Python matplotlib seaborn(学习笔记)(下)

简介: Seaborn是在matplotlib的基础上进行了更高级的API封装,从而使得作图更加容易,在大多数情况下使用seaborn就能做出很具有吸引力的图。

08 其余图形展示


sns.set_palette(color)
plt.figure(figsize=(15,7))
snsfig=sns.jointplot(x='PERSONS',y='BO',
                     data=cnboo,color='g',
                     space=0.1,kind='kde', joint_kws=dict(gridsize=40), # gridsize越小,网格越大
                     ratio=5,) #bins=10:表示分成10个柱 ,且这里的color控制柱形图的颜色
snsfig.fig.suptitle("电影场均人次与票价的双变量分布图",va='top',y=1.05)
snsfig.plot_joint(plt.scatter,c='r',s=20,linewidth=1,marker=".")
plt.show()

cc2789dc913e4b4f9a509ad288e991cf.png

sns.kdeplot(cnboo['BO'])

af13cb0a3a1d44ed86f9e34ffd000f06.png

sns.kdeplot(cnboo['BO'],shade=True) # 填充阴影

e4067bbed4e94f63b02d42054e26d214.png

sns.kdeplot(cnboo['PRICE'],shade=True,bw=.05)  # 核密度区间的设置

96f14db28eca4abbae2ca4c824872190.png


af4240a99105499290bd25993765b11a.png

sns.kdeplot(cnboo['PRICE'],shade=True);
sns.kdeplot(cnboo['PERSONS'],shade=True);

91b7a33a35174cfca72922a902692c20.png

sns.jointplot(x=cnboo['PERSONS'],y=cnboo['PRICE'],kind='kde',color="grey",space=0)
1

824de7db62094caaa18cf51ca421211b.png

y1=cnboo['BO']
y2=cnboo['PRICE']
y3=cnboo['PERSONS']
from scipy.stats import gamma
sns.distplot(y2,kde=False,fit=stats.gamma)

decb26a579e641a397d899af19a0d334.png

sns.kdeplot(y2,shade=True)
sns.kdeplot(y2,bw=0.2,label="bw:0.2");
sns.kdeplot(y2,bw=0.05,label="bw:0.05");
plt.legend()

be8ddd9b76cb4569829a92fd041de3b2.png

f,ax=plt.subplots(figsize=(10,10))
cmap=sns.cubehelix_palette(as_cmap=True,dark=0,light=1,reverse=False)
sns.kdeplot(y2,y3,cmap=cmap,n_level=20,shade=True)
75c22f51ff014a8f879a4fe9b250ef05.png
f,ax=plt.subplots(figsize=(10,10))
cmap=sns.cubehelix_palette(as_cmap=True,dark=0,light=1,reverse=True)
sns.kdeplot(y2,y3,cmap=cmap,n_level=20,shade=True)
f964fe0a054245afb80505a55892a5c4.png
f,ax=plt.subplots(figsize=(10,7))
sns.kdeplot(y2,y3,shade=True,ax=ax)
sns.rugplot(y3,vertical=True,ax=ax)
sns.rugplot(y2,color='g',ax=ax)
51170bb04f194cb9b1e0ff1393ae8760.png
snspairdf=cnboo[['PERSONS','PRICE','BO']]
sns.pairplot(snspairdf)
2b27e9a82d714280bd916b06230f2054.png
g=sns.pairplot(snspairdf)
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.kdeplot,cmpap='Blues_d',n_levels=6)

42349a59e85b49119f0bb893cdc2a90b.png

g=sns.pairplot(snspairdf,kind='reg')
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.kdeplot,cmpap='Blues_d',n_levels=6)

d397fe4c11f248f0af1883dcc6028eb1.png


相关文章
|
2月前
|
数据可视化 Python
Matplotlib 教程 之 Seaborn 教程 10
Seaborn 是基于 Matplotlib 的 Python 数据可视化库,专注于统计图形的绘制。它提供了高级接口和美观的默认主题,简化了复杂图形的生成过程。Seaborn 支持多种图表类型,如散点图、折线图、柱状图、热图等,并特别强调视觉效果。例如,使用 `sns.violinplot()` 可以轻松绘制展示数据分布的小提琴图。
32 1
|
5天前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
36 8
|
5天前
Seaborn 教程-主题(Theme)
Seaborn 教程-主题(Theme)
25 7
|
5天前
|
Python
Seaborn 教程-模板(Context)
Seaborn 教程-模板(Context)
26 4
|
5天前
|
数据可视化 Python
Seaborn 教程
Seaborn 教程
23 5
|
9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。
48 8
|
1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。
|
1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。
70 5
|
1月前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
67 5
|
2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。
46 3