詳細講解Python之Seaborn（資料視覺化）

本篇文章給大家帶來了關於的相關知識，其中主要介紹了關於Seaborn的相關問題，包括了資料視覺化處理的散點圖、折線圖、條形圖等等內容，下面一起來看一下，希望對大家有幫助。

推薦學習：

1. 安裝 seaborn

安裝：

pip install seaborn

匯入：

import seaborn as sns

2.準備資料

正式開始之前我們先用如下程式碼準備一組資料，方便展示使用。

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snspd.set_option('display.unicode.east_asian_width', True)df1 = pd.DataFrame(    {'資料序號': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],     '廠商編號': ['001', '001', '001', '002', '002', '002', '003', '003', '003', '004', '004', '004'],     '產品型別': ['AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC'],     'A屬性值': [40, 70, 60, 75, 90, 82, 73, 99, 125, 105, 137, 120],     'B屬性值': [24, 36, 52, 32, 49, 68, 77, 90, 74, 88, 98, 99],     'C屬性值': [30, 36, 55, 46, 68, 77, 72, 89, 99, 90, 115, 101]    })print(df1)

生成一組資料如下：

3.背景與邊框

3.1 設定背景風格

設定風格使用的是sns.set_style()方法，且這裡內建的風格，是用背景色表示名字的，但是實際內容不限於背景色。

sns.set_style()

可以選擇的背景風格有：

whitegrid 白色網格
dark 灰色背景
white 白色背景
ticks 四周帶刻度線的白色背景

sns.set()

sns.set_style(「darkgrid」)

sns.set_style(「whitegrid」)

sns.set_style(「dark」)

sns.set_style(「white」)

sns.set_style(「ticks」)

其中sns.set()表示使用自定義樣式，如果沒有傳入引數，則預設表示灰色網格背景風格。如果沒有set()也沒有set_style()，則為白色背景。

一個可能的bug：使用relplot()方法繪製出的影象，"ticks"樣式無效。

3.3 其他

seaborn庫是基於matplotlib庫而封裝的，其封裝好的風格可以更加方便我們的繪圖工作。而matplotlib庫常用的語句，在使用seaborn庫時也依然有效。

關於設定其他風格相關的屬性，如字型，這裡有一個細節需要注意的是，這些程式碼必須寫在sns.set_style()的後方才有效。如將字型設定為黑體（避免中文亂碼）的程式碼：

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

如果在其後方設定風格，則設定好的字型會設定的風格覆蓋，從而產生警告。其他屬性也同理。

3.2 邊框控制

sns.despine()方法

# 移除頂部和右部邊框，只保留左邊框和下邊框sns.despine()# 使兩個座標軸相隔一段距離（以10長度為例）sns.despine(offet=10,trim=True)# 移除左邊框sns.despine(left=True)# 移除指定邊框 （以只保留底部邊框為例）sns.despine(fig=None, ax=None, top=True, right=True, left=True, bottom=False, offset=None, trim=False)

4. 繪製散點圖

使用seaborn庫繪製散點圖，可以使用replot()方法，也可以使用scatter()方法。

replot方法的引數kind預設是’scatter’，表示繪製散點圖。
hue參數列示在該一維度上，用顏色區分

①對A屬性值和資料序號繪製散點圖，紅色散點，灰色網格，保留左、下邊框

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
sns.relplot(x=‘資料序號’, y=‘A屬性值’, data=df1, color=‘red’)
plt.show()

在這裡插入圖片描述

②對A屬性值和資料序號繪製散點圖，散點根據產品型別的不同顯示不同的顏色，
白色網格，左、下邊框：

sns.set_style(‘whitegrid’)
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
sns.relplot(x=‘資料序號’, y=‘A屬性值’, hue=‘產品型別’, data=df1)
plt.show()

在這裡插入圖片描述

③將A屬性、B屬性、C屬性三個欄位的值用不同的樣式繪製在同一張圖上（繪製散點圖），x軸資料是[0,2,4,6,8…]
ticks風格（四個方向的框線都要），字型使用楷體

sns.set_style(‘ticks’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
df2 = df1.copy()
df2.index = list(range(0, len(df2)*2, 2))
dfs = [df2[‘A屬性值’], df2[‘B屬性值’], df2[‘C屬性值’]]
sns.scatterplot(data=dfs)
plt.show()

在這裡插入圖片描述

5. 繪製折線圖

使用seaborn庫繪製折線圖，可以使用replot()方法，也可以使用lineplot()方法。

5.1 使用 replot()方法

sns.replot()預設繪製的是散點圖，繪製折線圖只需吧引數kind改為"line"。
①
需求：繪製A屬性值與資料序號的折線圖，
灰色網格，全域性字型為楷體；並調整標題、兩軸標籤的字型大小，
以及座標系與畫布邊緣的距離（設定該距離是因為字型沒有顯示完全）：

sns.set(rc={‘font.sans-serif’: 「STKAITI」})
sns.relplot(x=‘資料序號’, y=‘A屬性值’, data=df1, color=‘purple’, kind=‘line’)
plt.title(「繪製折線圖」, fontsize=18)
plt.xlabel(‘num’, fontsize=18)
plt.ylabel(‘A屬性值’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

②
需求：繪製不同產品型別的A屬性折線（三條線一張圖），whitegrid風格，字型楷體。

sns.set_style(「whitegrid」)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.relplot(x=‘資料序號’, y=‘A屬性值’, hue=‘產品型別’, data=df1, kind=‘line’)
plt.title(「繪製折線圖」, fontsize=18)
plt.xlabel(‘num’, fontsize=18)
plt.ylabel(‘A屬性值’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

③
需求：將A屬性、B屬性、C屬性三個欄位的值用不同的樣式繪製在同一張圖上（繪製折線圖），x軸資料是[0,2,4,6,8…]
darkgrid風格（四個方向的框線都要），字型使用楷體，並加入x軸標籤，y軸標籤和標題。邊緣距離合適。

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
df2 = df1.copy()
df2.index = list(range(0, len(df2)*2, 2))
dfs = [df2[‘A屬性值’], df2[‘B屬性值’], df2[‘C屬性值’]]
sns.relplot(data=dfs, kind=「line」)
plt.title(「繪製折線圖」, fontsize=18)
plt.xlabel(‘num’, fontsize=18)
plt.ylabel(‘A屬性值’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

③
多重子圖

橫向多重子圖 col

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.relplot(data=df1, x=「A屬性值」, y=「B屬性值」, kind=「line」, col=「廠商編號」)
plt.subplots_adjust(left=0.05, right=0.95, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

縱向多重子圖 row

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.relplot(data=df1, x=「A屬性值」, y=「B屬性值」, kind=「line」, row=「廠商編號」)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.95)
plt.show()

在這裡插入圖片描述

5.2 使用 lineplot()方法

使用lineplot()方法繪製折線圖，其他細節基本同上，範例程式碼如下：

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.lineplot(x=‘資料序號’, y=‘A屬性值’, data=df1, color=‘purple’)
plt.title(「繪製折線圖」, fontsize=18)
plt.xlabel(‘num’, fontsize=18)
plt.ylabel(‘A屬性值’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
df2 = df1.copy()
df2.index = list(range(0, len(df2)*2, 2))
dfs = [df2[‘A屬性值’], df2[‘B屬性值’], df2[‘C屬性值’]]
sns.lineplot(data=dfs)
plt.title(「繪製折線圖」, fontsize=18)
plt.xlabel(‘num’, fontsize=18)
plt.ylabel(‘A屬性值’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

6. 繪製直方圖 displot()

繪製直方圖使用的是sns.displot()方法

bins=6 表示分成六個區間繪圖
rug=True 表示在x軸上顯示觀測的小細條
kde=True表示顯示核密度曲線

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.displot(data=df1[[‘C屬性值’]], bins=6, rug=True, kde=True)
plt.title(「直方圖」, fontsize=18)
plt.xlabel(‘C屬性值’, fontsize=18)
plt.ylabel(‘數量’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

隨機生成300個正態分佈資料，並繪製直方圖，顯示核密度曲線

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
np.random.seed(13)
Y = np.random.randn(300)
sns.displot(Y, bins=9, rug=True, kde=True)
plt.title(「直方圖」, fontsize=18)
plt.xlabel(‘C屬性值’, fontsize=18)
plt.ylabel(‘數量’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

在這裡插入圖片描述

7. 繪製條形圖 barplot()

繪製條形圖使用的是barplot()方法

以產品型別欄位資料作為x軸資料，A屬性值資料作為y軸資料。按照廠商編號欄位的不同進行分類。
具體如下：

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.barplot(x=「產品型別」, y=‘A屬性值’, hue=「廠商編號」, data=df1)
plt.title(「條形圖」, fontsize=18)
plt.xlabel(‘產品型別’, fontsize=18)
plt.ylabel(‘數量’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

在這裡插入圖片描述

8. 繪製線性迴歸模型

繪製線性迴歸模型使用的是lmplot()方法。
主要的引數為x, y, data。分別表示x軸資料、y軸資料和資料集資料。

除此之外，同上述所講，還可以通過hue指定分類的變數；
通過col指定列分類變數，以繪製橫向多重子圖；
通過row指定行分類變數，以繪製縱向多重子圖；
通過col_wrap控制每行子圖的數量；
通過size可以控制子圖的高度；
通過markers可以控制點的形狀。

下邊對 X屬性值和 Y屬性值做線性迴歸，程式碼如下：

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.lmplot(x=「A屬性值」, y=‘B屬性值’, data=df1)
plt.title(「線性迴歸模型」, fontsize=18)
plt.xlabel(‘A屬性值’, fontsize=18)
plt.ylabel(‘B屬性值’, fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

在這裡插入圖片描述

9. 繪製核密度圖 kdeplot()

9.1 一般核密度圖

繪製和密度圖，可以讓我們更直觀地看出樣本資料的分佈特徵。繪製核密度圖使用的方法是kdeplot()方法。

對A屬性值和B屬性值繪製核密度圖，
將shade設定為True可以顯示包圍的陰影，否則只有線條。

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.kdeplot(df1[「A屬性值」], shade=True, data=df1, color=‘r’)
sns.kdeplot(df1[「B屬性值」], shade=True, data=df1, color=‘g’)
plt.title(「核密度圖」, fontsize=18)
plt.xlabel(‘Value’, fontsize=18)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

在這裡插入圖片描述

9.2 邊際核密度圖

繪製邊際核密度圖時使用的是sns.jointplot()方法。引數kind應為"kde"。使用該方法時，預設使用的是dark樣式。且不建議手動新增其他樣式，否則可能使影象無法正常顯示。

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.jointplot(x=df1[「A屬性值」], y=df1[「B屬性值」], kind=「kde」, space=0)
plt.show()

在這裡插入圖片描述

10. 繪製箱線圖 boxplot()

繪製箱線圖使用到的是boxplot()方法。
基本的引數有x, y, data。

除此之外還可以有
hue 表示分類欄位
width 可以調節箱體的寬度
notch 表示中間箱體是否顯示缺口，預設False不顯示。

鑑於前邊的資料資料量不太夠不便展示，這裡再生成一組資料：

np.random.seed(13)
Y = np.random.randint(20, 150, 360)
df2 = pd.DataFrame(
{‘廠商編號’: [‘001’, ‘001’, ‘001’, ‘002’, ‘002’, ‘002’, ‘003’, ‘003’, ‘003’, ‘004’, ‘004’, ‘004’] * 30,
‘產品型別’: [‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’] * 30,
‘XXX屬性值’: Y
}
)

生成好後，開始繪製箱線圖：

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.boxplot(x=‘產品型別’, y=‘XXX屬性值’, data=df2)
plt.show()

在這裡插入圖片描述

交換x、y軸資料後：

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.boxplot(y=‘產品型別’, x=‘XXX屬性值’, data=df2)
plt.show()

可以看到箱線圖的方向也隨之改變

在這裡插入圖片描述

將廠商編號作為分類欄位：

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.boxplot(x=‘產品型別’, y=‘XXX屬性值’, data=df2, hue=「廠商編號」)
plt.show()

在這裡插入圖片描述

11. 繪製提琴圖 violinplot()

提琴圖結合了箱線圖和核密度圖的特徵，用於展示資料的分佈形狀。
使用violinplot()方法繪製提琴圖。

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.violinplot(x=‘產品型別’, y=‘XXX屬性值’, data=df2)
plt.show()

在這裡插入圖片描述

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.violinplot(x=‘XXX屬性值’, y=‘產品型別’, data=df2)
plt.show()

在這裡插入圖片描述

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.violinplot(x=‘產品型別’, y=‘XXX屬性值’, data=df2, hue=「廠商編號」)
plt.show()

在這裡插入圖片描述

12. 繪製熱力圖 heatmap()

以雙色球中獎號碼資料為例繪製熱力圖，這裡資料採用亂數生成。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

sns.set()
plt.figure(figsize=(6,6))
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]

s1 = np.random.randint(0, 200, 33)
s2 = np.random.randint(0, 200, 33)
s3 = np.random.randint(0, 200, 33)
s4 = np.random.randint(0, 200, 33)
s5 = np.random.randint(0, 200, 33)
s6 = np.random.randint(0, 200, 33)
s7 = np.random.randint(0, 200, 33)
data = pd.DataFrame(
{‘一’: s1,
‘二’: s2,
‘三’: s3,
‘四’:s4,
‘五’:s5,
‘六’:s6,
‘七’:s7
}
)

plt.title(‘雙色球熱力圖’)
sns.heatmap(data, annot=True, fmt=‘d’, lw=0.5)
plt.xlabel(‘中獎號碼位數’)
plt.ylabel(‘雙色球數位’)
x = [‘第1位’, ‘第2位’, ‘第3位’, ‘第4位元’, ‘第5位’, ‘第6位’, ‘第7位’]
plt.xticks(range(0, 7, 1), x, ha=‘left’)
plt.show()

在這裡插入圖片描述

推薦學習：

以上就是詳細講解Python之Seaborn（資料視覺化）的詳細內容，更多請關注TW511.COM其它相關文章！

詳細講解Python之Seaborn（資料視覺化）

1. 安裝 seaborn

2.準備資料

3.背景與邊框

3.1 設定背景風格

3.3 其他

3.2 邊框控制

4. 繪製 散點圖

5. 繪製 折線圖

5.1 使用 replot()方法

5.2 使用 lineplot()方法

6. 繪製直方圖 displot()

7. 繪製條形圖 barplot()

8. 繪製線性迴歸模型

9. 繪製 核密度圖 kdeplot()

9.1 一般核密度圖

9.2 邊際核密度圖

10. 繪製 箱線圖 boxplot()

11. 繪製 提琴圖 violinplot()

12. 繪製 熱力圖 heatmap()

4. 繪製散點圖

5. 繪製折線圖

9. 繪製核密度圖 kdeplot()

10. 繪製箱線圖 boxplot()

11. 繪製提琴圖 violinplot()

12. 繪製熱力圖 heatmap()