iris['Petal.Width'],data=df_iris)
    sns.despine()   #去坐标轴

## 3. 箱线图 ##

有时候，散点图表达的值的分布信息有限，因此需要一些其它的绘图。箱线图可以观察四分位数、中位数和极值。Seaborn中利用boxplot( )绘制箱线图

![1db33f50c58545df960b2bd33bdbdb02.png][]

df_iris=pd.read_csv('D:\dataset\iris.csv')
    sns.boxplot(x=df_iris['Species'],y = df_iris['Petal.Width'])  
    plt.show()

## 4. 散点图矩阵 ##

在seaborn中利用 pairplot（）实现数据特征的两两对比。默认是所有特征，可以通过vars参数指定部分特征

> seaborn.pairplot(data, hue=None, hue\_order=None, palette=None, vars=None, x\_vars=None, y\_vars=None, kind='scatter', diag\_kind='auto', markers=None, height=2.5, aspect=1, dropna=True, plot\_kws=None, diag\_kws=None, grid\_kws=None, size=None)

pairplot主要展现的是变量两两之间的关系（线性或非线性，有无较为明显的相关关系）

![ff9b23053f3d476981a724b4bcd30bb7.png][]

df_iris = pd.read_csv('data//iris.csv')
    sns.set(style = "ticks")  
    g = sns.pairplot(df_iris,vars = ['Sepal.Length', 'Petal.Length'])

## 5. 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）

![9c156b76948d4d4295b1e98ca6b00a14.png][]

sns.set_style("whitegrid")
    df_iris=pd.read_csv('D:\dataset\iris.csv')
    ax = sns.violinplot(x=df_iris['Petal.Length'])

## 6. 柱状图 ##

在Seaborn中使用barplot函数绘制柱状图，默认情况下，绘制的y轴是平均值

![d0c9c9c021484fef81a3784482c03e08.png][]

df_iris=pd.read_csv('D:\dataset\iris.csv')
    sns.barplot(x=df_iris['Species'],y=df_iris['Petal.Length'],data=df_iris)

在柱状图中，经常会绘制类别的计数柱状图，在matplotlib中需要对DataFrame进行计算，而在Seaborn中则使用countplot函数即可

![f6c33d8e88ab4a8db495cc777ede749e.png][]

import seaborn as sns
    import matplotlib.pyplot as plt
    sns.set(style="darkgrid",font_scale=1.2)
    titanic = sns.load_dataset("titanic")
    plt.subplot(1,2,1)
    sns.countplot(x="class", hue="who", data=titanic)
    plt.subplot(1,2,2)
    sns.countplot(x="who", data=titanic,
                  facecolor=(0, 0, 0, 0),
                  linewidth=5,
                  edgecolor=sns.color_palette("dark", 3))
    plt.show()

## 7. 多变量图 ##

在matplotlib中，为了绘制两个变量的分布关系，常使用散点图的方法。在Seaborn中，使用jointplot函数绘制一个多面板图，不仅可以显示两个变量的关系，还可以显示每个单变量的分布情况

![3e455543e37a45d887602d7c0ac3adbb.png][]

sns.jointplot(x='Petal.Length',y='Petal.Width' ,data=df_iris)

在jointplot函数中，改变kind参数为kde，但变量的分布就用密度图来代替，而散点图则会被等高线图代替

![792be5465cb241d0899a1c2864300aad.png][]

sns.jointplot(x='Petal.Length',y='Petal.Width' ,data=df_iris,kind='kde')

## 8. 回归图 ##

绘制回归图可以揭示两个变量间的线性关系。Seaborn中，使用regplot函数绘制回归图

![62338cdcb1504a6fb2b860214ba9eaf4.png][]

sns.regplot(x='Petal.Length',y='Petal.Width' ,data=df_iris)

## 9. 关系类图 ##

Seaborn中的relplot方法关注的是统计量之间的关系，利用kind参数设置，可以绘制出曲线图和散点图。Relplot方法的必选参数有以下几个： x,y为数据中变量的名称，一般为数值型数据

data是DataFrame类型的数据表；kind指定绘图类型，取值为“scatter”相当于scatterplot()，用来绘制散点图，取值“line”相当于lineplot()，用来绘制曲线。Kind缺省取值为"scatter"

绘制tips数据集中小费总额和小费的关系图

![8e1f0f70780c4717a4f5a8b529977ea8.png][]

import seaborn as sns
    tips = sns.load_dataset('tips') 
    sns.set(style="ticks",font_scale=1.5)
    
    sns.relplot(x="total_bill", y="tip", data=tips) 
    # g = sns.relplot(x="total_bill", y="tip", hue="day", data=tips)
    g = sns.relplot(x="total_bill", y="tip",hue="day", col="time", data=tips)

## 10. 热力图 ##

热力图是数据可视化项目中比较常用的数据显示方式。热力图通过颜色变化程度直观反应出热点分布，区域聚集等数据信息。热力图实现过程就是通过简单的数学变化，将离散的点信息映射为图像

下面绘制flights数据集中年份 月份和乘客数据的热力图

![6a72cc6e96214b8fa7e8f5038849c9c9.png][]

![8a6f3d6873ee4473b24e03d872018650.png][]

**创作不易 觉得有帮助请点赞关注收藏~~~**

[f0a2189a61084789bbf654ef786f14b6.png]: https://img-blog.csdnimg.cn/f0a2189a61084789bbf654ef786f14b6.png
[1045f7c4b13c4250a2984ed27c4addef.png]: https://img-blog.csdnimg.cn/1045f7c4b13c4250a2984ed27c4addef.png
[b3abe0645a334742b7eecaab63a2e63d.png]: https://img-blog.csdnimg.cn/b3abe0645a334742b7eecaab63a2e63d.png
[50c30bfd22384af2a43022309dbf920a.png]: https://img-blog.csdnimg.cn/50c30bfd22384af2a43022309dbf920a.png
[de78798b54bc41d3a6ca0cb29a0e4b41.png]: https://img-blog.csdnimg.cn/de78798b54bc41d3a6ca0cb29a0e4b41.png
[79f6963810d9424d8a778b3ad9e8dd2b.png]: https://img-blog.csdnimg.cn/79f6963810d9424d8a778b3ad9e8dd2b.png
[043e2216db0b420e8fb7c25af80c258d.png]: https://img-blog.csdnimg.cn/043e2216db0b420e8fb7c25af80c258d.png
[1db33f50c58545df960b2bd33bdbdb02.png]: https://img-blog.csdnimg.cn/1db33f50c58545df960b2bd33bdbdb02.png
[ff9b23053f3d476981a724b4bcd30bb7.png]: https://img-blog.csdnimg.cn/ff9b23053f3d476981a724b4bcd30bb7.png
[9c156b76948d4d4295b1e98ca6b00a14.png]: https://img-blog.csdnimg.cn/9c156b76948d4d4295b1e98ca6b00a14.png
[d0c9c9c021484fef81a3784482c03e08.png]: https://img-blog.csdnimg.cn/d0c9c9c021484fef81a3784482c03e08.png
[f6c33d8e88ab4a8db495cc777ede749e.png]: https://img-blog.csdnimg.cn/f6c33d8e88ab4a8db495cc777ede749e.png
[3e455543e37a45d887602d7c0ac3adbb.png]: https://img-blog.csdnimg.cn/3e455543e37a45d887602d7c0ac3adbb.png
[792be5465cb241d0899a1c2864300aad.png]: https://img-blog.csdnimg.cn/792be5465cb241d0899a1c2864300aad.png
[62338cdcb1504a6fb2b860214ba9eaf4.png]: https://img-blog.csdnimg.cn/62338cdcb1504a6fb2b860214ba9eaf4.png
[8e1f0f70780c4717a4f5a8b529977ea8.png]: https://img-blog.csdnimg.cn/8e1f0f70780c4717a4f5a8b529977ea8.png
[6a72cc6e96214b8fa7e8f5038849c9c9.png]: https://img-blog.csdnimg.cn/6a72cc6e96214b8fa7e8f5038849c9c9.png
[8a6f3d6873ee4473b24e03d872018650.png]: https://img-blog.csdnimg.cn/8a6f3d6873ee4473b24e03d872018650.png