AI 助理
备案控制台
开发者社区 开发与运维 文章 正文

Python数据可视化三部曲之 Seaborn 从上手到上头（下）

2022-04-20 357
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Python数据可视化三部曲之 Seaborn 从上手到上头

6. 绘制直方图 displot()

绘制直方图使用的是sns.displot()方法

bins=6 表示 分成六个区间绘图

rug=True 表示在x轴上显示观测的小细条

kde=True表示显示核密度曲线

sns.set_style(‘darkgrid’)

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

sns.displot(data=df1[[‘C属性值’]], bins=6, rug=True, kde=True)

plt.title(“直方图”, fontsize=18)

plt.xlabel(‘C属性值’, fontsize=18)

plt.ylabel(‘数量’, fontsize=16)

plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)

plt.show()

image.png

随机生成300个正态分布数据，并绘制直方图，显示核密度曲线

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(“直方图”, fontsize=18)
plt.xlabel(‘C属性值’, fontsize=18)

plt.ylabel(‘数量’, fontsize=16)

plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)

plt.show()

2.png

7. 绘制条形图 barplot()

绘制条形图使用的是barplot()方法


以产品类型 字段数据作为x轴数据，A属性值数据作为y轴数据。按照厂商编号字段的不同进行分类。

具体如下：

sns.set_style(‘darkgrid’)

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

sns.barplot(x=“产品类型”, y=‘A属性值’, hue=“厂商编号”, data=df1)

plt.title(“条形图”, fontsize=18)

plt.xlabel(‘产品类型’, fontsize=18)

plt.ylabel(‘数量’, fontsize=16)

plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)

plt.show()

3.png

8. 绘制线性回归模型

绘制线性回归模型使用的是lmplot()方法。

主要的参数为x, y, data。分别表示x轴数据、y轴数据和数据集数据。


除此之外，同上述所讲，还可以通过hue指定分类的变量；

通过col指定列分类变量，以绘制 横向多重子图；

通过row指定行分类变量，以绘制 纵向多重子图；

通过col_wrap控制每行子图的数量；

通过size可以控制子图的高度；

通过markers可以控制点的形状。


下边对 X属性值 和 Y属性值 做线性回归，代码如下：

sns.set_style(‘darkgrid’)

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

sns.lmplot(x=“A属性值”, y=‘B属性值’, data=df1)

plt.title(“线性回归模型”, fontsize=18)

plt.xlabel(‘A属性值’, fontsize=18)

plt.ylabel(‘B属性值’, fontsize=16)

plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)

plt.show()

4.png

9. 绘制 核密度图 kdeplot()

9.1 一般核密度图

绘制和密度图，可以让我们更直观地看出样本数据的分布特征。绘制核密度图使用的方法是kdeplot()方法。


对A属性值和B属性值绘制核密度图，

将shade设置为True可以显示包围的阴影，否则只有线条。

sns.set_style(‘darkgrid’)

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

sns.kdeplot(df1[“A属性值”], shade=True, data=df1, color=‘r’)

sns.kdeplot(df1[“B属性值”], shade=True, data=df1, color=‘g’)

plt.title(“核密度图”, fontsize=18)

plt.xlabel(‘Value’, fontsize=18)

plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)

plt.show()

5.png

9.2 边际核密度图

绘制边际核密度图时使用的是sns.jointplot()方法。参数kind应为"kde"。使用该方法时，默认使用的是dark样式。且不建议手动添加其他样式，否则可能使图像无法正常显示。

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

sns.jointplot(x=df1[“A属性值”], y=df1[“B属性值”], kind=“kde”, space=0)

plt.show()

6.png

10. 绘制 箱线图 boxplot()

绘制箱线图使用到的是boxplot()方法。

基本的参数有x, y, data。


除此之外 还可以有

hue 表示分类字段

width 可以调节箱体的宽度

notch 表示中间箱体是否显示缺口，默认False不显示。


鉴于前边的数据数据量不太够不便展示，这里再生成一组数据：

np.random.seed(13)

Y = np.random.randint(20, 150, 360)

df2 = pd.DataFrame(

{‘厂商编号’: [‘001’, ‘001’, ‘001’, ‘002’, ‘002’, ‘002’, ‘003’, ‘003’, ‘003’, ‘004’, ‘004’, ‘004’] * 30,

‘产品类型’: [‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’, ‘AAA’, ‘BBB’, ‘CCC’] * 30,

‘XXX属性值’: Y

}

)


生成好后，开始绘制箱线图：

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

sns.boxplot(x=‘产品类型’, y=‘XXX属性值’, data=df2)

plt.show()

7.png

交换x、y轴数据后：

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

sns.boxplot(y=‘产品类型’, x=‘XXX属性值’, data=df2)

plt.show()


可以看到箱线图的方向也随之改变

8.png

将厂商编号作为分类字段：

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

sns.boxplot(x=‘产品类型’, y=‘XXX属性值’, data=df2, hue=“厂商编号”)

plt.show()

9.png

11. 绘制 提琴图 violinplot()

提琴图结合了箱线图和核密度图的特征，用于展示数据的分布形状。

使用violinplot()方法绘制提琴图。

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

sns.violinplot(x=‘产品类型’, y=‘XXX属性值’, data=df2)

plt.show()

10.png

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

sns.violinplot(x=‘XXX属性值’, y=‘产品类型’, data=df2)

plt.show()

image.png

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

sns.violinplot(x=‘产品类型’, y=‘XXX属性值’, data=df2, hue=“厂商编号”)

plt.show()

image.png

12. 绘制 热力图 heatmap()

以双色球中奖号码数据为例绘制热力图，这里数据采用随机数生成。

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(‘双色球热力图’)

sns.heatmap(data, annot=True, fmt=‘d’, lw=0.5)

plt.xlabel(‘中奖号码位数’)

plt.ylabel(‘双色球数字’)

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()

13.png

文章标签：
Python
数据可视化
Linux
关键词：
Python数据可视化
Python seaborn
Python数据可视化seaborn
Python数据可视化三部曲Seaborn
Python数据可视化三部曲
侯小啾
目录
相关文章
站大爷
|
2月前
|
数据可视化 数据挖掘 DataX
Python 数据可视化的完整指南
Python 数据可视化在数据分析和科学研究中至关重要，它能帮助我们理解数据、发现规律并以直观方式呈现复杂信息。Python 提供了丰富的可视化库，如 Matplotlib、Seaborn、Plotly 和 Pandas 的绘图功能，使得图表生成简单高效。本文通过具体代码示例和案例，介绍了折线图、柱状图、饼图、散点图、箱形图、热力图和小提琴图等常用图表类型，并讲解了自定义样式和高级技巧，帮助读者更好地掌握 Python 数据可视化工具的应用。
站大爷
126 3
听白
|
2月前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
听白
87 8
听白
|
2月前
Seaborn 教程-主题（Theme）
Seaborn 教程-主题（Theme）
听白
155 7
听白
|
2月前
|
Python
Seaborn 教程-模板（Context）
Seaborn 教程-模板（Context）
听白
57 4
听白
|
2月前
|
数据可视化 Python
Seaborn 教程
Seaborn 教程
听白
64 5
蓝易云
|
2月前
|
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。
蓝易云
105 8
肥猪肥猪-17824
|
2月前
|
数据可视化 Python
使用Python进行数据可视化的初学者指南
在数据的海洋里，我们如何能够不迷失方向？通过数据可视化的力量，我们可以将复杂的数据集转化为易于理解的图形和图表。本文旨在为初学者提供一份简明的入门手册，介绍如何使用Python中的Matplotlib库来揭示数据背后的故事。我们将从基础的图表开始，逐步深入到更高级的可视化技术，确保每个步骤都清晰易懂，让初学者也能轻松上手。让我们开始绘制属于你自己的数据图谱吧！
肥猪肥猪-17824
62 4
shuj
|
3月前
|
机器学习/深度学习 人工智能 数据可视化
使用Python进行数据可视化：探索与实践
在数字时代的浪潮中，数据可视化成为了沟通复杂信息和洞察数据背后故事的重要工具。本文将引导读者通过Python这一强大的编程语言，利用其丰富的库函数，轻松入门并掌握数据可视化的基础技能。我们将从简单的图表创建开始，逐步深入到交互式图表的制作，最终实现复杂数据的动态呈现。无论你是数据分析新手，还是希望提升报告吸引力的专业人士，这篇文章都将是你的理想指南。
shuj
81 9
天下无贼001
|
3月前
|
数据可视化 数据处理 Python
Python编程中的数据可视化技术
在Python编程中，数据可视化是一项强大的工具，它能够将复杂的数据集转化为易于理解的图形。本文将介绍如何使用matplotlib和pandas这两个流行的Python库来实现数据可视化，并展示一些实用的代码示例。通过这些示例，读者将学会如何创建各种图表，包括折线图、柱状图和散点图等，以便更好地理解和呈现数据。
天下无贼001
84 4
请看我回答~
|
3月前
|
移动开发 数据可视化 数据挖掘
利用Python实现数据可视化：以Matplotlib和Seaborn为例
【10月更文挑战第37天】本文旨在引导读者理解并掌握使用Python进行数据可视化的基本方法。通过深入浅出的介绍，我们将探索如何使用两个流行的库——Matplotlib和Seaborn，来创建引人入胜的图表。文章将通过具体示例展示如何从简单的图表开始，逐步过渡到更复杂的可视化技术，帮助初学者构建起强大的数据呈现能力。
请看我回答~
93 3

热门文章

最新文章

  • 1
    Python 中调用 DeepSeek-R1 API的方法介绍，图文教程
  • 2
    金融波动率的多模型建模研究：GARCH族与HAR模型的Python实现与对比分析
  • 3
    【新手必看】PyCharm2025 免费下载安装配置教程+Python环境搭建、图文并茂全副武装学起来才嗖嗖的快,绝对最详细!
  • 4
    python安装、vscode安装、conda安装：一文搞定Python的开发环境（史上最全）
  • 5
    Chainlit：一个开源的异步Python框架，快速构建生产级对话式 AI 应用
  • 6
    [oeasy]python062_在python中完成输入和输出_input_print
  • 7
    【03】做一个精美的打飞机小游戏，规划游戏项目目录-分门别类所有的资源-库-类-逻辑-打包为可玩的exe-练习python打包为可执行exe-优雅草卓伊凡-持续更新-分享源代码和游戏包供游玩-1.0.2版本
  • 8
    如何在Python中高效地读写大型文件？
  • 9
    Python GIL（全局解释器锁）机制对多线程性能影响的深度分析
  • 10
    用Python和Pygame打造绚丽烟花效果+节日祝福语
  • 1
    python pandas学习（一）
    12
  • 2
    深入剖析 Python 爬虫：淘宝商品详情数据抓取
    26
  • 3
    Python图像处理中的内存泄漏问题：原因、检测与解决方案
    11
  • 4
    Python入门：9.递归函数和高阶函数
    7
  • 5
    Python入门：8.Python中的函数
    10
  • 6
    Python入门：7.Pythond的内置容器
    9
  • 7
    Python入门：6.深入解析Python中的序列
    10
  • 8
    Python入门：4.Python中的运算符
    8
  • 9
    Python入门：3.Python的输入和输出格式化
    7
  • 10
    Python入门：2.注释与变量的全面解析
    8

    • 相关课程

    更多
  • Python Web开发基础
  • Python开发基础入门
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • 用Python画圣诞树
  • Github实时数据分析与可视化
  • 基于Kibana Lens进行数据可视化，灵活分析航班信息
  • 语言入门-1：环境构建
  • Python选择及循环结构
  • 云端Python及基本操作

    • 推荐镜像

    更多
  • python-release
    • 下一篇
    阿里云oss简介和如何对接使用