Python之Seaborn實例分析

今天小編給大家分享一下Python之Seaborn實例分析的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

1. 安裝 seaborn

安裝：

pip install seaborn

導入：

import seaborn as sns

2.準備數據

正式開始之前我們先用如下代碼準備一組數據，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(    {'數據序號': [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'],     '產品類型': ['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)

生成一組數據如下：

????????

3.背景與邊框

3.1 設置背景風格

設置風格使用的是sns.set_style()方法，且這里內置的風格，是用背景色表示名字的，但是實際內容不限于背景色。

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，如果沒有傳入參數，則默認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()方法繪制出的圖像，"ticks"樣式無效。

3.3 其他

??seaborn庫是基于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。
?
??關于設置其他風格相關的屬性，如字體，這里有一個細節需要注意的是，這些代碼必須寫在sns.set_style()的后方才有效。如將字體設置為黑體（避免中文亂碼）的代碼：
?

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

??如果在其后方設置風格，則設置好的字體會設置的風格覆蓋，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()# 使兩個坐標軸相隔一段距離（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. 繪制 散點圖

使用seaborn庫 繪制散點圖，可以使用replot()方法，也可以使用scatter()方法。

replot方法的參數kind默認是’scatter’，表示繪制散點圖。
hue參數表示 在該一維度上，用顏色區分

①對A屬性值和數據序號繪制散點圖，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=‘數據序號’, y=‘A屬性值’, data=df1, color=‘red’)
plt.show()

??????

②對A屬性值和數據序號繪制散點圖，散點根據產品類型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=‘數據序號’, y=‘A屬性值’, hue=‘產品類型’, data=df1)
plt.show()

???????

③將A屬性、B屬性、C屬性三個字段的值用不同的樣式繪制在同一張圖上（繪制散點圖），x軸數據是[0,2,4,6,8…]
ticks風格（四個方向的框線都要），字體使用楷體

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()

???????

5. 繪制 折線圖

使用seaborn庫繪制折線圖， 可以使用replot()方法，也可以使用lineplot()方法。

5.1 使用 replot()方法

sns.replot()默認繪制的是散點圖，繪制折線圖只需吧參數kind改為"line"。
①
需求：繪制A屬性值與數據序號的折線圖，
灰色網格，全局字體為楷體；并調整標題、兩軸標簽 的字體大小，
以及坐標系與畫布邊緣的距離（設置該距離是因為字體沒有顯示完全）：

sns.set(rc={‘font.sans-serif’: “STKAITI”})
sns.relplot(x=‘數據序號’, y=‘A屬性值’, data=df1, color=‘purple’, kind=‘line’)
plt.title(“繪制折線圖”, 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()

??????????????

②
需求：繪制不同產品類型的A屬性折線（三條線一張圖），whitegrid風格，字體楷體。

sns.set_style(“whitegrid”)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.relplot(x=‘數據序號’, y=‘A屬性值’, hue=‘產品類型’, data=df1, kind=‘line’)
plt.title(“繪制折線圖”, 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()

?????????

③
??需求：將A屬性、B屬性、C屬性三個字段的值用不同的樣式繪制在同一張圖上（繪制折線圖），x軸數據是[0,2,4,6,8…]
??darkgrid風格（四個方向的框線都要），字體使用楷體，并加入x軸標簽，y軸標簽和標題。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(“繪制折線圖”, 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()

??????????

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()

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()

?????????????

5.2 使用 lineplot()方法

使用lineplot()方法繪制折線圖，其他細節基本同上，示例代碼如下：

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.lineplot(x=‘數據序號’, y=‘A屬性值’, data=df1, color=‘purple’)
plt.title(“繪制折線圖”, 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()

????????

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(“繪制折線圖”, 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()

????????

6. 繪制直方圖 displot()

繪制直方圖使用的是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()

????????

隨機生成300個正態分布數據，并繪制直方圖，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()

?????????????

7. 繪制條形圖 barplot()

繪制條形圖使用的是barplot()方法
?
以產品類型 字段數據作為x軸數據，A屬性值數據作為y軸數據。按照廠商編號字段的不同進行分類。
具體如下：

sns.set_style(‘darkgrid’)
plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.barplot(x=“產品類型”, y=‘A屬性值’, hue=“廠商編號”, data=df1)
plt.title(“條形圖”, fontsize=18)
plt.xlabel(‘產品類型’, 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()

?????????

8. 繪制線性回歸模型

繪制線性回歸模型使用的是lmplot()方法。
主要的參數為x, y, data。分別表示x軸數據、y軸數據和數據集數據。
?
除此之外，同上述所講，還可以通過hue指定分類的變量；
通過col指定列分類變量，以繪制 橫向多重子圖；
通過row指定行分類變量，以繪制 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 做線性回歸，代碼如下：

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(“線性回歸模型”, 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()

???????????

9. 繪制 核密度圖 kdeplot()

9.1 一般核密度圖

繪制和密度圖，可以讓我們更直觀地看出樣本數據的分布特征。繪制核密度圖使用的方法是kdeplot()方法。
?
對A屬性值和B屬性值繪制核密度圖，
將shade設置為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()

?????????

9.2 邊際核密度圖

繪制邊際核密度圖時使用的是sns.jointplot()方法。參數kind應為"kde"。使用該方法時，默認使用的是dark樣式。且不建議手動添加其他樣式，否則可能使圖像無法正常顯示。

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()

????????

10. 繪制 箱線圖 boxplot()

繪制箱線圖使用到的是boxplot()方法。
基本的參數有x, y, data。
?
除此之外 還可以有
hue 表示分類字段
width 可以調節箱體的寬度
notch 表示中間箱體是否顯示缺口，默認False不顯示。

鑒于前邊的數據數據量不太夠不便展示，這里再生成一組數據：

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,
‘產品類型’: [‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’] * 30,
‘XXX屬性值’: Y
}
)

生成好后，開始繪制箱線圖：

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

????????

交換x、y軸數據后：

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

可以看到箱線圖的方向也隨之改變

????????

將廠商編號作為分類字段：

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.boxplot(x=‘產品類型’, y=‘XXX屬性值’, data=df2, hue=“廠商編號”)
plt.show()

????????

11. 繪制 提琴圖 violinplot()

提琴圖結合了箱線圖和核密度圖的特征，用于展示數據的分布形狀。
使用violinplot()方法繪制提琴圖。

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

????????

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

????????

plt.rcParams[‘font.sans-serif’] = [‘STKAITI’]
sns.violinplot(x=‘產品類型’, y=‘XXX屬性值’, data=df2, hue=“廠商編號”)
plt.show()

????????

12. 繪制 熱力圖 heatmap()

以雙色球中獎號碼數據為例繪制熱力圖，這里數據采用隨機數生成。

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(‘雙色球數字’)
x = [‘第1位’, ‘第2位’, ‘第3位’, ‘第4位’, ‘第5位’, ‘第6位’, ‘第7位’]
plt.xticks(range(0, 7, 1), x, ha=‘left’)
plt.show()

????????

以上就是“Python之Seaborn實例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。