查看原文
其他

我用Python的Seaborn库,绘制了17个超好看图表!

快学Python 2022-05-28

The following article is from 菜J学Python Author J哥

人生苦短,快学Python!

Seaborn是一个基于matplotlib且数据结构与pandas统一的统计图制作库。Seaborn框架旨在以数据可视化为中心来挖掘与理解数据。

优点

  1. 代码较少
  2. 图形美观
  3. 功能齐全
  4. 主流模块安装

pip命令安装

pip install matplotlib  
pip install seaborn  

从github安装

pip install git+https://github.com/mwaskom/seaborn.git  

流程

导入绘图模块

import matplotlib.pyplot as plt  
import seaborn as sns  

提供显示条件

%matplotlib inline  #在Jupyter中正常显示图形  

导入数据

#Seaborn内置数据集导入  
dataset = sns.load_dataset('dataset')  
  
#外置数据集导入(以csv格式为例)  
dataset = pd.read_csv('dataset.csv')  

设置画布

#设置一块大小为(12,6)的画布  
plt.figure(figsize=(126))  

输出图形

#整体图形背景样式,共5种:"white", "dark", "whitegrid", "darkgrid", "ticks"  
sns.set_style('white')  
  
#以条形图为例输出图形  
sns.barplot(x=x,y=y,data=dataset,...)  
  
'''  
barplot()括号里的是需要设置的具体参数,  
涉及到数据、颜色、坐标轴、以及具体图形的一些控制变量,  
基本的一些参数包括'x'、'y'、'data',分别表示x轴,y轴,  
以及选择的数据集。  
'''
  

保存图形

#将画布保存为png、jpg、svg等格式图片  
plt.savefig('jg.png')  

实战

#数据准备  
df = pd.read_csv('./cook.csv'#读取数据集(「菜J学Python」公众号后台回复cook获取)  
df['难度'] = df['用料数'].apply(lambda x:'简单' if x<5 else('一般' if x<15  else '较难')) #增加难度字段  
df = df[['菜谱','用料','用料数','难度','菜系','评分','用户']] #选择需要的列  
df.sample(5)  #查看数据集的随机5行数据  
#导入相关包  
import numpy as np  
import pandas as pd  
import matplotlib.pyplot as plt  
import matplotlib as mpl  
import seaborn as sns  
%matplotlib inline  
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置加载的字体名  
plt.rcParams['axes.unicode_minus'] = False    # 解决保存图像是负号'-'显示为方块的问题  
sns.set_style('white')   #设置图形背景样式为white  

直方图

#语法  
'''  
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,  
hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None,  
vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)  
'''
  
  
#distplot()输出直方图,默认拟合出密度曲线  
plt.figure(figsize=(106)) #设置画布大小  
rate = df['评分']  
sns.distplot(rate,color="salmon",bins=20#参数color样式为salmon,bins参数设定数据片段的数量  
#kde参数设为False,可去掉拟合的密度曲线  
plt.figure(figsize=(106))  
sns.distplot(rate,kde=False,color="salmon",bins=20)  
#设置rug参数,可添加观测数值的边际毛毯  
fig,axes=plt.subplots(1,2,figsize=(10,6)) #为方便对比,创建一个1行2列的画布,figsize设置画布大小  
  
sns.distplot(rate,color="salmon",bins=10,ax=axes[0]) #axes[0]表示第一张图(左图)  
  
sns.distplot(rate,color="green",bins=10,rug=True,ax=axes[1]) #axes[1]表示第一张图(右图)  
#多个参数可通过字典传递  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
sns.distplot(rate,color="salmon",bins=20,rug=True,ax=axes[0])  
  
sns.distplot(rate,rug=True,  
                     hist_kws={'color':'g','label':'直方图'},  
                     kde_kws={'color':'b','label':'密度曲线'},  
                     bins=20,  
                     ax=axes[1])  

散点图

常规散点图:scatterplot

#语法  
'''  
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None,  
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,  
size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None,  
y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto',  
x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
#hue参数,对数据进行细分  
sns.scatterplot(x="用料数", y="评分",hue="难度",data=df,ax=axes[0])  
  
#style参数通过不同的颜色和标记显示分组变量  
sns.scatterplot(x="用料数", y="评分",hue="难度",style='难度',data=df,ax=axes[1])  

分簇散点图:stripplot

#语法  
'''  
seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None, jitter=True, dodge=False, orient=None, color=None,  
palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)  
'''
  
  
#设置jitter参数控制抖动的大小  
plt.figure(figsize=(106))  
sns.stripplot(x="菜系", y="评分",hue="难度",jitter=1,data=df)  

分类散点图:swarmplot

#绘制分类散点图(带分布属性)  
#语法  
'''  
seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None, dodge=False, orient=None, color=None, palette=None,  
size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)  
'''
  
  
plt.figure(figsize=(106))  
sns.swarmplot(x="菜系", y="评分",hue="难度",data=df)  

条形图

常规条形图:barplot

#语法  
'''  
seaborn.barplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None,ci=95, n_boot=1000, units=None, orient=None, color=None,  
palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None,  
ax=None, estimator=<function mean>,**kwargs)  
'''
  
  
#barplot()默认展示的是某种变量分布的平均值(可通过修改estimator参数为max、min、median等)  
# from numpy import median  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
sns.barplot(x='菜系',y='评分',color="r",data=df,ax=axes[0])  
  
sns.barplot(x='菜系',y='评分',color="salmon",data=df,estimator=min,ax=axes[1])  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
#设置hue参数,对x轴的数据进行细分  
sns.barplot(x='菜系',y='评分',color="salmon",hue='难度',data=df,ax=axes[0])  
#调换x和y的顺序,可将纵向条形图转为水平条形图  
sns.barplot(x='评分',y='菜系',color="salmon",hue='难度',data=df,ax=axes[1])  

计数条形图:countplot

#语法  
'''  
seaborn.countplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
#选定某个字段,countplot()会自动统计该字段下各类别的数目  
sns.countplot(x='菜系',color="salmon",data=df,ax=axes[0])  
#同样可以加入hue参数  
sns.countplot(x='菜系',color="salmon",hue='难度',data=df,ax=axes[1])  

折线图

#语法  
'''  
seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None,  
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None,  
size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean',  
ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
#默认折线图有聚合  
sns.lineplot(x="用料数", y="评分", hue="菜系",data=df,ax=axes[0])  
  
#estimator参数设置为None可取消聚合  
sns.lineplot(x="用料数", y="评分", hue="菜系",estimator=None,data=df,ax=axes[1])  

箱图

箱线图:boxplot

#语法  
'''  
seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None, orient=None, color=None, palette=None, saturation=0.75,  
width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)  
'''
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
sns.boxplot(x='菜系',y='评分',hue='难度',data=df,ax=axes[0])  
  
#调节order和hue_order参数,可以控制x轴展示的顺序,linewidth调节线宽  
sns.boxplot(x='菜系',y='评分',hue='难度',data=df,color="salmon",linewidth=1,  
                    order=['清真菜','粤菜','东北菜','鲁菜','浙菜','湖北菜','川菜'],  
                    hue_order=['简单','一般','较难'],ax=axes[1])  

箱型图:boxenplot

#语法  
'''  
seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None, orient=None, color=None, palette=None, saturation=0.75,  
width=0.8, dodge=True, k_depth='proportion', linewidth=None, scale='exponential',  
outlier_prop=None, ax=None, **kwargs)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
sns.boxenplot(x='菜系',y='评分',hue='难度',data=df,color="salmon",ax=axes[0])  
  
#palette参数可设置调色板  
sns.boxenplot(x='菜系',y='评分',hue='难度',data=df, palette="Set2",ax=axes[1])  

小提琴图

#语法  
'''  
seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None,  
hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True,  
gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None,  
linewidth=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
sns.violinplot(x='菜系',y='评分',data=df, color="salmon",linewidth=1,ax=axes[0])  
#inner参数可在小提琴内部添加图形,palette设置颜色渐变  
sns.violinplot(x='菜系',y='评分',data=df,palette=sns.color_palette('Greens'),inner='stick',ax=axes[1])  

回归图

regplot

'''  
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci',  
                scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None,  
                order=1, logistic=False, lowess=False, robust=False, logx=False,  
                x_partial=None, y_partial=None, truncate=False, dropna=True,  
                x_jitter=None, y_jitter=None, label=None, color=None, marker='o',  
                scatter_kws=None, line_kws=None, ax=None)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
#marker参数可设置数据点的形状  
sns.regplot(x='用料数',y='评分',data=df,color='r',marker='+',ax=axes[0])  
#ci参数设置为None可去除直线附近阴影(置信区间)  
sns.regplot(x='用料数',y='评分',data=df,ci=None,color='g',marker='*',ax=axes[1])  

lmplot

#语法  
'''  
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None,  
               col_wrap=None, height=5, aspect=1, markers='o', sharex=True,  
               sharey=True, hue_order=None, col_order=None, row_order=None,  
               legend=True, legend_out=True, x_estimator=None, x_bins=None,  
               x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000,  
               units=None, order=1, logistic=False, lowess=False, robust=False,  
               logx=False, x_partial=None, y_partial=None, truncate=False,  
               x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)  
'''
  
  
#lmplot()可以设置hue,进行多个类别的显示,而regplot()是不支持的  
sns.lmplot(x='用料数',y='评分',hue='难度',data=df,  
           palette=sns.color_palette('Reds'),ci=None,markers=['*','o','+'])  
  

热力图

#语法  
'''  
seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None,  
                robust=False, annot=None, fmt='.2g', annot_kws=None,  
                linewidths=0, linecolor='white', cbar=True, cbar_kws=None,  
                cbar_ax=None, square=False, xticklabels='auto',  
                yticklabels='auto', mask=None, ax=None, **kwargs)  
'''
  
  
fig,axes=plt.subplots(1,2,figsize=(10,6))  
h=pd.pivot_table(df,index=['菜系'],columns=['难度'],values=['评分'],aggfunc=np.mean)  
sns.heatmap(h,ax=axes[0])  
  
#annot参数设置为True可显示数字,cmap参数可设置热力图调色板  
cmap = sns.diverging_palette(200,20,sep=20,as_cmap=True)  
sns.heatmap(h,annot=True,cmap=cmap,ax=axes[1])  
#保存图形  
plt.savefig('jg.png')  



推荐阅读    点击标题可跳转
Python 3.10刚发布,这5点非常值得学习!Python可视化 | 一行代码轻松绘制统计图表! Python 用5行代码学机器学习——线性回归 3000字长文,Pandas美化你的Excel表格!



点击这里,阅读更多Python文章!

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存