之前粗略的学习过Matplotlib绘图、Pandas绘图(这里是pandas的常见绘图总结),可是都未深刻的去学习过,一遇到问题就翻文档,效率低下。听“他们”说matplotlib中的seaborn绘图很好看并且实用,因此,这里系统的总结一下seaborn常见的图形绘制。其目的也是很简单,方便本身和给你们提供一些帮助(因为英文很菜,每次都查单词,有些词汇就翻译的很生硬,还请谅解……)。python
差点忘了,这里使用的数据仍是seaborn的默认数据,不少人再看seaborn的时候对数据一头雾水,这里我将存放数据的GitHub放在这儿,理解数据的含义,对分析问题每每起着事半功倍的效果。git
https://github.com/mwaskom/seaborn-datagithub
根据Seaborn的API,具体以下:
web
Seaborn中介绍的第一种类型的图就是Relational plots(关系图),这里翻译一下官网对他的解释:“统计分析是理解数据集中变量如何相互关联以及这些关系如何依赖于其余变量的过程。可视化多是这个过程的核心部分,由于当数据被正确地可视化时,人类视觉系统能够看到指示某种关系的趋势和模式。”
Relational plots(关系图)中主要讨论的是三个seaborn函数。咱们最经常使用的是relplot()。这是一个图形级函数使用两种经常使用方法可视化统计关系:散点图(scatter plots)和线图(line plots)。bootstrap
1. scatterplot() (与kind="scatter";默认值) 2. lineplot() (与kind="line")
仍是第一步,导入咱们须要的各类模块:api
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns sns.set(style="darkgrid") #这是seaborn默认的风格
散点图是统计可视化的重要组成部分。它使用点云来描述两个变量的联合分布,其中每一个点表明数据集中的一个观察。这种描绘能够推断出大量关于它们之间是否有任何有意义的关系的信息。
在seaborn中有几种(后面介绍)绘制散点图的方法,当两个变量都是数字时,应该使用的最基本的是scatterplot()功能。在Categorical plots(分类图)中,咱们将看到使用散点图可视化分类数据的专门工具。数组
#scatterplot参数 seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
在全部的seaborn绘图时,里面的参数是众多的,可是不用担忧,大部分参数是相同的,只有少部分存在差别,有些经过对单词的理解就可知道其含义,这里我只根据每一个具体的图形重要的参数作一些解释,并简单的介绍这些经常使用参数的含义。dom
先来个简单的散点图,绘制看看效果ide
#数据来源可在seaborn的GitHub上查找 tips = sns.load_dataset("tips") ax = sns.scatterplot(x="total_bill", y="tip", data=tips)
接下来,复杂一点,按另外一个变量分组(hue参数起了做用),不一样类型的方式(style),点的大小(size),并显示具备不一样颜色的组:svg
ax = sns.scatterplot(x="total_bill", y="tip",hue="day", style="time",size='size',data=tips)
是否是复杂的多,固然还有不少参数能够改,这里就不一一介绍了,接下来看lineplot。
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, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
能够看出,参数并无较散点图有较大的改变,因此话很少说,直接上图:
仍是下来个简单的:
fmri = sns.load_dataset("fmri") ax = sns.lineplot(x="timepoint", y="signal", data=fmri) #阴影是默认的置信区间,可设置ci=0,将其去除
接下来,来个复杂一点儿的:
#使用标记而不是破折号来识别组 ax = sns.lineplot(x="timepoint", y="signal",hue="event", style="event", markers=True, dashes=False, data=fmri)
seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)
relplot(关系图)能够看作是lineplot和scatterplot的归约,能够经过kind参数来指定画什么图形,重要参数解释以下:
tips = sns.load_dataset("tips") g = sns.relplot(x="total_bill", y="tip", data=tips) #二者效果如出一辙 ax = sns.scatterplot(x="total_bill", y="tip", data=tips)
其余参数设置:
g = sns.relplot(x="total_bill", y="tip", hue="time", size="size", palette=["b", "r"], sizes=(10, 100),col="time",row='sex', data=tips)
关于kind=‘line’,这里就不画了,重点是理解参数的意义。
Categorical plots(分类图)能够具体分为下面三种类型,8个小图:
stripplot(分布散点图)的意思就是按照不一样类别对样本数据进行分布散点图绘制。stripplot(分布散点图)通常并不单独绘制,它经常与boxplot和violinplot联合起来绘制,做为这两种图的补充。
seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=True, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
基本的图
tips = sns.load_dataset("tips") ax = sns.stripplot(x="day", y="total_bill", data=tips)
多增长几个参数的修改:
ax = sns.stripplot(x="day", y="total_bill", hue="smoker",data=tips, jitter=True,palette="Set2", dodge=True)
这个函数相似于stripplot(),可是对点进行了调整(只沿着分类轴),这样它们就不会重叠。这更好地表示了值的分布,但它不能很好地扩展到大量的观测。
seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
能够看出,swarmplot和stripplot参数上基本一致,少了jitter,由于它显示的是分布密度,不须要添加抖动项。
ax = sns.swarmplot(x="day", y="total_bill", data=tips)
多增长几个参数的修改:
ax = sns.swarmplot(x="day", y="total_bill", hue="smoker",data=tips,palette="Set2", dodge=True)
boxplot(箱线图,又称为盒须图、盒式图)便于在变量之间或跨类别变量级别比较的方式,显示定量数据的分布状况。框显示数据集的四分位数,线显示分布的其他部分,它能显示出一组数据的最大值、最小值、中位数及上下四分位数,使用四分位数范围函数的方法能够肯定“离群值”的点。具体用法以下:
seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)
ax = sns.boxplot(x="day", y="total_bill", data=tips)
#这些参数不必定要加,简单最好,这里只是为了展现参数的含义 ax = sns.boxplot(x="day", y="total_bill", hue="time",data=tips, linewidth=0.5,saturation=1,width=1,fliersize=3)
violinplot与boxplot扮演相似的角色,箱线图展现了分位数的位置,它显示了定量数据在一个(或多个)分类变量的多个层次上的分布,这些分布能够进行比较。不像箱形图中全部绘图组件都对应于实际数据点,小提琴绘图以基础分布的核密度估计为特征,经过小提琴图能够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。
这是一种能够同时显示多个数据分布的有效和有吸引力的方法,但请记住,估计过程受样本大小的影响,相对较小的样本的小提琴手看起来可能会显得很是平滑。具体用法以下:
seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None, linewidth=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)
ax = sns.violinplot(x="day", y="total_bill", data=tips)
设置按性别分类,调色为“Set2”,分割,以计数的方式,不表示内部。
ax = sns.violinplot(x="day", y="total_bill", hue="sex",data=tips, palette="Set2", split=True,scale="count", inner=None)
ax = sns.violinplot(x="tip", y="day", data=tips, inner=None,whis=np.inf) ax = sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")
ax = sns.violinplot(x="tip", y="day", data=tips,inner=None, whis=np.inf) ax = sns.swarmplot(x="tip", y="day", data=tips, color="c")
ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf) ax = sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")
ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf) ax = sns.swarmplot(x="tip", y="day", data=tips, color="c")
条形图表示数值变量与每一个矩形高度的中心趋势的估计值,用矩形条表示点估计和置信区间,并使用偏差线提供关于该估计值附近的不肯定性的一些指示。具体用法以下:
seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs)
根据性别分组:
ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips)
设置estimator为中位数(numpy的统计函数均可以,只要你以为有意义),设置偏差棒的宽度,偏差棒的颜色为“c”。
ax = sns.barplot(x="day", y="total_bill",hue='sex', data=tips, estimator=np.median,capsize=0.2,errcolor='c')
一个计数图能够被认为是一个分类直方图,而不是定量的变量。基本的api和选项与barplot()相同,所以您能够比较嵌套变量中的计数。(工做原理就是对输入的数据分类,条形图显示各个分类的数量)。具体参数以下:
seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)
这里参数并无太多改变,orient就是改变方向。可是,值得注意的是缺乏了一些参数,并且countplot中不能同时输入x和y,却可使用hue(这我就很纳闷了???还望大佬解释解释)。
titanic = sns.load_dataset("titanic") ax = sns.countplot(x="class", hue="who", data=titanic)
用散点图符号表示点估计和置信区间,点图表明散点图位置的数值变量的中心趋势估计,并使用偏差线提供关于该估计的不肯定性的一些指示。点图可能比条形图(barplot)更有用于聚焦一个或多个分类变量的不一样级别之间的比较。他们尤为善于表现交互做用:一个分类变量的层次之间的关系如何在第二个分类变量的层次之间变化。链接来自相同色调等级的每一个点的线容许交互做用经过斜率的差别进行判断,这比对几组点或条的高度比较容易。具体用法以下:
seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, markers='o', linestyles='-', dodge=False, join=True, scale=1, orient=None, color=None, palette=None, errwidth=None, capsize=None, ax=None, **kwargs)
tips = sns.load_dataset("tips") ax = sns.pointplot(x="time", y="total_bill", data=tips)
尝试更多参数,按性别分组,用中位数进行比较,分开显示,使用调色板,修改标记类型和线条类型(不少参数都不是必要的,这里只是尽可能充分介绍其用法)。
ax = sns.pointplot(x="time", y="total_bill", hue="smoker",data=tips,estimator=np.median, dodge=True, palette="Set2",markers=["o", "x"],linestyles=["-", "--"])
该函数提供了对几个轴级函数的访问,这些函数使用几种可视化表示形式之一显示一个数字变量和一个或多个分类变量之间的关系。其实说白了就是利用kind参数来画前面Categorical plots(分类图)中的任意8个图形。具体以下:
seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='strip', height=5, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)
有没有发现,它和regplot(关系图)的使用方法差很少?
注:单个图形里面的参数也是能够传入里面的
绘制一个小提琴图,按数据中的kind类别分组(数据中的),不要中心框线。
exercise = sns.load_dataset("exercise") g = sns.catplot(x="time", y="pulse", hue="kind",data=exercise, kind="violin",inner=None)
使用diet来分红几个图形,并用height、aspect来设置图片比例:
g = sns.catplot(x="time", y="pulse", hue="kind",kind='bar',col="diet", data=exercise,height=4, aspect=0.8)
直方图又称质量分布图,它是表示资料变化状况的一种主要工具。用直方图能够解析出资料的规则性,比较直观地看出产品质量特性的分布状态,对于资料分布情况一目了然,便于判断其整体质量分布状况。直方图表示经过沿数据范围造成分箱(好像是等距分箱?),而后绘制条以显示落入每一个分箱的观测次数的数据分布。具体参数以下:
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
设置随机种子(666),随机生成1000个符合正态分布的数:
np.random.seed(666) x = np.random.randn(1000) ax = sns.distplot(x)
修改更多参数,设置方块的数量,方块、密度曲线和边际毛毯都显示,颜色为‘k’,axlabel=‘norm’。
np.random.seed(666) x = np.random.randn(1000) ax = sns.distplot(x, bins=100,hist=True, kde=True, rug=True,color='k',axlabel='norm')
核密度估计(kernel density estimation)是在几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。经过核密度估计图能够比较直观的看出数据样本自己的分布特征。具体用法以下:
seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau', bw='scott', gridsize=100, cut=3, clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)
有木有以为参数超多,因此说核密度图仍是比较难的(虽然容易画,但原理很复杂)。下面看几个简单的例子:简单生成一个多元正态分布(对numpy随机分布不了解的朋友,能够看我总结的numpy函数)。
mean, cov = [0, 2], [(1, .5), (.5, 1)] #这是一个多元正态分布 x, y = np.random.multivariate_normal(mean, cov, size=50).T ax = sns.kdeplot(x)
接下来绘制双变量核密度图①:
ax=sns.kdeplot(x,y,shade=True,shade_lowest=False,cbar=True,color='r')
接下来绘制双变量核密度图②:二色二元密度图,使用大名鼎鼎的鸢尾花数据集
iris = sns.load_dataset("iris") setosa = iris.loc[iris.species == "setosa"] virginica = iris.loc[iris.species == "virginica"] 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)
联合几率分布简称联合分布,是两个及以上随机变量组成的随机向量的几率分布。根据随机变量的不一样,联合几率分布的表示形式也不一样。对于离散型随机变量,联合几率分布能够以列表的形式表示,也能够以函数的形式表示;对于连续型随机变量,联合几率分布经过一非负函数的积分表示。具体参数以下:
seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None, marginal_kws=None, annot_kws=None, **kwargs)
用边缘直方图绘制散点图:
tips = sns.load_dataset("tips") g = sns.jointplot(x="total_bill", y="tip", data=tips,height=5)
#用密度估计替换散点图和直方图,调节间隔和比例:
iris = sns.load_dataset("iris") g = sns.jointplot("sepal_width", "petal_length", data=iris,kind="kde", space=0,ratio=6 ,color="r")
在数据集中绘制成对关系的图。默认状况下,该函数将建立一个轴网格,这样数据中的每一个变量都将经过跨一行的y轴和跨单个列的x轴共享。对对角线轴的处理方式不一样,绘制的图显示该列中变量的数据的单变量分布。此外,还能够在行和列上显示变量子集或绘制不一样的变量。具体以下:
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)
采用默认格式绘制鸢尾花数据集,这样对于分类问题来讲并不能有效的观察数据状况。
iris = sns.load_dataset("iris") g = sns.pairplot(iris)
使用hue="species"对不一样种类区分颜色绘制,并使用不一样标记:
g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"])
许多数据集都有着众多连续变量。数据分析的目的常常就是衡量变量之间的关系,lmplot() 是一个很是有用的方法,它会在绘制二维散点图时,自动完成回归拟合。具体参数以下:
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)
将变量分为多行,并改变大小:
g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",data=tips, col_wrap=2, height=4)
regplot()和lmplot()均可以绘制线性回归曲线。这两个函数很是类似,甚至共有一些核心功能。具体参数以下:
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)
至于二者有什么具体的区别,我也不清楚,可是感受lmplot()要比regplot()强大一点……之后再总结吧,仍是继续绘图。
g = sns.regplot(x="total_bill", y="tip",data=tips)
尝试逻辑回归分类:
tips["big_tip"] = (tips.tip / tips.total_bill) > .175 ax = sns.regplot(x="total_bill", y="big_tip", data=tips,logistic=True, n_boot=500, y_jitter=.03)
利用热力图能够看数据表里多个特征两两的类似度,相似于色彩矩阵。具体参数以下:
seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)
绘制一个简单的numpy数组的热力图:
x = np.random.rand(10, 12) ax = sns.heatmap(x)
显示数字和保留几位小数,并修改数字大小字体颜色格式:
x= np.random.rand(10, 10) ax = sns.heatmap(x,annot=True,annot_kws={'size':9,'weight':'bold', 'color':'w'},fmt='.2f')
clustermap() 能够将矩阵数据集绘制为层次聚类热图。具体参数以下:
seaborn.clustermap(data, pivot_kws=None, method='average', metric='euclidean', z_score=None, standard_scale=None, figsize=None, cbar_kws=None, row_cluster=True, col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, mask=None, **kwargs)
说实在的这个我也不太懂,就抛砖引玉的画一下图。
iris = sns.load_dataset("iris") species = iris.pop("species") g = sns.clustermap(iris)
在探索中多维数据时,一种有用的方法是在数据集的不一样子集上绘制同一类型图的多个子图。该类将数据集映射到与数据集中变量级别相对应的行和列网格中排列的多个轴上。它生成的图形一般被称为“格子”或“格子”绘图,它可使查看者快速观察到有关复杂数据的大量信息。
FacetGrid当您想要在数据集的子集中分别可视化变量的分布或多个变量之间的关系时,该类很是有用。一个FacetGrid能够与多达三个维度能够得出:row,col,和hue。前两个与获得的轴阵列有明显的对应关系; 将hue变量视为沿深度轴的第三个维度,其中不一样的级别用不一样的颜色绘制。经过使用FacetGrid数据框初始化对象以及将造成网格的行,列或hue维度的变量名称来使用该类。这些变量(hue)应该是分类的或离散的,而后变量的每一个级别的数据将用于沿该轴的小平面。此外,每一个的relplot(),catplot()以及lmplot()在内部使用这些对象。
在大多数状况下,与直接使用FacetGrid相比,使用图形级函数(例如relplot()或catart()要好得多。具体参数以下:
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)
其实细心的您可能已经发现某些具备相同的规律,不妨看看前面relplot()、catplot()、lmplot()的参数,是否是基本上差很少呢?没错,其实上面三个绘图函数,都用到了FacetGrid()的思想。此外,pairplot()走某种意义上来讲,也与他们很像。
FacetGrid并不能直接绘制咱们想要的图像,它的基本工做流程是FacetGrid使用数据集和用于构造网格的变量初始化对象。而后,能够经过调用FacetGrid.map()或将一个或多个绘图函数应用于每一个子集 FacetGrid.map_dataframe(),最后,可使用其余修改参数的方法调整绘图。
下面展现具体实例:使用TIPS数据集初始化2x2个面网格:
tips = sns.load_dataset("tips") g = sns.FacetGrid(tips, col="time", row="smoker")#2*2
而后,在每一个方面上绘制一个二元函数:
tips = sns.load_dataset("tips") g = sns.FacetGrid(tips, col="time", row="smoker") g = g.map(plt.scatter, "total_bill", "tip", color="c")
这里我其实有个疑问,为何g.map()里面用的是plt.scatter等matplotlib.pyplot来绘制图形,我尝试了用seaborn里面的sns.scatterplot等也能够绘制相应的图形,区别在于点的大小形状不同,还望各位看官指点一下其中的差异。
接下来比较一下FacetGrid.map()绘图与relplot()、catplot()、lmplot()绘图的区别(这里只比较relplot()来绘制散点图):
sns.relplot(x="total_bill", y="tip", color="c",col="time", hue="smoker",data=tips)
看出来了吗?结果是否是很清晰,一目了然?因此说:在大多数状况下,与直接使用FacetGrid相比,使用图形级函数(例如relplot()或catart()要好得多。
用于绘制数据集中成对关系的子图网格。该类将数据集中的每一个变量映射到多轴网格中的列和行。不一样的轴级绘图函数可用于绘制上、下三角形的二元图解,并可在对角线上显示每一个变量的边缘分布。读到这里你就会发现,它和pairplot()有什么区别呢?
其实PairGrid和pairplot从原理来讲是同样的,可是前面咱们能够发现pairplot绘制的图像上、下三角形是关于主对角线对称的,而PairGrid则可修改上、下三角形和主对角线的图像形状。具体事例以下:
iris = sns.load_dataset("iris") g = sns.PairGrid(iris,hue="species") g = g.map_upper(sns.scatterplot)#在上对角线子图上用二元函数绘制的图 g = g.map_lower(sns.kdeplot,color='r')#在下对角线子图上用二元函数绘制的图 g = g.map_diag(sns.kdeplot)#对角线单变量子图
seaborn中主要有如下几个主题:
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
seaborn中主要有如下几个调色板颜色(后面再说,学习中……)