Python图表数据可视化Seaborn：2. 分类数据可视化
Posted kris12
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python图表数据可视化Seaborn：2. 分类数据可视化相关的知识，希望对你有一定的参考价值。
1. 分类数据可视化 - 分类散点图
stripplot( ) / swarmplot( )
sns.stripplot(x="day",y="total_bill",data=tips,jitter = True, size = 5, edgecolor = \'w\',linewidth=1,marker = \'o\')
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns % matplotlib inline sns.set_style("whitegrid") sns.set_context("paper") # 设置风格、尺度 import warnings warnings.filterwarnings(\'ignore\') # 不发出警告
# 1、stripplot() # 按照不同类别对样本数据进行分布散点图绘制 tips = sns.load_dataset("tips") print(tips.head()) # 加载数据
print(tips[\'day\'].value_counts())
sns.stripplot(x="day", # x → 设置分组统计字段 y="total_bill", # y → 数据分布统计字段 # 这里xy数据对调，将会使得散点图横向分布 data=tips, # data → 对应数据 jitter = True, # jitter → 当点数据重合较多时，用该参数做一些调整，也可以设置间距如：jitter = 0.1 size = 5, edgecolor = \'w\',linewidth=1,marker = \'o\' # 设置点的大小、描边颜色或宽度、点样式 )
1.1 stripplot（）
hue参数可再分类
# 1、stripplot() 通过hue参数再分类 sns.stripplot(x="sex", y="total_bill", hue="day", data=tips, jitter=True)
# 1、stripplot() 设置调色盘 sns.stripplot(x="sex", y="total_bill", hue="day", data=tips, jitter=True, palette="Set2", # 设置调色盘 dodge=True, # 是否拆分 )
# 1、stripplot() 筛选分类类别 print(tips[\'day\'].value_counts()) # 查看day字段的唯一值 sns.stripplot(x="day", y="total_bill", data=tips,jitter = True, order = [\'Sat\',\'Sun\']) # order → 筛选类别
1.2 swarmplot（）分簇散点图
# 2、swarmplot() # 分簇散点图 sns.swarmplot(x="total_bill", y="day", data=tips, size = 5, edgecolor = \'w\',linewidth=1,marker = \'o\', palette = \'Reds\') # 用法和stripplot类似
2. 分类数据可视化 - 分布图
boxplot( ) / violinplot( ) / lvplot( )
2.1 boxplot（）箱型图
sns.boxplot(x="day", y="total_bill", data=tips,
linewidth = 2, # 线宽
width = 0.8, # 箱之间的间隔比例
fliersize = 3, # 异常点大小
palette = \'hls\', # 设置调色板
whis = 1.5, # 设置IQR
notch = True, # 设置是否以中值做凹槽
order = [\'Thur\',\'Fri\',\'Sat\',\'Sun\'], # 筛选类别
# 1、boxplot() # 箱型图 sns.boxplot(x="day", y="total_bill", data=tips, linewidth = 2, # 线宽 width = 0.8, # 箱之间的间隔比例 fliersize = 3, # 异常点大小 palette = \'hls\', # 设置调色板 whis = 1.5, # 设置IQR notch = True, # 设置是否以中值做凹槽 order = [\'Thur\',\'Fri\',\'Sat\',\'Sun\'], # 筛选类别 ) # 绘制箱型图 sns.swarmplot(x="day", y="total_bill", data=tips,color =\'k\',size = 3,alpha = 0.8) # 可以添加散点图
# 1、boxplot() 通过hue参数再分类 sns.boxplot(x="day", y="total_bill", data=tips, hue = \'smoker\', palette = \'Reds\') # 绘制箱型图 #sns.swarmplot(x="day", y="total_bill", data=tips,color =\'k\',size = 3,alpha = 0.8) # 可以添加散点图
2.2 violinplot（）小提琴图
sns.violinplot(x="day", y="total_bill", data=tips,
linewidth = 2, # 线宽
width = 0.8, # 箱之间的间隔比例
palette = \'hls\', # 设置调色板
order = [\'Thur\',\'Fri\',\'Sat\',\'Sun\'], # 筛选类别
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
gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑
inner = \'box\', # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None
#bw = 0.8 # 控制拟合程度，一般可以不设置
)
# 2、violinplot() 小提琴图 sns.violinplot(x="day", y="total_bill", data=tips, linewidth = 2, # 线宽 width = 0.8, # 箱之间的间隔比例 palette = \'hls\', # 设置调色板 order = [\'Thur\',\'Fri\',\'Sat\',\'Sun\'], # 筛选类别 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 gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑 inner = \'box\', # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None #bw = 0.8 # 控制拟合程度，一般可以不设置 ) # 用法和boxplot类似
# 2、violinplot() 通过hue参数再分类 sns.violinplot(x="day", y="total_bill", data=tips, hue = \'smoker\', palette="muted", split=True, # 设置是否拆分小提琴图 inner="quartile")
sns.violinplot（）+ sns.swarmplot（）小提琴图结合散点图
# 2、violinplot() 结合散点图 sns.violinplot(x="day", y="total_bill", data=tips, palette = \'hls\', inner = None) sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5) # 插入散点图
2.3 lvplot（） LV图表
sns.lvplot(x="day", y="total_bill", data=tips, palette="mako",
#hue = \'smoker\',
width = 0.8, # 箱之间间隔比例
linewidth = 12,
scale = \'area\', # 设置框的大小 → “linear”、“exonential”、“area”
k_depth = \'proportion\', # 设置框的数量 → “proportion”、“tukey”、“trustworthy”
)
# 3、lvplot() LV图表 sns.lvplot(x="day", y="total_bill", data=tips, palette="mako", #hue = \'smoker\', width = 0.8, # 箱之间间隔比例 linewidth = 12, scale = \'area\', # 设置框的大小 → “linear”、“exonential”、“area” k_depth = \'proportion\', # 设置框的数量 → “proportion”、“tukey”、“trustworthy” ) # 绘制LV图 sns.swarmplot(x="day", y="total_bill", data=tips,color =\'k\',size = 3,alpha = 0.8) # 可以添加散点图
3. 分类数据可视化 - 统计图
barplot( ) / countplot( ) / pointplot( )
3.1 barplot（）柱状图
sns.barplot(x="sex", y="survived", hue="class", data=titanic,
palette = \'hls\',
order = [\'male\',\'female\'], # 筛选类别
capsize = 0.05, # 误差线横向延伸宽度
saturation=.8, # 颜色饱和度
errcolor = \'gray\',errwidth = 2, # 误差线颜色，宽度
ci = \'sd\' # 置信区间误差 → 0-100内值、\'sd\'、None
)
# 1、barplot() # 柱状图 - 置信区间估计 # 置信区间：样本均值 + 抽样误差 titanic = sns.load_dataset("titanic") print(titanic.head()) print(\'-----\') # 加载数据
sns.barplot(x="sex", y="survived", hue="class", data=titanic, palette = \'hls\', order = [\'male\',\'female\'], # 筛选类别 capsize = 0.05, # 误差线横向延伸宽度 saturation=.8, # 颜色饱和度 errcolor = \'gray\',errwidth = 2, # 误差线颜色，宽度 ci = \'sd\' # 置信区间误差 → 0-100内值、\'sd\'、None )
print(titanic.groupby([\'sex\',\'class\']).mean()[\'survived\']) print(titanic.groupby([\'sex\',\'class\']).std()[\'survived\']) # 计算数据
# 1、barplot() # 柱状图 - 置信区间估计 sns.barplot(x="day", y="total_bill", hue="sex", data=tips, palette = \'Blues\',edgecolor = \'w\') tips.groupby([\'day\',\'sex\']).mean() # 计算数据
# 1、barplot() # 柱状图 - 置信区间估计 crashes = sns.load_dataset("car_crashes").sort_values("total", ascending=False) print(crashes.head()) # 加载数据 f, ax = plt.subplots(figsize=(6, 15)) # 创建图表 sns.set_color_codes("pastel") sns.barplot(x="total", y="abbrev", data=crashes, label="Total", color="b",edgecolor = \'w\') # 设置第一个柱状图 sns.set_color_codes("muted") sns.barplot(x="alcohol", y="abbrev", data=crashes, label="Alcohol-involved", color="b",edgecolor = \'w\') # 设置第二个柱状图 ax.legend(ncol=2, loc="lower right") sns.despine(left=True, bottom=True)
3.2 countplot（）计数柱状图
sns.countplot(x="class", hue="who", data=titanic,palette = \'magma\')
# 2、countplot() 计数柱状图 sns.countplot(x="class", hue="who", data=titanic,palette = \'magma\') #sns.countplot(y="class", hue="who", data=titanic,palette = \'magma\') # x/y → 以x或者y轴绘图（横向，竖向） # 用法和barplot相似
3.3 pointplot（）折线图
# 3、pointplot() # 折线图 - 置信区间估计 sns.pointplot(x="time", y="total_bill", hue = \'smoker\',data=tips, palette = \'hls\', dodge = True, # 设置点是否分开 join = True, # 是否连线 markers=["o", "x"], linestyles=["-", "--"], # 设置点样式、线型 ) tips.groupby([\'time\',\'smoker\']).mean()[\'total_bill\'] # 计算数据 # # 用法和barplot相似
以上是关于Python图表数据可视化Seaborn：2. 分类数据可视化的主要内容，如果未能解决你的问题，请参考以下文章
Python图表数据可视化Seaborn：4结构化图表可视化
Python图表数据可视化Seaborn：3. 线性关系| 时间线| 热图
Python交互图表可视化Bokeh：1. 可视交互化原理| 基本设置