宝藏级全网最全的Seaborn详细教程-数据分析必备手册（2万字总结）

Posted 2021-12-12 ZSYL

数据分析必备手册-Seaborn详细教程

• seaborn库
• • 安装：
  • 官方文档：
• 关系绘图
• • relplot
  • • 1. 基本使用：
    • 2. 添加hue参数：
    • 3. 添加col和row参数：
    • 4. 指定具体的列：
    • 5. 绘制折线图：
• 分类绘图
• • 1. 分类散点图：
  • • 1.1. stripplot：
    • 1.2. swarmplot：
    • 1.3. 横向分类散点图：
  • 2. 分类分布图：
  • • 2.1. 箱线图：
    • 2.2. 小提琴图：
  • 3. 分类统计图：
  • • 3.1. 条形图：
    • 3.2. 柱状图：
    • 3.3. 点线图：
• 分布绘图
• • 单变量分布：
  • 二变量分布：
  • • 散点图：
    • 六边形图：
    • jointplot其他常用参数：
  • 成对绘图（pairplot）：
• 线性回归绘图
• FacetGrid结构图
• • 普通的Axes绘图：
  • FacetGrid基本使用：
  • 绘制多个图形：
  • 添加颜色观察字段：
  • 设置每个图形的尺寸：
  • 设置图例：
  • 设置标题：
  • 设置坐标轴：
  • `g.set`方法：
  • `g.fig`：
• 样式风格设置
• • 自带的样式：
  • 风格设置函数：
  • • 1. `sns.axes_style`：
  • 2. `sns.set_style()`：
  • 3. `sns.set`：
• 调色盘设置
• • 定性调色盘：
  • • 1. 默认调色盘：
    • 2. hls圆形颜色系统：
    • 3. 分类颜色：
    • 4. 用xkcd颜色：
  • 连续的颜色盘：
  • 离散的色盘：
  • 官方文档：
• Seaborn实例
• • 1. 有一组温度数据，按照时间和温度绘制折线图
  • 2. 有以下国家数据，根据时间绘制条形图
  • 3. 有链家网的数据，请按照以下要求实现绘图

seaborn库

Seaborn是一种基于matplotlib的图形可视化库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数，之前通过matplotlib需要很多代码才能完成的绘图，使用seaborn可能就是一行代码的事情。总结一句话：使用seaborn绘图比matplotlib更好看，更简单！

安装：

1. 通过pip：pip install seaborn。
2. 通过anaconda： conda install seaborn。

官方文档：

https://seaborn.pydata.org/tutorial.html

Seaborn用起来还是很方便！

关系绘图

relplot

这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。

实际上以下两个函数就是relplot的特例：

1. scatterplot：relplot(kind='scatter')。
2. lineplot：relplot(kind='line')。

1. 基本使用：

import seaborn as sns
tips = sns.load_dataset("tips",cache=True)
sns.relplot(x="total_bill",y="tip",data=tips)

效果图如下：

2. 添加hue参数：

hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数，那么可以通过以下代码来实现：

sns.relplot(x="total_bill",y="tip",hue="day",data=tips)

效果图如下：

3. 添加col和row参数：

col和row，可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示，那么可以通过以下代码来实现：

sns.relplot(x="total_bill",y="tip",hue="day",col="time",data=tips)

效果图如下：

也可以再在row上添加一个新的变量，比如把性别按照行显示出来，代码如下：

sns.relplot(x="total_bill",y="tip",hue="day",col="time",row="sex",data=tips)

效果图如下：

4. 指定具体的列：

有时候我们的图有很多，默认情况下会在一行中全部展示出来，那么我们可以通过col_wrap来指定具体多少列。示例代码如下：

sns.relplot(x="total_bill",y="tip",col="day",col_wrap=2,data=tips)

效果图如下：

5. 绘制折线图：

relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据（比如x轴是N个数，y轴也必须为N个数）。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下：

fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)

效果图如下：

当然也可以添加其他的参数，用来控制整个图的样式和结构。示例代码如下：

# 设置hue为event，就会根据event来绘制不同的颜色
# 设置col为region，就会根据region值的个数来绘制指定个数的图
# 设置style为event，就会根据event来设置线条的样式
sns.relplot(x="timepoint",y="signal",kind="line",hue="event",col="region",style="event",data=fmri)

效果图如下：

分类绘图

分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图，如果想要绘制其他类型的图，同样也是通过kind参数来指定。并且分类绘图中，分成分类散点图，分类分布图，分类统计图。

1. 分类散点图：

分类散点图比较适合数据量不是很多的情况，他是用catplot来实现，但是也有以下两个特别的方法。

1. stripplot()：catplot(kind="strip")，默认的。
2. swarmplot()：catplot(kind="swarm")。

1.1. stripplot：

示例代码如下：

sns.catplot(x="day",y="total_bill",data=tips,hue="sex")

示例图如下：

1.2. swarmplot：

以上图展示的是按照星期几的分类散点图，看起来这些点有点重合，如果想要散开来，那么可以使用catplot(kind="swarm")。示例代码如下：

sns.catplot(x="day",y="total_bill",kind="swarm",data=tips,hue="sex")

catplot方法不能使用size和style参数。

1.3. 横向分类散点图：

想要将垂直的分类散点图变成横向的，只需要把x和y对应的值进行互换即可。

sns.catplot(y="day",x="total_bill",kind="swarm",data=tips,hue="sex")

效果图如下：

2. 分类分布图：

分类分布图，主要是根据分类来看，然后在每个分类下数据的分布情况。也是通过catplot来实现，以下三个方法分别是不同的kind参数：

1. boxplot()：catplot(kind="box")。
2. violinplot()：catplot(kind="violin")。

2.1. 箱线图：

示例代码如下：

athletes = pd.read_csv("athlete_events.csv")
countries = {
    'CHN':'中国',
    'JPN':"日本",
    'KOR':'韩国',
    'USA':"美国",
    'CAN':"加拿大",
    'BRA':"巴西",
    'GBR':"英国",
    'FRA':"法国",
    'ITA':"意大利",
    'ETH':"埃塞俄比亚",
    'KEN':"肯尼亚",
    'NIG':"尼日利亚",
}
plt.rcParams['font.sans-serif'] = ['FangSong']
# print(plt.rcParams.keys())
need_athletes = athletes[athletes['NOC'].isin(list(countries.keys()))]
g = sns.catplot(x="NOC",y="Height",data=need_athletes,kind="box",hue="Sex")
g.fig.set_size_inches(20,5)
g.set_xticklabels(list(countries.values()))

效果图如下：

2.2. 小提琴图：

小提琴实际上就是两个对称的核密度曲线合并起来，然后中间是一个箱线图（也可以为其他图）组成的。通过小提琴图可以看出数据的分布情况。

示例代码如下：

sns.catplot(x="day",y="total_bill",data=tips,kind="violin",hue="sex",split=True)

效果图如下：

小提琴的中间默认绘制的是箱线图，也可以修改为其他类型的。可以通过inner参数修改，这个参数有以下几个选项：

1. box：默认的，箱线图。

2. quartile：四分位数。上下四分位数加中位数。
   

3. point：散点。
   

4. stick：线条。
   

3. 分类统计图：

分类统计图，则是根据分类，统计每个分类下的数据的个数或者比例。有以下几种方式：

1. barplot()：catplot(kind="bar")。
2. pointplot()：catplot(kind="point")。
3. countplot()：catplot(kind="count")。

3.1. 条形图：

seaborn中的条形图具有统计功能，可以统计出比例，平均数，也可以按照你想要的统计函数来统计。

示例代码如下：

1. 统计平均数：

# 统计星期三到星期天的消费总额的平均数
sns.catplot(x="day",y="total_bill",data=tips,kind="bar")

2. 统计比例：

 # 统计男女中获救的比例
 sns.catplot(data=titanic,kind="bar",x="sex",y="survived")

3. 自定义统计函数：

 # 自定义统计函数，统计出每个性别下获救的人数
 sns.barplot(x="sex",y="survived",data=titanic,estimator=lambda values:sum(values))

3.2. 柱状图：

柱状图是专门用来统计某个单一变量出现数量的图形。示例代码如下：

sns.catplot(x="sex",data=titanic,kind="count")

也可以通过使用hue参数来指定分组：

sns.catplot(x="day",kind="count",data=tips,hue="sex")

3.3. 点线图：

点线图可以非常方便的看到变量之间的趋势变化。示例代码如下：

sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")

效果图如下：

分布绘图

分布绘图分为单一变量分布，多变量分布，成对绘图。以下进行讲解。

单变量分布：

单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot，其中dist是distribution的简写，不是histogram的简写。

示例代码如下：

sns.set(color_codes=True)
titanic = sns.load_dataset("titanic")
titanic = titanic[~np.isnan(titanic['age'])]
sns.distplot(titanic['age'])

效果图如下：

有以下常用参数：

1. kde（核密度曲线）：这个代表是否要显示kde曲线，默认是显示的，如果显示kde曲线，那么y轴表示的就是概率，而不是数量。也可以设置为False关掉。

示例代码如下：

 sns.distplot(titanic['age'],kde=False)

2. bins：代表这个直方图显示的数量。也可以通过自己设置。

示例代码如下：

 sns.distplot(titanic['age'],bins=30)

3. rug：代表是否需要显示底部的胡须下线，下面的胡须线越密集的地方，说明数据量越多。

示例代码如下：

 sns.distplot(titanic['age'],rug=True)

二变量分布：

多变量分布图可以看出两个变量之间的分布关系。一般都是采用多个图进行表示。

多变量分布图采用的函数是jointplot。

散点图：

示例代码如下：

tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips)

效果图如下：

通过设置kind='reg'可以设置回归绘图和核密度曲线。

示例代码如下：

g = sns.jointplot(x="total_bill", y="tip", data=tips,kind="reg")

效果图如下：

六边形图：

对于一些数据量特别大的数据，用散点图不太利于观察，比如查看奥运会中国运动员的身高和体重分布情况，如果用散点图将会是以下的效果：

athletes = pd.read_csv("athlete_events.csv")
china_athletes = athletes[athletes['NOC']=='CHN']
sns.jointplot(x="Height",y="Weight",data=china_athletes)

针对这种数据量比较大的情况，可以采用六边形图来绘制，也就是将之前的散点变成六边形，六边形有一个区间大小，之前这些点落在这个六边形中越多颜色越深。

示例代码如下：

sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex")

默认情况，在x轴的区间内，可以展示100个六边形，所以默认情况下六边形的尺寸会比较小，如果想要展示得更大一点，那么可以设置减少六边形的个数，通过gridsize设置。

示例代码如下：

sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)

更多请参考：

jointplot其他常用参数：

1. x,y,data：绘制图的数据。
2. kind：scatter、reg、resid、kde、hex。
3. color：绘制元素的颜色。
4. height：图的大小，图会是一个正方形。
5. ratio：主图和副图的比例，只能为一个整形。
6. space：主图和副图的间距。
7. dropna：是否需要删除x或者y值中出现了NAN的值。
8. marginal_kws：副图的一些属性，比如设置bins、rug等。

成对绘图（pairplot）：

pairplot可以把某个数据集中某几个字段之间的关系图一次性绘制出来。比如iris鸢尾花数据，我们想要看到petal_width、petal_height、sepal_width以及sepal_height之间的关系，那么我们就可以通过pairplot来绘制。

示例代码如下：

sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'])

效果图如下：

默认情况下，对角线的图（x和y轴的列相同）是直方图，其他地方的图是散点图，如果想要修改这两种图，可以通过diag_kind和kind来实现。

其中这两个参数可取的值为：

1. diag_kind：auto, hist, kde。
2. kind：scatter, reg。

示例代码如下：

sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'],diag_kind="kde",kind="reg")

线性回归绘图

线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串，并且data的值不能为空：

1. regplot(x,y,data=None)。
2. lmplot(x,y,data)。

示例代码如下：

sns.lmplot(x="total_bill",y="tip",data=tips)

也可以通过regplot来实现。示例代码如下：

sns.regplot(x=tips["total_bill"],y=tips["tip"])

更多请参考文档：https://seaborn.pydata.org/tutorial/regression.html

FacetGrid结构图

之前我们在绘图的时候，学了relplot、catplot、lmplot等，这些函数可以通过col、row等在一个Figure中绘制多个图。这些函数之所以有这些功能，是因为他们的底层使用了FacetGrid来组装这些图形。今天我们就来学习FacetGrid的使用。

普通的Axes绘图：

在学习FacetGrid绘图之前，先来了解一下，实际上seaborn的绘图函数中也有大量的直接使用Axes进行绘图的，凡是函数名中已经明确显示了这个图的类型，这种图都是使用Axes绘图的。

比如sns.scatterplot、sns.lineplot、sns.barplot等。Axes绘图可以直接使用之前matplotlib的一些方式设置图的元素。

示例代码如下：

fig,[ax1,ax2] = plt.subplots(2,1,figsize=(10,10))
sns.scatterplot(x="total_bill",y="tip",data=tips,ax=ax1)
sns.barplot(x="day",y="total_bill",data=tips,ax=ax2)

FacetGrid基本使用：

先创建一个FacetGrid对象，然后再调用这个对象的map方法。其中map方法的第一个参数是一个函数，后续map将调用这个函数来绘制图形。后面的参数就是传给这个函数的参数。

示例代码如下：

tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips)
g.map(plt.scatter,"total_bill","tip")

效果图如下：

其中第一个参数是可以绘制Axes图，并且可以接收color参数的函数。可以取的值如下：

参数	描述	对应使用了FacetGrid函数
plt.plot/sns.lineplot	绘制折线图	sns.relplot(kind="line")
plt.hexbin	绘制六边形图形	sns.jointplot(kind="hex")
plt.hist	绘制直方图	sns.distplot
plt.scatter/sns.scatterplot	绘制散点图	sns.relplot(kind="scatter")
sns.stripplot	绘制分类散点图	sns.catplot(kind="strip")
sns.swarmplot	绘制散开来的分类散点图	sns.catplot(kind="swarm")
sns.boxplot	绘制箱线图	sns.catplot(kind="box")
sns.violinplot	绘制小提琴图	sns.catplot(kind="violin")
sns.pointplot	绘制点线图	sns.catplot(kind="point")
sns.barplot	绘制条形图	sns.catplot(kind="bar")
sns.countplot	绘制数量柱状图	sns.catplot(kind="count")
sns.regplot	绘制带有回归线的散点图	sns.lmplot

绘制多个图形：

FacetGrid可以通过col和row参数，来在一个Figure上绘制多个图形，其中col和row都是数据集中的某个列的名字。只要指定这个名字，那么就会自动的按照指定列的值的个数绘制指定个数的图形。

示例代码如下：

g = sns.FacetGrid(tips,col="day",col_wrap=2)
g.map(sns.regplot,"total_bill","tip")

效果图如下：

添加颜色观察字段：

可以通过添加hue参数来控制每个图中元素的颜色来观察其他的字段。

示例代码如下：

g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")

也可以通过hue_kws参数来添加hue散点的属性，比如设置散点的样式等。

设置每个图形的尺寸：

使用FacetGrid绘制出图形后，有时候我们想设置每个图形的尺寸或者是宽高比，那么我们可以通过在FacetGrid中设置height和aspect来实现，其中height表示的是每个图形的尺寸（默认是宽高一致），aspect表示的是宽度/高度的比例。

示例代码如下：

g = sns.FacetGrid(tips,col="day",row="time",height=10,aspect=2)
g.map(sns.regplot,"total_bill","tip")

效果图如下：

设置图例：

默认情况下，不会添加图例，我们可以通过g.add_legend()来添加图例。

示例代码如下：

g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")
g.add_legend()

另外还可以：

1. 通过title来控制图例的标题。
2. 通过label_order来控制图例元素的顺序。

示例代码如下：

sns.set(rc={"font.sans-serif":"simhei"})
g3 = sns.FacetGrid(tips,col="day",hue="time")
g3.map(plt.scatter,"total_bill","tip")
new_labels = ['午餐','晚餐']
g3.add_legend(title="时间")
for t,l in zip(g3._legend.texts,new_labels):
    t.set_text(l)

设置标题：

设置标题可以通过g.set_titles(template=None,row_template=None,col_template=None)来实现，这三个参数分别代表的意义如下：

1. template：给图设置标题，其中有{row_var}：绘制每行图像的名称，{row_name}：绘制每行图像的值，{col_var}：绘制每列图像的名称，{col_name}：绘制每列图像的值这几个参数可以使用。
2. col_template：给图像设置列的标题。其中有{col_var}以及{col_name}可以使用。
3. row_template：给图像设置行的标题。其中有{row_var}以及{row_name}可以使用。

示例代码如下：

g = sns.以上是关于宝藏级全网最全的Seaborn详细教程-数据分析必备手册（2万字总结）的主要内容，如果未能解决你的问题，请参考以下文章
 
 宝藏级全网最全的Matplotlib详细教程-数据分析必备手册（4.5万字总结）
 宝藏级全网最全的Pandas详细教程（2万字总结）
 宝藏级全网最全的Pandas详细教程（2万字总结）
 全网首发图像可视化新利器Seaborn-image保姆级教程
 2021全网最全Activiti7教程01(Activiti7详细介绍-欢迎收藏)
 2021全网最全Activiti7教程01(Activiti7详细介绍-欢迎收藏)