Seaborn绘图
关系型绘图
seaborn.relplot()
这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。实际上以下两个函数就是relplot的特例：
• 散点类型：scatterplot -> relplot(kind=“scatter”) • 线性类型：lineplot -> relplot(kind=“line”)
基本使用
import seaborn as snstips = sns.load_dataset("tips",cache=True)sns.relplot(x="total_bill",y="tip",data=tips)
hue参数
hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数，那么可以通过以下代码来实现：
sns.relplot(x="total_bill",y="tip",hue="day",data=tips)
添加col和row参数
col和row，可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示，那么可以通过以下代码来实现：
sns.relplot(x="total_bill",y="tip",hue="day",col="time",data=tips)
relplot绘制散点图
from matplotlib import pyplot as pltimport pandas as pdimport numpy as npimport seaborn as snstips = pd.read_csv("./seaborn-data-master/tips.csv")tips.head()# 知道 total_bill与tips之间的关系sns.relplot(x="total_bill",y="tip",data=tips)# 周几外出吃饭人比较多？# 通过点的颜色 来表示 日期# hue:分组后不同值显示不同颜色sns.relplot(x="total_bill",y="tip",data=tips,hue="day")tips.groupby(by="day").count()# 通过子图直接对比 中餐与晚餐 的人数 个数# col:从列的方向添加子图表示分类sns.relplot(x="total_bill",y="tip",data=tips,col="time")# 晚餐 女性， 晚餐 男性， 午餐 女性， 午餐 男性sns.relplot(x="total_bill",y="tip",data=tips,col="time",row="sex")# col_wrap：当图形展示多个时，控制指定多少列进行换行。注意：不能与row同时使用。# size：指定的列进行分组，然后通过数据的大小来表示点的大小。sns.relplot(x="total_bill",y="tip",data=tips,col="day",col_wrap=3,size="size")plt.show()sns.scatterplot(x="total_bill",y="tip",data=tips)
绘制折线图(线形图)
relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据（比如x轴是N个数，y轴也必须为N个数）。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下：
fmri = sns.load_dataset("fmri")sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)
relplot绘制线型图
fmri = pd.read_csv("./seaborn-data-master/fmri.csv")fmri.head()# 阴影部分表示置信区间# 体现 signal与timepoint的变化关系sns.relplot(x="timepoint",y="signal",data=fmri,kind="line")# 指定ci=None 取消置信区间的显示sns.relplot(x="timepoint",y="signal",data=fmri,kind="line",ci=None)sns.relplot(x="timepoint",y="signal",data=fmri,kind="line",hue="region")sns.relplot(x="timepoint",y="signal",data=fmri,kind="line",hue="region",col="event")# 注意：lineplot与relplot区别：无kind参数，无col,row参数# sns.lineplot(x="timepoint",y="signal",data=fmri)sns.lineplot(x="timepoint",y="signal",data=fmri,hue="region",col="event")df = pd.DataFrame({"x":np.arange(10),"y":np.cos(np.arange(10))})# cos折线图sns.relplot(x="x",y="y",data=df,kind="line")
分类绘图
分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图，如果想要绘制其他类型的图，同样也是通过kind参数来指定。
主要分为 • 分类散点图 • 分类分布图 • 分类统计图
分类散点图
分类散点图比较适合数据量不是很多的情况，他是用catplot来实现，但是也有以下两个特别的方法。
• stripplot()：catplot(kind=“strip”) 默认的 • swarmplot()：catplot(kind=“swarm”)
sns.catplot(x="day",y="total_bill",data=tips,hue="sex")
sns.catplot(x="day",y="total_bill",data=tips,hue="sex",kind="swarm")
catplot分类散点图
# 不同日期 的 总金额 数量 sns.catplot(x="day",y="total_bill",data=tips)sns.catplot(x="day",y="total_bill",data=tips,hue="sex")sns.stripplot(x="day",y="total_bill",data=tips,hue="sex")"""数据量比较大，不适用"""sns.catplot(x="day",y="total_bill",data=tips,hue="sex",kind="swarm")sns.swarmplot(x="day",y="total_bill",data=tips,hue="sex")
分类分布图
分类分布图，主要是根据分类来看，然后在每个分类下数据的分布情况。也是通过catplot来实现，以下三个方法分别是不同的kind参数：
• 箱型图：boxplot() (with kind=“box”)
• 小提琴图：violinplot() (with kind=“violin”)
箱型图
小提琴图
小提琴实际上就是两个对称的核密度曲线合并起来，然后中间是一个箱线图（也可以为其他图）组成的。通过小提琴图可以看出数据的分布情况。示例代码如下：
sns.violinplot(x="day",y="total_bill",data=tips,inner="quartile",hue="sex",split=True)
catplot绘制分类分布图
athletes = pd.read_csv("athlete_events.csv")athletes.info()athletes.head()countries = {'CHN':'中国','JPN':"日本",'KOR':'韩国','USA':"美国",'CAN':"加拿大",'BRA':"巴西",'GBR':"英国",'FRA':"法国",'ITA':"意大利",'ETH':"埃塞俄比亚",'KEN':"肯尼亚",'NIG':"尼日利亚",}"""1.选择在countries国家的数据- 判断国家在countries.keys()列表中，就选择出来"""my_athletes = athletes[athletes["NOC"].isin(list(countries.keys()))]my_athletes.info()sns.boxplot(x="NOC",y="Height",data=my_athletes)plt.show()"""小提琴图- 默认两边对称 kde曲线 核密度估计曲线 """# 日期 与 小费# sns.violinplot(x="day",y="total_bill",data=tips)sns.violinplot(x="day",y="total_bill",data=tips,hue="sex",inner="quartile",split=True)
分类统计图
分类统计图，则是根据分类，统计每个分类下的数据的个数或者比例。有以下几种方式：
• 条形图：barplot() (with kind=“bar”)
• 柱状图：countplot() (with kind=“count”)
• 点线图：pointplot() (with kind=“point”)
条形图
seaborn中的条形图具有统计功能，可以统计出比例，平均数，也可以按照你想要的统计函数来统计。示例代码如下：
sns.catplot(x="day",y="total_bill",data=tips,kind="bar")
柱状图
柱状图是专门用来统计某个单一变量出现数量的图形。示例代码如下：
sns.catplot(x="sex",data=titanic,kind="count")
点线图
点线图可以非常方便的看到变量之间的趋势变化。示例代码如下：
sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")
分类统计图
# 黑色线：置信区间，越长数据就越离散sns.catplot(x="day",y="total_bill",data=tips,kind="bar")sns.catplot(x="day",y="total_bill",data=tips,kind="bar",estimator=sum)titanic = pd.read_csv("./seaborn-data-master/titanic.csv")titanic.head()# 获救男女的情况# sum指定的频数sns.catplot(x="sex",y="survived",data=titanic,kind="bar",estimator=sum)"""kind为count时，只能有x或者y，如果同时指定x与y就会报错因为柱状图时统计的个数- x是柱状图- y是横条形图"""sns.catplot(y="survived",data=titanic,kind="count")# 舱位与营救男女的关系sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")
分布绘图
分布绘图主要分为单变量分布以及二变量分布和pairplot
单变量分布
单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot，其中dist是distribution的简写，不是histogram的简写。示例代码如下：
titanic = pd.read_csv("./seaborn-data-master/titanic.csv")titanic.head()sns.distplot(titanic["age"])
二变量分布
多变量分布图可以看出两个变量之间的分布关系。一般都是采用多个图进行表示。多变量分布图采用的函数是jointplot。
tips = sns.load_dataset("tips")g = sns.jointplot(x="total_bill", y="tip", data=tips)
• 通过设置kind='reg’可以设置回归绘图和核密度曲线 • 通过设置kind='hex’可以绘制六边形图
jointplot其它常用参数
x,y,data：绘制图的数据。kind：scatter、reg、resid、kde、hex。color：绘制元素的颜色。height：图的大小，图会是一个正方形。ratio：主图和副图的比例，只能为一个整形。space：主图和副图的间距。dropna：是否需要删除x或者y值中出现了NAN的值。marginal_kws：副图的一些属性，比如设置bins、rug等。
pairplot
sns.pairplot(tips,vars=["total_bill","tip"])
默认情况下，对角线的图（x和y轴的列相同）是直方图，其他地方的图是散点图，如果想要修改这两种图，可以通过diag_kind和kind来实现。其中这两个参数可取的值为：
diag_kind：auto, hist, kde。kind：scatter, reg。
分布绘图
"""kde=False 不显示kde线bins=30 指定组数rug=True 越密集则数据越集中hist=False 不展示直方图"""# titanic.info() # 说明age列是有缺失值# 取出非nan的数据age_ti = titanic[~np.isnan(titanic["age"])]# age_ti.info()# 所有人的年龄分布情况sns.distplot(age_ti["age"],kde=False,bins=30,rug=True) # 在绘制直方图的时候，最好去除nan的值# 二变量分布：两个变量的关系sns.jointplot(x="total_bill",y="tip",data=tips)# kind参数 指定为 reg 的时候，会展示出回归线以及kde曲线sns.jointplot(x="total_bill",y="tip",data=tips,kind="reg")# 六边形图 用颜色表示集中情况china_ath = athletes[athletes["NOC"]=="CHN"]sns.jointplot(x="Height",y="Weight",data=china_ath,kind="hex",gridsize=20,color="r",height=20,marginal_kws={"kde":True})# iris iris = pd.read_csv("./seaborn-data-master/iris.csv")iris.head()sns.pairplot(iris,vars=["sepal_length","sepal_width","petal_length","petal_width"],kind="reg",diag_kind="kde")
线性回归绘图
线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串，并且data的值不能为空：
1. regplot(x,y,data=None)。 2. lmplot(x,y,data)。
sns.lmplot(x="total_bill",y="tip",data=tips)
tips = pd.read_csv("./seaborn-data-master/tips.csv")tips.info()tips.head()# sns.regplot(x="total_bill",y="tip",data=tips) # 字符串指定列，指定数据来源sns.regplot(x=tips["total_bill"],y=tips["tip"]) # 数据标签获取到的列sns.lmplot(x="total_bill",y="tip",data=tips) # 字符串，可以# sns.lmplot(x=tips["total_bill"],y=tips["tip"]) # 不支持数据标签获取列的这种形式 报错
