Python--Seaborn绘图和可视化--基本语法

　　博客地址：http://www.cnblogs.com/yudanqu/

 

 

　　Seaborn是对matplotlib的extend，是一个数据可视化库，提供更高级的API封装，在应用中更加的方便灵活。下面我简单介绍一下他的用法，实际应用的时候，能够直接从文档中查找这个库，这时候使用就很快捷了。

 

提要：一、直方图和密度图

　　　二、柱状图和热力图

　　　三、设置图形显示效果

　　　四、调色功能

 

　　老样子，首先将使用它所须要的库导入进来，固然，其中包括numpy之类的是为了演示它的功能才导入的，你们要先理解一下每一个库的做用。

1 import numpy as np
2 import pandas as pd
3 import matplotlib.pyplot as plt
4 from pandas import Series,DataFrame
5 import seaborn as sns

一、直方图和密度图

　　若是在交互式环境中，能够经过%matplotlab来解决每次经过plt.show()来显示图像（本人在ipython中，貌似jupyter中%matplotlib inline等等）

# matplotlib

1 s1 = Series(np.random.randn(1000)) # 生成1000个点的符合正态分布的随机数
2 plt.hist(s1) # 直方图，也能够经过plot(),修改里面kind参数实现
3 s1.plot(kind='kde') # 密度图

# seaborn

1 sns.distplot(s1,hist=True,kde=True,rug=True) # 前两个默认就是True,rug是在最下方显示出频率状况，默认为False
2 # bins=20 表示等分为20份的效果，一样有label等等参数
3 sns.kdeplot(s1,shade=True,color='r') # shade表示线下颜色为阴影,color表示颜色是红色
4 sns.rugplot(s1) # 在下方画出频率状况

　　给出两种方式经过最基本的方式画出来的效果，怎么样，是否是发现seaborn很强大。

二、柱状图和热力图

　　（1）下载实验数据：

1 df = sns.load_dataset('flights') # 在线下载一个数据用于实验，在sns.load_dataset()函数里有不少的数据，想了解更多的能够到GitHub中找到源码，你就会很清楚了

　　咱们能够先看一下里面的数据，能够看到，这是一个航空的数据，里面有年、月和乘客数量，接下来咱们就要在这份数据上进行分析。

　　（2）咱们能够经过透视表来先对这份数据进行一下处理：

1 df = df.pivot(index='month',columns='year',values='passengers') # 生成一个透视表，获得一个以年、月为轴的二维数据表

　　你们能够本身试一下，这样生成的结果是以年为columns，以月为index，表内数据为对应的乘客数量。

　　（3）绘制柱状图

1 s = df.sum()
2 # 经过matplotlib绘出图形
3 s.plot(kind='bar')
4 # 经过seaborn绘出图形
5 sns.barplot(x=s.index,y=s.values)

　　

　　（4）绘制热力图

1 df.plot() # 线性的显示数据状况
2 sns.heatmap(df) # 生成热力图
3 # sns.heatmap(df,annot=True,fmt='d') # annot参数是指显示数据，fmt='d'是指以整数形式显示

三、设置图形显示效果

（1）axes_style and set_style

1 x = np.linspace(0,14,100)
2 y1 = np.sin(x)
3 y2 = np.sin(x+2)*1.25
4 def sinplot():
5     plt.plot(x,y1)
6     plt.plot(x,y2)
7 
8 sinplot() # 以matplotlib显示，生成两个函数图像

1 # seaborn的5种装饰风格
2 styles = ['darkgrid','dark','white','whitegrid','tricks'] # 颜色表明背景颜色，grid表明是否有网格
3 sns.set_style(style[0]) # 进行装饰，括号内能够直接写装饰风格
4 sinplot() # 通过修饰以后的图像
5 
6 sns.axes_style() # 显示当前主题的内容，这些数据均可以修改微调
7 # 更改的时候就将其信息的以字典形式复制到set_style()里，当作参数来修改（注意是以字典的形式）
8 sns.set() # 设置风格为空，即清空本身定义的，恢复到默认的时候

（2）plotting_context() and set_context()

1 context = ['paper','notebook','talk','poster'] # seaborn自己定义好的
2 sns.set_context('paper',rc={'grid.linewidth':3.0}) # rc参数
3 sinplot()
4 
5 sns.plotting_context() # 显示出当前状态的数据
6 sns.set() # 恢复到默认

　　图像貌似同样，但并非没有成功，只是变化比较细微，真正用到的时候就能够体会到了。

四、调色功能

1 # 先绘制一个图像
2 def sinplot1():
3     x = np.linspace(0,14,100)
4     plt.figure(figsize=(8,6)) # 图像比较小时，经过这个函数更改大小
5     for i in range(4):
6     　　plt.plot(x,np.sin(x+i)*(i+0.75),label='sin(x+%s)*(%s+0.75)' % (i,i))
7     plt.legend()
8 sinplot1()

1 # 引入seaborn
2 sns.color_palette() # 使用调色板
3 # 不传入参数返回当前使用的调色板（RGB）
4 sns.palplot(sns.color_palette()) # 画出调色板，参数为上面的调色板

• 接下来，咱们就要调整咱们的调色板了

1 pal.style = ['deep','nuted','pastel','bright','dark','colorblind'] # seaborn默认定义的调色板
2 
3 # 第一种设置画板方式
4 sns.set_palette(sns.color_palette('dark')) # 设置色板
5 sns.set() # 恢复默认风格
6 
7 # 第二种设置画板方式，而且最后恢复到默认
8 with sns.color_palette():
9     sinplot1() # 在内部调整画板输出图形，当with结束时，则恢复默认

• 调色板里的颜色是定义好的，那么若是咱们将要绘制的图形包括不少的函数，须要更多的颜色，该怎么办呢。

1 # 默认提供的色板数量是固定的，若是图像是更多的函数，那么颜色将循环色板中的风格。若是想不使他颜色有相同，能够经过sns.color_palette()来修改
2 sns.color_palette([(0.5,0.2,0.6),(0.3,0.3,0.4)]) # 由于色板是以列表的形式存储的，里面的每种风格以元组的形式存在因此须要用[()]
3 
4 # 第二种增长色板颜色的方法
5 sns.color_palette('hls',8) # hls方法，后面写参数8，即生成有8种不一样颜色的色板

 

　　做者：渔单渠（yudanqu）

　　博客地址：http://www.cnblogs.com/yudanqu/