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
|
2月前
|
数据可视化 搜索推荐 大数据
基于python大数据的北京旅游可视化及分析系统
本文深入探讨智慧旅游系统的背景、意义及研究现状,分析其在旅游业中的作用与发展潜力,介绍平台架构、技术创新、数据挖掘与服务优化等核心内容,并展示系统实现界面。
|
4月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
528 0
|
4月前
|
存储 数据可视化 BI
Python可视化应用——学生成绩分布柱状图展示
本程序使用Python读取Excel中的学生成绩数据,统计各分数段人数,并通过Matplotlib库绘制柱状图展示成绩分布。同时计算最高分、最低分及平均分,实现成绩可视化分析。
301 0
|
2月前
|
数据可视化 数据挖掘 大数据
基于python大数据的水文数据分析可视化系统
本研究针对水文数据分析中的整合难、分析单一和可视化不足等问题,提出构建基于Python的水文数据分析可视化系统。通过整合多源数据,结合大数据、云计算与人工智能技术,实现水文数据的高效处理、深度挖掘与直观展示,为水资源管理、防洪减灾和生态保护提供科学决策支持,具有重要的应用价值和社会意义。
|
2月前
|
机器学习/深度学习 搜索推荐 数据可视化
基于python大数据的音乐可视化与推荐系统
本研究基于Python实现音乐数据采集、清洗、分析与可视化,并结合协同过滤算法构建个性化推荐系统。通过Echarts展示音乐热度及用户偏好,提升用户体验,助力音乐产业智能化发展。
|
2月前
|
搜索推荐 算法 大数据
基于python大数据的旅游景点可视化与推荐系统
本系统基于大数据与网络技术,构建个性化旅游推荐平台。通过收集用户偏好及行为数据,结合机器学习算法,提供精准的旅游目的地、住宿及交通推荐,旨在优化旅游信息传递,提升用户决策效率与旅行体验。
|
3月前
|
数据采集 数据可视化 API
驱动业务决策:基于Python的App用户行为分析与可视化方案
驱动业务决策:基于Python的App用户行为分析与可视化方案
|
4月前
|
存储 数据采集 数据可视化
Python自动化分析知网文献:爬取、存储与可视化
Python自动化分析知网文献:爬取、存储与可视化

推荐镜像

更多