数据分析~数据可视化-seaborn

详细介绍可以看seaborn官方API和example galler。

1  set_style( )  set( )

set_style( )是用来设置主题的，Seaborn有五个预设好的主题： darkgrid , whitegrid , dark , white ,和 ticks  默认： darkgrid

 

1. import matplotlib.pyplot as plt  
2. import seaborn as sns  
3. sns.set_style("whitegrid")  
4. plt.plot(np.arange(10))  
5. plt.show()  

set( )通过设置参数可以用来设置背景，调色板等，更加常用。

1. import seaborn as sns  
2. import matplotlib.pyplot as plt  
3. sns.set(style="white", palette="muted", color_codes=True)     #set( )设置主题，调色板更常用  
4. plt.plot(np.arange(10))  
5. plt.show()  

 

2  distplot( )  kdeplot( )

distplot( )为hist加强版，kdeplot( )为密度曲线图 

 

1. import matplotlib.pyplot as plt  
2. import seaborn as sns  
3. df_iris = pd.read_csv('../input/iris.csv')  
4. fig, axes = plt.subplots(1,2)  
5. sns.distplot(df_iris['petal length'], ax = axes[0], kde = True, rug = True)        # kde 密度曲线  rug 边际毛毯  
6. sns.kdeplot(df_iris['petal length'], ax = axes[1], shade=True)                     # shade  阴影                         
7. plt.show()  

 

1. import numpy as np  
2. import seaborn as sns  
3. import matplotlib.pyplot as plt  
4. sns.set( palette="muted", color_codes=True)  
5. rs = np.random.RandomState(10)  
6. d = rs.normal(size=100)  
7. f, axes = plt.subplots(2, 2, figsize=(7, 7), sharex=True)  
8. sns.distplot(d, kde=False, color="b", ax=axes[0, 0])  
9. sns.distplot(d, hist=False, rug=True, color="r", ax=axes[0, 1])  
10. sns.distplot(d, hist=False, color="g", kde_kws={"shade": True}, ax=axes[1, 0])  
11. sns.distplot(d, color="m", ax=axes[1, 1])  
12. plt.show()  

3  箱型图 boxplot( )

1. import matplotlib.pyplot as plt  
2. import seaborn as sns  
3. df_iris = pd.read_csv('../input/iris.csv')  
4. sns.boxplot(x = df_iris['class'],y = df_iris['sepal width'])  
5. plt.show()  

 

1. import matplotlib.pyplot as plt  
2. import seaborn as sns  
3. tips = pd.read_csv('../input/tips.csv')  
4. sns.set(style="ticks")                                     #设置主题  
5. sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="PRGn")   #palette 调色板  
6. plt.show()  

4  联合分布jointplot( )

1. tips = pd.read_csv('../input/tips.csv')   #右上角显示相关系数  
2. sns.jointplot("total_bill", "tip", tips)  
3. plt.show()  

 

1. tips = pd.read_csv('../input/tips.csv')  
2. sns.jointplot("total_bill", "tip", tips, kind='reg')       
3. plt.show()  

5  热点图heatmap( )

 internal_chars = ['full_sq', 'life_sq', 'floor', 'max_floor', 'build_year', 'num_room', 'kitch_sq', 'state', 'price_doc']
corrmat = train[internal_chars].corr()

f, ax = plt.subplots(figsize=(10, 7))
plt.xticks(rotation='90')
sns.heatmap(corrmat, square=True, linewidths=.5, annot=True)
plt.show()

6  散点图scatter( )

f, ax = plt.subplots(figsize=(10, 7))
plt.scatter(x=train['full_sq'], y=train['price_doc'], c='r')
plt.xlim(0,500)
plt.show()

 

7.pointplot画出变量间的关系

grouped_df = train_df.groupby('floor')['price_doc'].aggregate(np.median).reset_index()

plt.figure(figsize=(12,8)) 

sns.pointplot(grouped_df.floor.values, grouped_df.price_doc.values, alpha=0.8, color=color[2])

plt.ylabel('Median Price', fontsize=12) 

plt.xlabel('Floor number', fontsize=12)

plt.xticks(rotation='vertical') plt.show()

8 pairplot( )

1. import matplotlib.pyplot as plt  
2. import seaborn as sns  
3. data = pd.read_csv("../input/iris.csv")  
4. sns.set()                        #使用默认配色  
5. sns.pairplot(data,hue="class")   #hue 选择分类列  
6. plt.show()  

 

1. import seaborn as sns  
2. import matplotlib.pyplot as plt  
3. iris = pd.read_csv('../input/iris.csv')  
4. sns.pairplot(iris, vars=["sepal width", "sepal length"],hue='class',palette="husl")    
5. plt.show()  

9  FacetGrid( )

1. import seaborn as sns  
2. import matplotlib.pyplot as plt  
3. tips = pd.read_csv('../input/tips.csv')  
4. g = sns.FacetGrid(tips, col="time",  row="smoker")  
5. g = g.map(plt.hist, "total_bill",  color="r")  
6. plt.show()  

10  barplot( )

f, ax=plt.subplots(figsize=(12,20))

#orient='h'表示是水平展示的，alpha表示颜色的深浅程度
sns.barplot(y=group_df.sub_area.values, x=group_df.price_doc.values,orient='h', alpha=0.8, color='red')

#设置y轴、X轴的坐标名字与字体大小
plt.ylabel('price_doc', fontsize=16)
plt.xlabel('sub_area', fontsize=16)

#设置X轴的各列下标字体是水平的
plt.xticks(rotation='horizontal')

#设置Y轴下标的字体大小
plt.yticks(fontsize=15)
plt.show()

注：如果orient='v'表示成竖直显示的话，一定要记得y=group_df.sub_area.values, x=group_df.price_doc.values调换一下坐标轴，否则报错

f, ax=plt.subplots(figsize=(12,20))
sns.barplot(y='area', x='fre',data=df_idcard_city,orient='h', color='red')
plt.ylabel('地域', fontsize=16)
plt.xlabel('频数', fontsize=16)
plt.xticks(rotation='horizontal')
plt.yticks(fontsize=15)
plt.show()

 

11.bar图

import matplotlib.pyplot as plt
import numpy as np
plt.rc('font', family='SimHei', size=13)

num = np.array([13325, 9403, 9227, 8651])
ratio = np.array([0.75, 0.76, 0.72, 0.75])
men = num * ratio
women = num * (1-ratio)
x = ['聊天','支付','团购\n优惠券','在线视频']

width = 0.5
idx = np.arange(len(x))
plt.bar(idx, men, width, color='red', label='男性用户')
plt.bar(idx, women, width, bottom=men, color='yellow', label='女性用户')  #这一块可是设置bottom,top，如果是水平放置的，可以设置right或者left。
plt.xlabel('应用类别')
plt.ylabel('男女分布')
plt.xticks(idx+width/2, x, rotation=40)

#bar图上显示数字

for a,b in zip(idx,men):

    plt.text(a, b+0.05, '%.0f' % b, ha='center', va= 'bottom',fontsize=12)
for a,b,c in zip(idx,women,men):
    plt.text(a, b+c+0.5, '%.0f' % b, ha='center', va= 'bottom',fontsize=12)

plt.legend()
plt.show()

 12、双Y轴绘图

 本例主要用dataframe的两个列进行双Y轴画图

eng_name,chn_name,GDP,rate
a, 中国,100,0.6
b,美国,180,0.3
c,日本,80,0.2
d,瑞典,65,0.15
f,荷兰,56,0.23

#读取的时候，讲索引列变为chn_name,这样画图时候X轴自动为索引
df=pd.read_csv('b.csv',index_col='chn_name')
df.index.name='国家'#这样x轴的label就变成‘国家了’。

plt.rc('font', family='SimHei', size=13)
plt.figure()  
df['GDP'].plot(kind='bar')  
plt.ylabel('GDP')  
plt.title('国家发展情况对比')  
  
p = df['rate']  
p.plot(color='black',secondary_y=True,style='--o',linewidth=2)  #style--表示虚线，-表示实线
plt.ylabel('增长速度') 

　x=[0,1,2,3,4]#因为x轴是汉字，所以默认对应的数值是从0开始的
　for a,b in zip(x,p):
　　plt.text(a+0.1, b+0.02, '%.2f' % b, ha='center', va= 'bottom',fontsize=12)

education=df.education.value_counts()
df_education=pd.DataFrame({'education':education.index[1:],'fre':education.values[1:]})
df_education.index=df_education.education
plt.figure()  
df_education.fre.plot(kind='bar')  
plt.ylabel('人数')
plt.xlabel('学历') 
plt.title('学历分布情况')
plt.show()

13、画饼状图

import numpy as np    
import matplotlib.mlab as mlab    
import matplotlib.pyplot as plt
#根据value_counts（）结果画饼图

phone=df.phone_operator.value_counts()
df_phone=pd.DataFrame({'phone_operator':phone.index[1:],'fre':phone.values[1:]})

plt.rc('font', family='SimHei', size=13)
fig = plt.figure()  
plt.pie(df_phone.fre,labels=df_phone.phone_operator,autopct='%1.2f%%') #画饼图（数据，数据对应的标签，百分数保留两位小数点）  
plt.title("手机运营商分布")  
plt.show()

来源：http://blog.csdn.net/qq_34264472/article/details/53814653

 也可以参考：http://seaborn.pydata.org/tutorial/distributions.html

知乎专栏关于seaborn的：https://zhuanlan.zhihu.com/p/27570774