码迷,mamicode.com
首页 > 编程语言 > 详细

Python图表数据可视化Seaborn:2. 分类数据可视化

时间:2018-09-29 01:18:41      阅读:522      评论:0      收藏:0      [点我收藏+]

标签:join   hit   --   ext   ati   mat   img   一个   折线图   

1. 分类数据可视化 - 分类散点图

stripplot() / swarmplot()

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

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
              )

技术分享图片

技术分享图片

1.1 stripplot()

# 1、stripplot()
# 通过hue参数再分类

sns.stripplot(x="sex", y="total_bill", hue="day",
              data=tips, jitter=True)

技术分享图片

# 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
             )

技术分享图片

# 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

技术分享图片

技术分享图片

1.2 swarmplot()

# 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

技术分享图片

2. 分类数据可视化 - 分布图

boxplot() / violinplot() / lvplot()

 2.1 boxplot()箱型图

# 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

技术分享图片

# 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

技术分享图片

2.2 violinplot()小提琴图

# 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

技术分享图片

# 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")

技术分享图片

# 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

技术分享图片

2.3 lvplot() LV图表

# 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

技术分享图片

 

3. 分类数据可视化 - 统计图

barplot() / countplot() / pointplot()

3.1 barplot()

# 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

技术分享图片

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
            )

技术分享图片

print(titanic.groupby([sex,class]).mean()[survived])
print(titanic.groupby([sex,class]).std()[survived])
# 计算数据

 技术分享图片

# 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

技术分享图片

技术分享图片

# 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)

技术分享图片

技术分享图片

3.2 countplot()

# 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

技术分享图片

3.3 pointplot()

# 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

技术分享图片

技术分享图片

 

Python图表数据可视化Seaborn:2. 分类数据可视化

标签:join   hit   --   ext   ati   mat   img   一个   折线图   

原文地址:https://www.cnblogs.com/shengyang17/p/9704708.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!