python可视化进阶---seaborn1.10 结构化图表可视化 FacetGrid()

简介: 结构化图表可视化FacetGrid()

结构化图表可视化

FacetGrid()

1.基本设置

#绘制直方图

示例1:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#设置风格、尺度
sns.set_style('ticks')
sns.set_context('paper')
import warnings 
warnings.filterwarnings('ignore')
#导入数据
tips = sns.load_dataset('tips')
print(tips.head())
#创建一个绘图表格区域,设置好row, col并分组
g = sns.FacetGrid(tips, col = 'time', row = 'smoker')
#以total_bill 字段数据分别做直方图统计
g.map(plt.hist, 'total_bill', alpha = 0.5, color = 'k', bins = 10)

20180911155510231.png

示例2:

g = sns.FacetGrid(tips, col = 'day',
                  size = 4,   #图表大小
                  aspect = 0.5  #图表长宽比
                  )
g.map(plt.hist, 'total_bill', bins = 10,
      histtype = 'step',     #'bar', 'barstacked', 'step', 'stepfilled'
      color = 'k')

20180911155543303.png

示例3:

g = sns.FacetGrid(tips, col = 'time', row = 'smoker')
g.map(plt.scatter,
      'total_bill','tip',   #share(x,y) ---> 设置x,y数据
      edgecolor = 'w', s = 40, linewidth = 1  #设置点大小,描边宽度及颜色
      )
#添加图例
g.add_legend()

20180911155648461.png

示例4:

#创建一个绘图表格区域,设置好col并分组,按hue分类
g = sns.FacetGrid(tips, col = 'time', hue = 'smoker')
g.map(plt.scatter,
      'total_bill','tip',   #share(x,y) ---> 设置x,y数据
      edgecolor = 'w', s = 40, linewidth = 1  #设置点大小,描边宽度及颜色
      )
#添加图例
g.add_legend()

20180911155736121.png

2.图表矩阵

#加载数据
attend = sns.load_dataset('attention')
print(attend.head())
g = sns.FacetGrid(attend, col = 'subject', 
                  col_wrap=5,#设置每行的图表数量
                  size = 1.5
                  )
#绘制图表矩阵
g.map(plt.plot, 'solutions', 'score',
      marker = 'o', color = 'gray', linewidth = 2)
#设置x,y轴刻度
g.set(xlim = (0,4),
      ylim = (0,10),
      xticks = [0,1,2,3,4],
      yticks = [0,2,4,6,8,10]
      )

20180911155827720.png

相关文章
|
29天前
|
数据可视化 Python
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
通过这些思维导图和分析说明表,您可以更直观地理解和选择适合的数据可视化图表类型,帮助更有效地展示和分析数据。
68 8
|
1月前
|
数据可视化 编译器 Python
Manim:数学可视化的强大工具 | python小知识
Manim(Manim Community Edition)是由3Blue1Brown的Grant Sanderson开发的数学动画引擎,专为数学和科学可视化设计。它结合了Python的灵活性与LaTeX的精确性,支持多领域的内容展示,能生成清晰、精确的数学动画,广泛应用于教育视频制作。安装简单,入门容易,适合教育工作者和编程爱好者使用。
288 7
|
2月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。
|
2月前
|
数据可视化 搜索推荐 Shell
Python与Plotly:B站每周必看榜单的可视化解决方案
Python与Plotly:B站每周必看榜单的可视化解决方案
|
2月前
|
数据可视化 JavaScript 前端开发
Python中交互式Matplotlib图表
【10月更文挑战第20天】Matplotlib 是 Python 中最常用的绘图库之一,但默认生成的图表是静态的。通过结合 mpld3 库,可以轻松创建交互式图表,提升数据可视化效果。本文介绍了如何使用 mpld3 在 Python 中创建交互式散点图、折线图和直方图,并提供了详细的代码示例和安装方法。通过添加插件,可以实现缩放、平移和鼠标悬停显示数据标签等交互功能。希望本文能帮助读者掌握这一强大工具。
87 5
|
3月前
|
机器学习/深度学习 数据可视化 Python
Python实用记录(三):通过netron可视化模型
使用Netron工具在Python中可视化神经网络模型,包括安装Netron、创建文件和运行文件的步骤。
60 2
Python实用记录(三):通过netron可视化模型
|
3月前
|
数据可视化 数据挖掘 Python
Seaborn 库创建吸引人的统计图表
【10月更文挑战第11天】本文介绍了如何使用 Seaborn 库创建多种统计图表,包括散点图、箱线图、直方图、线性回归图、热力图等。通过具体示例和代码,展示了 Seaborn 在数据可视化中的强大功能和灵活性,帮助读者更好地理解和应用这一工具。
51 3
|
2月前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始,然后进行数据探索性分析,最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文,你将学会如何运用Python进行数据处理和可视化展示。
|
3月前
|
数据采集 Web App开发 数据可视化
Python爬虫教程:Selenium可视化爬虫的快速入门
Python爬虫教程:Selenium可视化爬虫的快速入门