数据可视化Seaborn从零开始学习教程（一）风格选择

时间 2019-11-08 标签数据可视化 seaborn 开始学习教程风格选择

做者：xiaoyu
微信公众号：Python数据科学
知乎：python数据分析师python

最近在作几个项目的数据分析，每次用到 seaborn进行可视化绘图的时候老是忘记具体操做。虽然 seaborn的官方网站已经详细的介绍了使用方法，可是毕竟是英文，并且查找不是很方便。所以博主想从零开始将 seaborn学习一遍，作一个总结，也但愿供你们使用参考。

Seaborn简介

seaborn同matplotlib同样，也是Python进行数据可视化分析的重要第三方包。但seaborn是在 matplotlib的基础上进行了更高级的API封装，使得做图更加容易，图形更加漂亮。微信

博主并不认为seaborn能够替代matplotlib。虽然seaborn能够知足大部分状况下的数据分析需求，可是针对一些特殊状况，仍是须要用到matplotlib的。换句话说，matplotlib更加灵活，可定制化，而seaborn像是更高级的封装，使用方便快捷。dom

应该把seaborn视为matplotlib的补充，而不是替代物。post

Seaborn学习内容

seaborn的学习内容主要包含如下几个部分：学习

风格管理字体
- 绘图风格设置
- 颜色风格设置
绘图方法网站
- 数据集的分布可视化
- 分类数据可视化
- 线性关系可视化
结构网格人工智能
- 数据识别网格绘图

本次将主要介绍风格管理的使用。spa

风格管理 - 绘图风格设置

除了各类绘图方式外，图形的美观程度多是咱们最关心的了。将它放到第一部分，由于风格设置是一些通用性的操做，对于各类绘图方法都适用。3d

让咱们先看一个例子。

%matplotlib inline
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
np.random.seed(sum(map(ord, "aesthetics")))

咱们定义了一个简单的方程来绘制一些偏置的正弦波，用来帮助咱们查看不一样的图画风格是什么样子的。

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

matplotlib默认参数下绘制结果是这样的：

sinplot()

转换为seaborn默认绘图，能够简单的用set()方法。

sns.set()
sinplot()

Seaborn 将 matplotlib 的参数划分为两个独立的组合。第一组是设置绘图的外观风格的，第二组主要将绘图的各类元素按比例缩放的，以致能够嵌入到不一样的背景环境中。

操控这些参数的接口主要有两对方法：

控制风格：axes_style(), set_style()
缩放绘图：plotting_context(), set_context()

每对方法中的第一个方法（axes_style(), plotting_context()）会返回一组字典参数，而第二个方法（set_style(), set_context()）会设置matplotlib的默认参数。

Seaborn的五种绘图风格

有五种seaborn的风格，它们分别是：darkgrid, whitegrid, dark, white, ticks。它们各自适合不一样的应用和我的喜爱。默认的主题是darkgrid。

sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data);

sns.set_style("dark")
sinplot()

sns.set_style("white")
sinplot()

sns.set_style("ticks")
sinplot()

移除轴脊柱

white 和 ticks两个风格都可以移除顶部和右侧的没必要要的轴脊柱。经过matplotlib参数是作不到这一点的，可是你能够使用seaborn的despine()方法来移除它们：

sinplot()
sns.despine()

一些绘图也能够针对数据将轴脊柱进行偏置，固然也是经过调用despine()方法来完成。而当刻度没有彻底覆盖整个轴的范围时，trim参数能够用来限制已有脊柱的范围。

f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(offset=10, trim=True);

你也能够经过despine()控制哪一个脊柱将被移除。

sns.set_style("whitegrid")
sns.boxplot(data=data, palette="deep")
sns.despine(left=True)

临时设置绘图风格

虽然来回切换风格很容易，可是你也能够在一个with语句中使用axes_style()方法来临时的设置绘图参数。这也容许你用不一样风格的轴来绘图：

with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)

覆盖seaborn风格元素

若是你想定制化seaborn风格，你能够将一个字典参数传递给axes_style()和set_style()的参数rc。并且你只能经过这个方法来覆盖风格定义中的部分参数。

若是你想要看看这些参数都是些什么，能够调用这个方法，且无参数，这将会返回下面的设置：

sns.axes_style()
{'axes.axisbelow': True,
 'axes.edgecolor': '.8',
 'axes.facecolor': 'white',
 'axes.grid': True,
 'axes.labelcolor': '.15',
 'axes.linewidth': 1.0,
 'figure.facecolor': 'white',
 'font.family': [u'sans-serif'],
 'font.sans-serif': [u'Arial',
  u'DejaVu Sans',
  u'Liberation Sans',
  u'Bitstream Vera Sans',
  u'sans-serif'],
 'grid.color': '.8',
 'grid.linestyle': u'-',
 'image.cmap': u'rocket',
 'legend.frameon': False,
 'legend.numpoints': 1,
 'legend.scatterpoints': 1,
 'lines.solid_capstyle': u'round',
 'text.color': '.15',
 'xtick.color': '.15',
 'xtick.direction': u'out',
 'xtick.major.size': 0.0,
 'xtick.minor.size': 0.0,
 'ytick.color': '.15',
 'ytick.direction': u'out',
 'ytick.major.size': 0.0,
 'ytick.minor.size': 0.0}

而后，你能够设置这些参数的不一样版本了。

sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()

绘图元素比例

有一套的参数能够控制绘图元素的比例。
首先，让咱们经过set()重置默认的参数：

sns.set()

有四个预置的环境，按大小从小到大排列分别为：paper, notebook, talk, poster。其中，notebook是默认的。

sns.set_context("paper")
sinplot()

sns.set_context("talk")
sinplot()

sns.set_context("poster")
sinplot()

你能够经过使用这些名字中的一个调用set_context()来设置参数，而且你能够经过提供一个字典参数值来覆盖参数。当改变环境时，你也能够独立的去缩放字体元素的大小。

sns.set_context("notebook", font_scale=1.5, rc={"lines.linewidth": 2.5})
sinplot()

一样的，你能够经过嵌入with语句临时的控制绘图的比例。

总结

介绍了Seaborn的5中绘图风格

移除轴脊柱
临时设置绘图风格
覆盖Seaborn风格元素
绘图元素比例缩放

下一节将会介绍颜色风格的使用。

关注微信公众号Python数据科学，获取 120G 人工智能学习资料。

数据可视化Seaborn从零开始学习教程（一） 风格选择