Python数据可视化三部曲之 Seaborn 从上手到上头(下)

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

目录
相关文章
|
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。
126 3
|
2月前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
87 8
|
2月前
Seaborn 教程-主题(Theme)
Seaborn 教程-主题(Theme)
155 7
|
2月前
|
Python
Seaborn 教程-模板(Context)
Seaborn 教程-模板(Context)
57 4
|
2月前
|
数据可视化 Python
Seaborn 教程
Seaborn 教程
64 5
|
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。
105 8
|
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!
|
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。
81 9
|
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。
|
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。

热门文章

最新文章

推荐镜像

更多