0导入库
import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snssns.set_theme(style="darkgrid")
1 散点图
演示数据集
tips = sns.load_dataset("tips")#导入一个数据集
1.0 基础用法
以下两种方式几乎是等价的
1.0.1 scatterplot
sns.scatterplot(x='total_bill',y='tip',data=tips)#绘制散点图
1.0.2 relplot
sns.relplot(x="total_bill", y="tip", data=tips)
1.1 使用另外一列作为label
1.1.1 离散label
sns.scatterplot(x='total_bill',y='tip',data=tips,hue='smoker')
1.1.2 连续label
sns.scatterplot(x='total_bill',y='tip',data=tips,hue='size')
1.2 使用另外一列作为不同标记的指示
sns.scatterplot(x='total_bill',y='tip',data=tips,hue='smoker',style='smoker')
1.2.1 hue和style不一定需要同一列
sns.scatterplot(x='total_bill',y='tip',data=tips,hue='smoker',style='sex')
1.3 控制散点的大小
sns.scatterplot(x='total_bill',y='tip',data=tips,size='size')
1.3.1 控制散点大小的范围
sns.scatterplot(x='total_bill',y='tip',data=tips,size='size',sizes=(1,1000))
1.4 根据语义分割子图
sns.relplot(x='total_bill',y='tip',data=tips,hue='smoker',col='sex')
2 折线图
2.0 数据
df = pd.DataFrame(dict(time=np.arange(500),value=np.random.randn(500).cumsum()))df
2.1 基本使用方法
下面两种方式类似
sns.relplot(x="time", y="value", kind="line", data=df)
sns.lineplot(x="time", y="value", data=df)
2.2 lineplot 事先排序x
因为 lineplot() 假设我们需要做的事情是将 y 绘制为 x 的函数，所以默认行为是在绘图之前按 x 值对数据进行排序。 但是，可以禁用此功能：
df2 = pd.DataFrame(dict(time=np.random.randn(500).cumsum(),value=np.random.randn(500).cumsum()))df2
sns.lineplot(x="time", y="value", data=df2)
sns.lineplot(x="time", y="value", data=df2,sort=False)
3聚合和表示不确定性
更复杂的数据集将对 同一个x 变量进行多次测量。 seaborn 的默认行为是通过绘制平均值和平均值周围的 95% 置信区间来聚合每个 x 值的多次测量值：
3.1 数据
fmri = sns.load_dataset("fmri")fmri
可以看到一个timepoine会有多个signal的值。
3.1.1 绘制置信区间（默认）
sns.lineplot(x="timepoint", y="signal", data=fmri)
3.1.2 不绘制置信区间
sns.lineplot(x="timepoint", y="signal", data=fmri,ci=None)
3.1.3 绘制标准差区间
sns.lineplot(x="timepoint", y="signal", data=fmri,ci='sd')
3.2 带有不同语义的plot
sns.lineplot(x="timepoint", y="signal", data=fmri,hue='event')
3.3 带有不同线条形状
sns.lineplot(x="timepoint", y="signal", data=fmri,hue='event',style='region')
3.3.1 标记各个点
sns.lineplot(x="timepoint", y="signal", data=fmri,hue='event',style='region',markers=True)
3.4 根据语义分割子图
sns.relplot(x="timepoint", y="signal", hue="subject",kind="line", data=fmri,col="region", row="event");
