Seaborn DataV Std.

Hirsun大约 46 分钟

Seaborn DataV Std.

作者：韩佳明Hirsun

笔者认为，seaborn可作为数据可视化的首选。

Example gallery: https://seaborn.pydata.org/examples/index.htmlopen in new window

前言

基于Pandas和matplotlib

x轴和y轴可以相互调换。

Use default

# with dataframe
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("masculinity.csv")
sns.countplot(x="how_masculine",data=df)
plt.show()

# with list
import seaborn as sns
import matplotlib.pyplot as plt

height = [62, 64, 69, 75, 66, 68, 65, 71, 76, 73]
weight = [120, 136, 148, 175, 137, 165, 154, 172, 200, 187]
sns.scatterplot(x=height, y=weight)
plt.show()

sns.set() # 同样可以把matplotlib设置成sns的默认样式

Why?

Scatter plot

import seaborn as sns
import matplotlib.pyplot as plt

height = [62, 64, 69, 75, 66, 68, 65, 71, 76, 73]
weight = [120, 136, 148, 175, 137, 165, 154, 172, 200, 187]
sns.scatterplot(x=height, y=weight)
plt.show()

count plot

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("masculinity.csv")
sns.countplot(x="how_masculine", data=df)
plt.show()

kdeplot

统计单变量密度

kdeplot 更丝滑

# bw_adjust 指定过拟合
sns.kdeplot(data=tips, x="total_bill", bw_adjust=5)

hue

可以指定hue，这将又增加一个维度，rug指定的列是另一个存放种类的列，采用的列的值的种类是有限的（产品质量好中坏）。相当于把x拆成了多个x.

import matplotlib.pyplot as plt
import seaborn as sns

hue_colors = {"Yes": "black",
              "No":"red"}

# HTML hex color codes: Green and Grey
# hue_colors = {"Yes": "#808080",
# 							"No": "#00FF00"}

sns.scatterplot(x= "total_bill", y= "tip", data=tips, hue="smoker", palette=hue_colors, hue_order = ["No", "Yes"]) 
plt.show()

例如，对以下数据

	decade	category	female_winner
0	1900	Chemistry	0.000000
1	1900	Literature	0.100000
...	1901	Medicine	0.000000
...	1901	Peace	0.071429
...	1902	Physics	0.076923

有hue时

ax = sns.lineplot(x='decade', y='female_winner', hue='category', data=prop_female_winners)
ax.yaxis.set_major_formatter(PercentFormatter(1.0))

无 hue时

relplot

relplot() lets you create subplots in a single figure

row & col

col 和 row 用于创建子图
hue 用于在同一个图中添加一个新列以区分，这是与col 和 row区分的

size

import seaborn as sns
import matplotlib.pyplot as plt 

sns.relplot( x= "total_bill", y= "tip", data=tips, kind= "scatter", size="size", hue="size")
plt.show()

style

transparency

size

# Import Matplotlib and Seaborn
import matplotlib.pyplot as plt
import seaborn as sns

# Create scatter plot of horsepower vs. mpg
sns.relplot(x="horsepower", y="mpg", 
            data=mpg, kind="scatter", 
            size="cylinders",
            hue = "cylinders")

# Show plot
plt.show()

dash 和 maker

# Import Matplotlib and Seaborn
import matplotlib.pyplot as plt
import seaborn as sns

# Add markers and make each line have the same style
sns.relplot(x="model_year", y="horsepower", 
            data=mpg, kind="line", 
            ci=None, style="origin", 
            hue="origin",
            dashes = False,
            markers = True)
# Show plot
plt.show()

line with regplot

阴影区域是置信区间
95% condent that the mean is within thisinterval
表示我们估计的不确定性

# 用标准差代替置信区间
sns.relplot(x="hour", y="NO_2",data=air_df,kind="line",ci="sd")

# Turning off confidence interval
sns.relplot(x="hour", y="NO_2", data=air_df, kind="line", ci=None)

catplot

区分 categorical value (类化值) 和 quantified value(量化值)，后期还会有时间值。

catplot 用于创建分类图。通常一个轴是量化值列。一个轴是类化值列。

Same advantages of relplot()
Easily create subplots with col= and row=

countplot

只需要指定一个轴，另一个轴显示x的每个类的个数。

当然，也可以指定y。

sns.countplot(x="how_masculine", data=masculinity_data)
# 等价于
sns.catplot(x="how_masculine", data=masculinity_data, kind="count")

barplot

sns.catplot(x="day", y="total_bill",data=tips,kind="bar")
# 可以使用 ci = None 来删去误差线

Lines(也叫误差线) show 95% confidence intervals for the mean
Shows uncertainty about our estimate
Assumes our data is a random sample

什么是置信区间

boxplot

sns.catplot(x="time",y="total_bill",data=tips,kind="box",order=["Dinner","Lunch"])

ref. https://zhuanlan.zhihu.com/p/147645727open in new window

第一四分位数 (Q1)，又称“较小四分位数”，等于该样本中所有数值由小到大排列后第25%的数字。
第二四分位数 (Q2)，又称“中位数”，等于该样本中所有数值由小到大排列后第50%的数字。
第三四分位数 (Q3)，又称“较大四分位数”，等于该样本中所有数值由小到大排列后第75%的数字。
第三四分位数与第一四分位数的差距又称四分位距（IQR）。

箱体图的组成如图所示，

上边缘，是上四分位数加上1.5倍的箱体；
下边缘是下四分位数减去1.5倍的箱体；
数据在上边缘以上或者下边缘以下，就称为离群值。
上箱体为上四分位数；下箱体为下四分位数；
箱体长度为上四分位数减去下四分位数。

参数 sym = ""：去除离群值的展示
参数whis
- By default, the whiskers extend to 1.5 * the interquartile range
- Make them extend to 2.0 * IQR: whis=2.0
- Show the 5th and 95th percentiles: whis=[5, 95]
- Show min and max values: whis=[0, 100]

sns.catplot(x="time", y="total_bill", data=tips, kind="box", whis=[0, 100])

pointplot

Points show mean of quantitative variable
Vertical lines show 95% con,dence intervals

Both show:

Mean of quantitative variable
95% con,dence intervals for the mean

Differences:

Line plot has quantitative variable (usually time) on x-axis
Point plot has categorical variable on x-axis

sns.catplot(x="age", y="masculinity_important", data=masculinity_data, hue="feel_masculine", kind="point")

参数 join=False：取消误差线的显示
estimator = numpy.median : 由于一个x可能对应多个y，不设置该参数时表示使用平平均值。设置后可以将点位改为中位数。
capsize=0.2 设置盖顶横线的长度
ci = "None" 关闭显示置信区间

displot

相当于matplotlib的hist

displot将 rugplot(),kdeplot()和matplotlib的hist和三为一

适用于画出某一列区间分布
比如某一列是温度，图表将温度自动分好区间，并统计个数，将每个区间的个数呈现在y上
统计的值必须是数值或者时间（连续的值）

# Display a Seaborn distplot
# 只接受一个DF sns.distplot(DF)
sns.distplot(df['Award_Amount'])
plt.show()

# Clear the distplot
plt.clf()

Common parameters

可以对自变量使用限制区间，比如xlim=（0，25000）

Regression Plots

regplot 和 lmplot 几乎完全一样，但是

regplot 没有参数 aspect，但是 x 轴宽度会自适应
regplot 没有参数 row，不能一次性绘制多个图

regplot

给定DFx，DFy，将DFx对应的DFy的值呈现出来
一个x和一个y确定一个点或者多个点
index有序，DFx呈现会自动排序
用于表示大量相对无规律值的分布特点

统计的值可以是数值或者时间（连续的值），也可以是 Categorical values

用来基于已有数据在图像中展现出回归直线

# Create an lmplot of premiums vs. insurance_losses

# 一次只画一个数据集
# 可以在下面指定参数 marker='+'
sns.lmplot(y = "premiums",x = 'insurance_losses', data = df)

# Display the second plot
plt.show()

# Plotting the age of Nobel Prize winners
sns.lmplot(y = "year", x = "age", data = nobel, lowess=True, 
           aspect=2, line_kws={'color' : 'black'})

# lowess 关闭折线区域
# aspect 控制x轴长度，即图片的宽度

sns.regplot(y = "age", x = "year", row='category', aspect=2, line_kws={'color' : 'black'}, data = nobel)

order

sns.regplot(data=df, x='temp', y='total_rentals', order=2)

x_jitter

Seaborn也支持分类变量的回归绘图。看看租金在各个月内如何变化可能很有意思。在此示例中，使用抖动参数使得更容易看到每个月的租赁值的各个分配。

sns.regplot(data=df, x='mnth', y='total_rentals', x_jitter=.1, order=2)

x_estimator

sns.regplot(data=df, x='mnth', y='total_rentals', x_estimator=np.mean, order=2)

In some cases, an x_estimator can be useful for highlighting trends

Binning the data

当存在连续变量时，将它们分成不同的 bins 可能会有所帮助。在这种情况下，我们可以将温度分成四个bins，Seaborn将照顾计算这些垃圾箱并策划结果。这比尝试使用熊猫或其他一些机制更快地创建箱子。此快捷功能可以帮助快速读取诸如温度的连续数据。

disable reg line

Evaluating regression

Evaluating regression with residplot()

画残差图

sns.residplot(data=df, x='temp', y='total_rentals')

sns.residplot(data=df, x='temp', y='total_rentals', order=2)

implot

和regplot很相似，但是比它更高级

# Create an lmplot of premiums vs. insurance_losses
sns.lmplot(y = "premiums",x = 'insurance_losses', data = df)

# Display the second plot
plt.show()
# 和 regplot 相比，下面的图似乎只是没有了上边框和右边框

参数 hue

Organize data by colors (hue)

# Create a regression plot using hue
# 一般只画一次
sns.lmplot(data=df,
           x="insurance_losses",
           y="premiums",
           hue="Region")
# Show the results
plt.show()

参数 col & row

sns.lmplot(x="quality",
  y="alcohol",
  data=df,
  col="type")

# Create a regression plot with multiple rows
sns.lmplot(data=df,
           x="insurance_losses",
           y="premiums",
           row="Region")

# Show the plot
plt.show()

Style

set_style()

for style in ['white','dark','whitegrid','darkgrid','ticks']:
  sns.set_style(style)
  sns.distplot(df['Tuition'])
  plt.show()

Remove the spines

# Set the style to white
sns.set_style('white')

# Create a regression plot
sns.lmplot(data=df,
           x='pop2010',
           y='fmr_2')

sns.despine(left=True)

# Show the plot and clear the figure
plt.show()
plt.clf()

Defining a color

use matplotlib to assign

Seaborn supports assigning colors to plots using matplotlib color codes

sns.set(color_codes=True)
sns.distplot(df['Tuition'], color='g')

use Palettes

for p in sns.palettes.SEABORN_PALETTES:
  sns.set_palette(p)
  sns.distplot(df['Tuition'])

Displaying Palettes

Seaborn uses the set_palette() function to define a palette
sns.color_palette() returns the current palette
sns.palplot() function displays a palette

一般地，palette影响的是一张图内的多个曲线的颜色，而不是子图之间的颜色。

for p in sns.palettes.SEABORN_PALETTES:
  sns.set_palette(p)
  sns.palplot(sns.color_palette())
  plt.show()

Defining Custom Palettes

use in plot

# Create a violinplot with the husl palette
sns.violinplot(data=df,
         x='Award_Amount',
         y='Model Selected',
         palette='husl')

plt.show()
plt.clf()

set_context()

Smallest to largest: "paper" , "notebook" , "talk" , "poster"

sns.set_context("talk")

Plots of each observation

用于描述每一类别值的大小分布
指定y，y是存放种类的列，采用的列的值的种类是有限的（苹果香蕉梨）
将每个类别对应的多个x值点在图上。
统计的值必须是数值或者时间（连续的值）

stripplot

Seaborn 的 stripplot() 显示数据集中的每个观察值。在某些情况下，可能很难看到单个数据点。我们可以使用 jitter 参数来更轻松地查看平均承保费用如何随诊断报销代码而变化。

sns.stripplot(data=df, y="DRG Definition",x="Average Covered Charges",jitter=True)

swarmplot

和stripplot很相似。

我们可以使用 swarmplot() 绘制所有数据的更复杂的可视化。该图使用复杂的算法以不重叠的方式放置观察结果。这种方法的缺点是 swarmplot() 不能很好地扩展到大型数据集。

sns.swarmplot(data=df, y="DRG Definition", x="Average Covered Charges")

Abstract representations

可以指定hue，这将又增加一个维度，rug指定的列是另一个存放种类的列，采用的列的值的种类是有限的（产品质量好中坏）。相当于把x拆成了多个x.

boxplot

下一类图显示了数据的抽象表示。boxplot() 是这种类型中最常见的。该图用于显示与数据分布相关的几个度量，包括中位数、上四分位数和下四分位数以及异常值。

统计的值必须是数值或者时间（连续的值）
指定y，y是存放种类的列，采用的列的值的种类是有限的（苹果香蕉梨）
每一列的值的特征将呈现在图上（x轴）（比如产量）
用于表示大量相对无规律值的分布特点

实例：评价不同水果的产量

violinplot

和箱型图相似

violinplot() 是核密度图和箱线图的组合，适用于提供数据分布的替代视图。因为该图使用核密度计算，所以它不显示所有数据点。这对于显示大型数据集很有用，但创建起来可能需要大量计算。

sns.violinplot(x='AGE', y='WTKG3', data=data, inner=None)
plt.show()

lvplot

sns.lvplot(data=df, y="DRG Definition", x="Average Covered Charges")

该分组中的最后一个图是 lvplot()，它代表字母值图。API 与 boxplot() 和 violinplot() 相同，但可以更有效地扩展到大型数据集。lvplot() 是 boxplot() 和 violinplot() 的混合体，渲染速度相对较快且易于解释。

Statistical estimates

可以指定hue，这将又增加一个维度，rug指定的列是另一个存放种类的列，采用的列的值的种类是有限的（产品质量好中坏）。相当于把x拆成了多个x.

barplot

最后一类图是数据的统计估计。barplot() 显示了对值的估计以及置信区间。在这个例子中，我们包含了第 1 章中描述的色调参数，它为我们查看这些分类数据提供了另一种有用的方法。

给定一个y列，展现y对应的x的值。

统计的值必须是数值或者时间（连续的值）
指定y，y是存放种类的列，采用的列的值的种类是有限的（苹果香蕉梨），且是唯一的，不重复的
每个种类的对应的x值将呈现（x)
适用于值的种类有限

sns.barplot(data=df, y="DRG Definition",x="Average Covered Charges",hue="Region")

pointplot

pointplot() 与 barplot() 相似，因为它显示了一个汇总度量和置信区间。pointplot() 对于观察值如何跨分类值变化非常有用。

和barplot相同，不过会连线

# Create a pointplot and include the capsize in order to show caps on the error bars
sns.pointplot(data=df,
         y='Award_Amount',
         x='Model Selected',
              capsize=.1) # capsize 加个帽子

plt.show()
plt.clf()

countplot

类似于barplot，不过是只有y，就统计y列下每一种值的个数，而不是直接呈现y对应的x的个数

sns.countplot(data=df, y="DRG_Code", hue="Region")

Matrix Plots

grid format

pd.crosstab(df["mnth"], df["weekday"], values=df["total_rentals"],aggfunc='mean').round(0)
# values 指的是将x和y形成对应的值的函数结构，考虑到x和y对应的值可能不只有一个。
# round 控制保留小数位

heatmap

sns.heatmap(df_crosstab, annot=True, fmt="d", cmap="YlGnBu", cbar=True, center=df_crosstab.loc[9, 6])

一般的，颜色越浅值越大。不过可以使用参数center重新设置焦点。

correlation matrix

Pandas corr function calculates correlations between columns in a dataframe

df.corr()
sns.heatmap(df.corr())

在上图中，颜色越浅，表明两列的相关性越高。

Grid Plots

指定属性列，把把一个图拆成多个图，把属性相同的行的数据放到一个同一个图中。

Tidy data

Seaborn's grid plots require data in "tidy format"
One observation per row of data

# g = sns.FaceGrid(df,col = xxx, row = xxx, col_order = xxx,row_order = xxx) 这一步指定怎样切割图
# g.map(sns.xxx,"which_col_name") 指定图的样式 和 数据源参数，order也可以在这里指定

g = sns.FacetGrid(df, col="HIGHDEG")
g.map(sns.boxplot, 'Tuition',order=['1', '2', '3', '4']) #map 这一步是必须的 ,这里的boxplot只指定了一个参数

# Create FacetGrid with Degree_Type and specify the order of the rows using row_order
g2 = sns.FacetGrid(df, 
             row="Degree_Type",
             row_order=['Graduate', 'Bachelors', 'Associates', 'Certificate'])

# Map a pointplot of SAT_AVG_ALL onto the grid
g2.map(sns.pointplot, 'SAT_AVG_ALL',) # 没有y轴

# Show the plot
plt.show()
plt.clf()

factorplot()

更加快捷的画grid plots

# Create a facetted pointplot of Average SAT_AVG_ALL scores facetted by Degree Type 
sns.factorplot(data=df,
        x='SAT_AVG_ALL',
        kind='point', #kind 可以指定 scatter box 等，别忘了kde也是一种kind
        row='Degree_Type',
        row_order=['Graduate', 'Bachelors', 'Associates', 'Certificate'])

plt.show()
plt.clf()

lmplot

给lmplot指定col 和 row等参数实现 grid plots

下面实现了三个属性维度

# Create an lmplot that has a column for Ownership, a row for Degree_Type and hue based on the WOMENONLY column
sns.lmplot(data=df,
        x='SAT_AVG_ALL',
        y='Tuition',
           
        col="Ownership",
        col_order=inst_ord
        row='Degree_Type',
        row_order=['Graduate', 'Bachelors'],
        
        hue='WOMENONLY',
        )

plt.show()
plt.clf()

Pair Plot

由 x 和 y 定位一个或者多个值

PairGrid

g = sns.PairGrid(df, vars=["Fair_Mrkt_Rent", "Median_Income"])
g = g.map(plt.scatter)

sns.pairplot(df, vars=["Fair_Mrkt_Rent","Median_Income"], kind='reg',diag_kind='hist')
# kind 指定丿 diag_king指定 捺
# kind 和 diag_kind 默认参数是scatter

pairplot

sns.pairplot(df.query('BEDRMS < 3'), 
             vars=["Fair_Mrkt_Rent","Median_Income", "UTILITY"],  # 随机组合3x3 = 9
             hue='BEDRMS', palette='husl',  #palette将影响不同hue的颜色
             plot_kws={'alpha': 0.5})   # 改变透明度
# 如果不指定kind将智能分配合适的kind

高度自定义：自定义x和y

# Build a pairplot with different x and y variables
sns.pairplot(data=df,
        x_vars=["fatal_collisions_speeding", "fatal_collisions_alc"], #指定x
        y_vars=['premiums', 'insurance_losses'], #指定y
        kind='scatter',
        hue='Region',
        palette='husl')

plt.show()
plt.clf()

Joint plot

JointGrid

# Build a JointGrid comparing humidity and total_rentals
sns.set_style("whitegrid")
g = sns.JointGrid(x="hum", y="total_rentals",
            data=df,
            xlim=(0.1, 1.0)) 

# 指定呈现regplot和distplot，也可以用g.plot_joint(sns.xxx)实现
g.plot(sns.regplot, sns.distplot)

plt.show()
plt.clf()

g = sns.JointGrid(data=df, x="Tuition", y="ADM_RATE_ALL") # 制作好画板

# 在图内添加kde
g = g.plot_joint(sns.kdeplot)

# 在图边上添加kde，并填充
g = g.plot_marginals(sns.kdeplot, shade=True)

# 添加注解
g = g.annotate(stats.pearsonr)

jointplot

更快捷的画Joint plot

边上自带displot

g = (sns.jointplot(x="Tuition", y="ADM_RATE_ALL", kind='scatter', # 指定kind
                    xlim=(0, 25000),
                    marginal_kws = dict(bins=15,rug=True),  			# 设定边上的displot的样式
                    data=df.query('UG < 2500 & Ownership == "Public"'))
            .plot_joint(sns.kdeplot))															# 在图内叠加kde

FacetGrid 与 AxesSubplot对象

Seaborn 的绘图函数创建两种不同类型的对象：FacetGrids 和 AxesSubplots。要确定您正在使用哪种类型的对象，首先将绘图输出分配给一个变量。

FacetGrid 由一个或多个 AxesSubplots 组成，这就是它支持子图的方式。

FacetGrid 添加标题

AxesSubplot 添加标题

对于子图的标题，建议使用后期处理的方式添加。

Adding axis labels

g.set(xlabel="New X Label", ylabel="New Y Label")

Rotating x-axis tick labels

plt.xticks(rotation=90)

修改轴scale

# Plot the y-axis on a log scale
plt.yscale('log')

总结

查看分布用 displot
- displot将 rugplot(),kdeplot()和matplotlib的hist和三为一
回归分析用 lmplot
检查数据的分布用lvplot等
需要按照属性对数据图进行对比，使用factorplot
最后，熟悉了数据，可以用pairplot 和 jointplot进行呈现

Seaborn DataV Std.

# Seaborn DataV Std.

# 前言

# Use default

# Why?

# Scatter plot

# count plot

# kdeplot

# 统计单变量密度

# hue

# relplot

# row & col

# size

# style

# transparency

# size

# dash 和 maker

# line with regplot

# catplot

# countplot

# barplot

# boxplot

# pointplot

# displot

# Common parameters

# Regression Plots

# regplot

# order

# x_jitter

# x_estimator

# Binning the data

# disable reg line

# Evaluating regression

# implot

# 参数 hue

# 参数 col & row

# Style

# set_style()

# Remove the spines

# Defining a color

# use matplotlib to assign

# use Palettes

# Displaying Palettes

# Defining Custom Palettes

# use in plot

# set_context()

# Plots of each observation

# stripplot

# swarmplot

# Abstract representations

# boxplot

# violinplot

# lvplot

# Statistical estimates

# barplot

# pointplot

# countplot

# Matrix Plots

# grid format

# heatmap

# correlation matrix

# Grid Plots

# Tidy data

# factorplot()

# lmplot

# Pair Plot

# PairGrid

# pairplot

# 高度自定义：自定义x和y

# Joint plot

# JointGrid

# jointplot

# FacetGrid 与 AxesSubplot对象

# FacetGrid 添加标题

# AxesSubplot 添加标题

# Adding axis labels

# Rotating x-axis tick labels

# 修改轴scale

# 总结

Seaborn DataV Std.

前言

Use default

Why?

Scatter plot

count plot

kdeplot

统计单变量密度

hue

relplot

row & col

size

style

transparency

size

dash 和 maker

line with regplot

catplot

countplot

barplot

boxplot

pointplot

displot

Common parameters

Regression Plots

regplot

order

x_jitter

x_estimator

Binning the data

disable reg line

Evaluating regression

implot

参数 hue

参数 col & row

Style

set_style()

Remove the spines

Defining a color

use matplotlib to assign

use Palettes

Displaying Palettes

Defining Custom Palettes

use in plot

set_context()

Plots of each observation

stripplot

swarmplot

Abstract representations

boxplot

violinplot

lvplot

Statistical estimates

barplot

pointplot

countplot

Matrix Plots

grid format

heatmap

correlation matrix

Grid Plots

Tidy data

factorplot()

lmplot

Pair Plot

PairGrid

pairplot

高度自定义：自定义x和y

Joint plot

JointGrid

jointplot

FacetGrid 与 AxesSubplot对象

FacetGrid 添加标题

AxesSubplot 添加标题

Adding axis labels

Rotating x-axis tick labels

修改轴scale

总结