目录
1、密度图、核密度图分布可视化：distplot函数+kdeplot函数
相关文章
Py之seaborn：seaborn库的简介、安装、使用方法之详细攻略
Py之seaborn：数据可视化seaborn库(一)的柱状图、箱线图(置信区间图)、散点图/折线图、核密度图/等高线图、盒形图/小提琴图/LV多框图的简介、使用方法之最强攻略(建议收藏)
Py之seaborn：数据可视化seaborn库(二)的组合图可视化之密度图/核密度图分布可视化、箱型图/散点图、小提琴图/散点图组合可视化的简介、使用方法之最强攻略(建议收藏)
二、组合图可视化
1、密度图、核密度图分布可视化：distplot函数+kdeplot函数
distplot()函数：集合了matplotlib的hist()与核函数估计kdeplot的功能，增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途。其中，直方图表示通过沿数据范围形成分箱，然后绘制条以显示落入每个分箱的观测次数的数据分布图。
1. fig, axes = plt.subplots(1,2,figsize=(10,6)) 2. sns.distplot(data_frame[cols[0]], # 不写为x=data_frame[cols[0]]，是因为这样可自动添加横坐标标签 3. # bins=10, # 自定义柱状宽度，不设置更好,会自动计算 4. # hist=True, 5. kde = True, norm_hist = False, # 柱状图是否按照密度来显示，如果为 False,显示计数，尝试测试----------------- 6. rug = True, # 单变量的柱状图，hist、ked、rug：bool，是否显示箱柱状图/密度曲线/边际毛毯数据分布/阴影，尝试测试----------------- 7. # fit=norm, # fit 可结合scipy库在图像上做拟合,拟合标准正态分布 8. vertical = False, # 是否水平显示，True 9. label='dis', # label 图例， 10. # axlabel=cols[0], # axlabel x轴标注 11. ax = axes[0], 12. ) 13. 14. sns.kdeplot(data_frame[cols[0]], 15. shade=True, # shade(颜色填充KDE曲线下方的区域) 16. bw=bw01, 17. label='kde_bw%.2f'%bw01, 18. # axlabel=cols[0], # label 图例，axlabel x轴标注 19. ax = axes[1], 20. )
2、箱型图、散点图组合可视化(仅第2变量必须为数值型)
1. sns.boxplot(x=cols[0],y=cols[1],data=data_frame, 2. hue=cols[2], # 该特征必须为类别型特征 3. linewidth=2, width=0.8, fliersize=3, # 线宽、箱之间的间隔比例，异常点大小 4. whis = 1.5, # 设置IQR 5. notch = True, # 设置是否以中值做凹槽，尝试测试----------------- 6. # order = ['Thur','Fri','Sat','Sun'], 7. ) 8. sns.swarmplot(x=cols[0],y=cols[1],data=data_frame, 9. # color ='k',size = 3,alpha = 0.8, 10. )
3、小提琴图、散点图组合可视化(仅第2变量必须为数值型)
1. sns.violinplot(x=cols[0],y=cols[1],data=data_frame, 2. hue=cols[2], # 该特征必须为类别型特征 3. scale = 'area', # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样 4. gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑 5. inner = 'box', # 设置内部显示类型 → box、quartile、point、stick、None，尝试测试----------------- 6. # split=True, # 设置是否拆分小提琴图，前提条件是第三特征为二类别属性，尝试测试----------------- 7. #bw = 0.8 # 控制拟合程度，一般可以不设置 8. ) 9. sns.swarmplot(x=cols[0],y=cols[1],data=data_frame, 10. hue=cols[2], # 该特征必须为类别型特征 11. # color="w", alpha=.5, 12. )
