Python图表数据可视化Seaborn：1. 风格| 分布数据可视化-直方图| 密度图| 散点图
conda install seaborn 是安装到jupyter那个环境的
1. 整体风格设置
对图表整体颜色、比例等进行风格设置，包括颜色色板等
调用系统风格进行数据可视化
set() / set_style() / axes_style() / despine() / set_context()
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline
#创建正弦函数及图表 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) sinplot()
1.1 set（）
sns.set() #设置风格之后就会固定住，唯一办法就是刷新重新设置下 sinplot() plt.grid(linestyle = \'--\')
1.2 set_style（）
fig = plt.figure(figsize=(6,6))
ax1 = fig.add_subplot(2,1,1)
sns.set_style("whitegrid") sns.boxplot(data=data) 箱型图
# 2、set_style() # 切换seaborn图表风格 # 风格选择包括："white", "dark", "whitegrid", "darkgrid", "ticks" fig = plt.figure(figsize=(6,6)) ax1 = fig.add_subplot(2,1,1)
sns.set_style("whitegrid") data = np.random.normal(size=(20, 6)) + np.arange(6) / 2 sns.boxplot(data=data) plt.title(\'style - whitegrid\') # 仍然可以使用matplotlib的参数 ax2 = fig.add_subplot(2,1,2) #sns.set_style("dark") sinplot() # 子图显示
1.3 despine（）
sns.despine()会删除上、右坐标轴； sns.despine(offset=10, trim=True) sns.despine(left=True, right = False) #left=True是左边不显示；right=False是显示
fig = plt.figure(figsize=(6,9)) plt.subplots_adjust(hspace=0.3) #创建图表 -->> ax1 = fig.add_subplot(3,1,1)
sns.violinplot(data=data) 小提琴状 sns.boxplot(data=data, palette="deep")
# 3、despine() # 设置图表坐标轴 # seaborn.despine(fig=None, ax=None, top=True, right=True, left=False, # bottom=False, offset=None, trim=False) sns.set_style("ticks") # 设置风格 fig = plt.figure(figsize=(6,9)) plt.subplots_adjust(hspace=0.3) # 创建图表 ax1 = fig.add_subplot(3,1,1) sinplot() sns.despine() # 删除了上、右坐标轴 ax2 = fig.add_subplot(3,1,2) sns.violinplot(data=data) #小提琴图 # sns.despine(offset=10, trim=True) #offset坐标轴会偏移10； trim=False是坐标轴没有限制 # offset：与坐标轴之间的偏移 # trim：为True时，将坐标轴限制在数据最大最小值 ax3 = fig.add_subplot(3,1,3) sns.boxplot(data=data, palette="deep") sns.despine(left=True, right = False) #left=True是左边不显示；right=False是显示 # top, right, left, bottom：布尔型，为True时不显示
1.4 axes_style（）
with sns.axes_style("darkgrid"):
plt.subplot(211)
sinplot()
# 4、axes_style() 设置局部图表风格，可学习和with配合的用法 with sns.axes_style("darkgrid"): #只在sns这个图表，这个代码块里边设置风格，外边的风格还是whitegrid plt.subplot(211) sinplot() # 设置局部图表风格，用with做代码块区分 sns.set_style("whitegrid") plt.subplot(212) sinplot() # 外部表格风格
1.5 set_context（）
sns.set_context("paper") ; 因为你在不同屏幕中看到的不一样这里就可以设置
# 5、set_context() # 设置显示比例尺度 # 选择包括：\'paper\', \'notebook\', \'talk\', \'poster\' sns.set_context("paper") sinplot() # 默认为notebook
2. 调色盘
对图表整体颜色、比例等进行风格设置，包括颜色色板等
调用系统风格进行数据可视化
color_palette()
2.1 color_palette（）
sns.color_palette()
# 默认6种颜色：deep, muted, pastel, bright, dark, colorblind
# 1、color_palette() # 默认6种颜色：deep, muted, pastel, bright, dark, colorblind # seaborn.color_palette(palette=None, n_colors=None, desat=None) current_palette = sns.color_palette() sns.palplot(current_palette)
# 一、其他颜色风格 # 风格内容：Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, # BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, # Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, # Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, # Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, # autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, # cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, # gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, # hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, # pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spectral, spectral_r, spring, # spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r sns.palplot(sns.color_palette("inferno_r", 8)) #inferno 和 inferno_r 颜色反转了哦 # 这里颜色风格为 hls # 颜色色块个数为8个 # 风格颜色反转(不是所有颜色都可以反转)：Blues/Blues_r
#分组颜色设置 - “Paired” sns.palplot(sns.color_palette("Paired", 10)) #color_palette默认颜色
2.2 sns.hls_palette（l= ,s= ） 亮度、饱和度
sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度；s--> 饱和度
# 2、设置亮度，饱和度 可用方法： # ① husl_palette([n_colors, h, s, l]) # ② hls_palette([n_colors, h, l, s]) sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度；s--> 饱和度
2.3 cubehelix_palette（）按线性增长计算，设置颜色
sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))
# 3、cubehelix_palette() # 按照线性增长计算，设置颜色 sns.palplot(sns.cubehelix_palette(8, gamma=2)) #gamma值越大越暗 sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75)) #8个色带，从1.2颜色开始算，rot是旋转角度；start、rot起始终止颜色 sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True)) # n_colors → 颜色个数 # start → 值区间在0-3，开始颜色 # rot → 颜色旋转角度 # gamma → 颜色伽马值，越大颜色越暗 # dark，light → 值区间0-1，颜色深浅 # reverse → 布尔值，默认为False，由浅到深
2.4 dark_palette（） light_palette（）颜色深浅
sns.palplot(sns.light_palette("green"))
sns.palplot(sns.dark_palette("red", reverse=True))
#4、dark_palette(color[, n_colors, reverse, ...]) / light_palette(color[, n_colors, reverse, ...]) # 颜色深浅 sns.palplot(sns.light_palette("green")) # 按照green做浅色调色盘 #sns.palplot(sns.color_palette("Greens")) # cmap为Greens风格 sns.palplot(sns.dark_palette("red", reverse=True)) # 按照blue做深色调色盘 # reverse → 转制颜色
2.5 diverging_palette（）创建分散颜色
sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) 起始值、终止值、s为饱和度、l为亮度、n为个数
cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘
sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了
# 5、diverging_palette() 创建分散颜色 # seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, # center=\'light\', as_cmap=False)¶ sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) #第一个起始值和末尾颜色值，s和l是饱和度、亮度，n个数 # h_neg, h_pos → 起始/终止颜色值 # s → 值区间0-100，饱和度 # l → 值区间0-100，亮度 # n → 颜色个数 # center → 中心颜色为浅色还是深色“light”，“dark”,默认为light
# 5、diverging_palette() 创建分散颜色 plt.figure(figsize = (8,6)) x = np.arange(25).reshape(5, 5) #二维的组 cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘 sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了
# 设置调色板后，绘图创建图表 sns.set_style("whitegrid") # 设置风格 with sns.color_palette("PuBuGn_d"): #设置调色盘 plt.subplot(211) sinplot() sns.set_palette("husl") #或者这样 plt.subplot(212) sinplot() # 绘制系列颜色
3. 分布数据可视化 – 直方图与密度图
distplot() / kdeplot() / rugplot()
3.1直方图distplot( )
sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False,
rug = True,vertical = False,
color = \'y\',label = \'distplot\',axlabel = \'x\')
颜色设置：sns.distplot(s,rug = True,
rug_kws = {\'color\':\'g\'} ,
kde_kws={"color": "k", "lw": 1, "label": "KDE",\'linestyle\':\'--\'},
hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"})
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline sns.set_style("darkgrid") sns.set_context("paper") # 设置风格、尺度 import warnings warnings.filterwarnings(\'ignore\') # 不发出警告
rs = np.random.RandomState(10) # 设定随机数种子 s = pd.Series(rs.randn(100) * 100) sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False, rug = True,vertical = False, color = \'y\',label = \'distplot\',axlabel = \'x\') plt.legend() # bins → 箱数 # hist、ked → 是否显示箱数/显示密度曲线 # norm_hist → 直方图是否按照密度来显示 # rug → 是否显示数据分布情况 # vertical → 是否水平显示 # color → 设置颜色 # label → 图例 # axlabel → x轴标注
# 1、直方图 - distplot() # 颜色详细设置 sns.distplot(s,rug = True, rug_kws = {\'color\':\'g\'} , # 设置数据频率分布颜色 kde_kws={"color": "k", "lw": 1, "label": "KDE",\'linestyle\':\'--\'}, # 设置密度曲线颜色，线宽，标注、线形 hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"}) # 设置箱子的风格、线宽、透明度、颜色 # 风格包括：\'bar\', \'barstacked\', \'step\', \'stepfilled\'
3.2密度图sns.kdeplot( ) sns.rugplot( )
单个样本：sns.kdeplot(s,
shade = False, # 是否填充
color = \'r\', # 设置颜色
vertical = False # 设置是否水平
)
sns.kdeplot(s,bw=5, label="bw: 0.2",
linestyle = \'-\',linewidth = 1.2,alpha = 0.5)
sns.rugplot(s,height = 0.1,color = \'k\',alpha = 0.5)数据频率分布
多个样本：
sns.kdeplot(df[\'A\'],df[\'B\'],cbar = True, shade = True, cmap = \'Reds\', shade_lowest=False,n_levels = 10 )两个维度数据生成曲线密度图，以颜色作为密度衰减
plt.grid(linestyle = \'--\')
plt.scatter(df[\'A\'], df[\'B\'], s=5, alpha = 0.5, color = \'k\') #散点
sns.rugplot(df[\'A\'], color="g", axis=\'x\',alpha = 0.5)
sns.rugplot(df[\'B\'], color="r", axis=\'y\',alpha = 0.5)
# 2、密度图 - kdeplot() # 单个样本数据密度分布图 sns.kdeplot(s, shade = False, # 是否填充 color = \'r\', # 设置颜色 vertical = False # 设置是否水平 ) sns.kdeplot(s,bw=5, label="bw: 0.2", linestyle = \'-\',linewidth = 1.2,alpha = 0.5) sns.kdeplot(s,bw=20, label="bw: 2", linestyle = \'-\',linewidth = 1.2,alpha = 0.5) # bw → 控制拟合的程度，类似直方图的箱数，设置的数量越大越平滑，越小越容易过度拟合 sns.rugplot(s,height = 0.1,color = \'k\',alpha = 0.5) # 数据频率分布图
# 2、密度图 - kdeplot() # 两个样本数据密度分布图 rs = np.random.RandomState(2) # 设定随机数种子 df = pd.DataFrame(rs.randn(100,2), columns = [\'A\',\'B\']) sns.kdeplot(df[\'A\'],df[\'B\'], #两个样本的数据密度图 cbar = True, # 是否显示颜色图例 shade = True, # 是否填充 cmap = \'Reds\', # 设置调色盘 shade_lowest=False, # 最外围颜色是否显示 n_levels = 10 # 曲线个数（如果非常多，则会越平滑） ) # 两个维度数据生成曲线密度图，以颜色作为密度衰减显示 plt.grid(linestyle = \'--\') plt.scatter(df[\'A\'], df[\'B\'], s=5, alpha = 0.5, color = \'k\') #散点 sns.rugplot(df[\'A\'], color="g", axis=\'x\',alpha = 0.5) sns.rugplot(df[\'B\'], color="r", axis=\'y\',alpha = 0.5) # 注意设置x，y轴
# 2、密度图 - kdeplot() # 两个样本数据密度分布图 # 多个密度图 rs1 = np.random.RandomState(2) rs2 = np.random.RandomState(5) df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = [\'A\',\'B\']) df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = [\'A\',\'B\']) # 创建数据 sns.kdeplot(df1[\'A\'],df1[\'B\'],cmap = \'Greens\', shade = True,shade_lowest=False) sns.kdeplot(df2[\'A\'],df2[\'B\'],cmap = \'Blues\', shade = True,shade_lowest=False) # 创建图表
4. 分布数据可视化 – 散点图
分布数据可视化 – 散点图
jointplot( ) / pairplot( )
综合和矩阵散点图
散点图+分布图（直方）sns.jointplot(x=df[\'A\'], y=df[\'B\'], data=df,color = \'k\',s = 50, edgecolor="w",linewidth=1,kind = \'scatter\',space = 0.2, size = 5,
ratio = 4, marginal_kws=dict(bins=15, rug=True))
散点图+分布图（直方），点为六边形 sns.jointplot(x=df[\'A\'], y=df[\'B\'],data = df, kind="hex", color="k",
marginal_kws=dict(bins=20))
散点图+分布图（密度）g = sns.jointplot(x=df[\'A\'], y=df[\'B\'],data = df,
kind="kde", color="k",
shade_lowest=False)
g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+") 在密度图上添加散点图
综合散点图（可拆分） plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()
g = sns.JointGrid(x="total_bill", y="tip", data=tips)
g.plot_joint(plt.scatter, color =\'m\', edgecolor = \'white\') # 设置框内图表，scatter，首先设置个内部的点图
g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,bins=np.arange(0, 60, 3))# 设置x轴直方图，注意bins是数组
g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6,orientation="horizontal",bins=np.arange(0, 12, 1))
# plot_joint() + plot_marginals() g = sns.JointGrid(x="total_bill", y="tip", data=tips) g = g.plot_joint(sns.kdeplot,cmap = \'Reds_r\') g.plot_marginals(sns.distplot, kde=True,color="g")
g.plot_marginals(sns.kdeplot, shade = True, color="r")
3.1综合散点图
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline sns.set_style("whitegrid") sns.set_context("paper") # 设置风格、尺度 import warnings warnings.filterwarnings(\'ignore\') # 不发出警告
# 1、综合散点图 - jointplot() # 散点图 + 分布图 rs = np.random.RandomState(2) df = pd.DataFrame(rs.randn(200,2),columns = [\'A\',\'B\']) # 创建数据 sns.jointplot(x=df[\'A\'], y=df[\'B\'], # 设置xy轴，显示columns名称 data=df, # 设置数据 color = \'k\', # 设置颜色 s = 50, edgecolor="w",linewidth=1, # 设置散点大小、边缘线颜色及宽度(只针对scatter） kind = \'scatter\', # 设置类型：“scatter”、“reg”、“resid”、“kde”、“hex” space = 0.2, # 设置散点图和布局图的间距 size = 5, # 图表大小（自动调整为正方形） ratio = 4, # 散点图与布局图高度比，整型 marginal_kws=dict(bins=15, rug=True) # 设置柱状图箱数，是否设置rug )
# 1、综合散点图 - jointplot() # 散点图 + 分布图 # 六边形图 df = pd.DataFrame(rs.randn(500,2),columns = [\'A\',\'B\']) # 创建数据 with sns.axes_style("white"): sns.jointplot(x=df[\'A\'], y=df[\'B\'],data = df, kind="hex", color="k", marginal_kws=dict(bins=20))
# 1、综合散点图 - jointplot() # 散点图 + 分布图 # 密度图 rs = np.random.RandomState(15) df = pd.DataFrame(rs.randn(300,2),columns = [\'A\',\'B\']) # 创建数据 g = sns.jointplot(x=df[\'A\'], y=df[\'B\'],data = df, kind="kde", color="k", shade_lowest=False) #是否对外围做面积的覆盖 # 创建密度图 g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+") # 添加散点图
# 1、综合散点图 - JointGrid() # 可拆分绘制的散点图 # plot_joint() + ax_marg_x.hist() + ax_marg_y.hist() sns.set_style("white") # 设置风格 tips = sns.load_dataset("tips") print(tips.head()) # 导入数据 g = sns.JointGrid(x="total_bill", y="tip", data=tips) # 创建一个绘图表格区域，设置好x、y对应数据 g.plot_joint(plt.scatter, color =\'m\', edgecolor = \'white\') # 设置框内图表，scatter，首先设置个内部的点图 g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6, bins=np.arange(0, 60, 3)) # 设置x轴直方图，注意bins是数组 g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6, orientation="horizontal", bins=np.arange(0, 12, 1)) # 设置x轴直方图，注意需要orientation参数 from scipy import stats g.annotate(stats.pearsonr) # 设置标注，可以为pearsonr，spearmanr plt.grid(linestyle = \'--\')
# 1、综合散点图 - JointGrid() # 可拆分绘制的散点图 # plot_joint() + plot_marginals() g = sns.JointGrid(x="total_bill", y="tip", data=tips) # 创建一个绘图表格区域，设置好x、y对应数据 g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white") # 绘制散点图 plt.grid(linestyle = \'--\') g.plot_marginals(sns.distplot, kde=True, color="g") # 绘制x，y轴直方图
# 1、综合散点图 - JointGrid() # 可拆分绘制的散点图 # plot_joint() + plot_marginals() # kde - 密度图 g = sns.JointGrid(x="total_bill", y="tip", data=tips) # 创建一个绘图表格区域，设置好x、y对应数据 g = g.plot_joint(sns.kdeplot,cmap = \'Reds_r\') # 绘制密度图 plt.grid(linestyle = \'--\') g.plot_marginals(sns.kdeplot, shade = True, color="r") # 绘制x，y轴密度图
3.2矩阵散点图
# 2、矩阵散点图 - pairplot() sns.set_style("white") # 设置风格 iris = sns.load_dataset("iris") print(iris.head()) # 读取数据 sns.pairplot(iris, kind = \'scatter\', # 散点图/回归分布图 {‘scatter’, ‘reg’} diag_kind="hist", # 直方图/密度图 {‘hist’, ‘kde’} hue="species", # 按照某一字段进行分类 palette="husl", # 设置调色板 markers=["o", "s", "D"], # 设置不同系列的点样式（这里根据参考分类个数） size = 1, # 图表大小 )
# 2、矩阵散点图 - pairplot() # 只提取局部变量进行对比 sns.pairplot(iris,vars=["sepal_width", "sepal_length"], kind = \'reg\', diag_kind="kde", hue="species", palette="husl")
# 2、矩阵散点图 - pairplot() # 其他参数设置 sns.pairplot(iris, diag_kind="kde", markers="+", plot_kws=dict(s=50, edgecolor="b", linewidth=1), # 设置点样式 diag_kws=dict(shade=True) # 设置密度图样式 )
# 2、矩阵散点图 - PairGrid() # 可拆分绘制的散点图 # map_diag() + map_offdiag() g = sns.PairGrid(iris,hue="species",palette = \'hls\', vars = [\'sepal_length\',\'sepal_width\',\'petal_length\',\'petal_width\'], # 可筛选 ) # 创建一个绘图表格区域，设置好x、y对应数据，按照species分类 g.map_diag(plt.hist, histtype = \'barstacked\', # 可选：\'bar\', \'barstacked\', \'step\', \'stepfilled\' linewidth = 1, edgecolor = \'w\') # 对角线图表，plt.hist/sns.kdeplot g.map_offdiag(plt.scatter, edgecolor="w", s=40,linewidth = 1, # 设置点颜色、大小、描边宽度 ) # 其他图表，plt.scatter/plt.bar... g.add_legend() # 添加图例
# 2、矩阵散点图 - PairGrid() # 可拆分绘制的散点图 # map_diag() + map_lower() + map_upper() g = sns.PairGrid(iris) g.map_diag(sns.kdeplot, lw=3) # 设置对角线图表 g.map_upper(plt.scatter, color = \'r\') # 设置对角线上端图表 g.map_lower(sns.kdeplot, cmap="Blues_d") # 设置对角线下端图表
版权声明：本文为shengyang17原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。