class seaborn.
FacetGrid
(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=True, height=3, aspect=1, palette=None, row_order=None, col_order=None, hue_order=None, hue_kws=None, dropna=True, legend_out=True, despine=True, margin_titles=False, xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)
用于绘制条件关系的多图网格。
__init__
(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=True, height=3, aspect=1, palette=None, row_order=None, col_order=None, hue_order=None, hue_kws=None, dropna=True, legend_out=True, despine=True, margin_titles=False, xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)
初始化matplotlib图和FacetGrid对象。
此类将数据集映射到排列在行和列网格中的多个轴上,这些行对应于数据集中的变量级别。它产生的图通常被称为“格子”,“格子”或“小多”图形。
它还可以用色调参数表示第三个变量的级别,该参数绘制不同颜色的不同数据子集。这使用颜色来解析第三维上的元素,但仅在彼此之上绘制子集,并且不会像接受色调的轴级函数那样为特定可视化定制hue参数。
当使用从数据集推断语义映射的seaborn函数时,必须注意在各个方面之间同步这些映射。在大多数情况下,使用图形级函数(例如relplot()或catplot())比直接使用FacetGrid更好。
基本流程是使用数据集和用于构造网格的变量初始化FacetGrid对象。然后,通过调用FacetGrid.map()或FacetGrid.map_dataframe(),可以将一个或多个绘图函数应用于每个子集。最后,可以使用其他方法调整绘图,以执行更改轴标签,使用不同刻度或添加图例等操作。
Parameters: | data : DataFrame
row, col, hue : strings
col_wrap : int, optional
share{x,y} : bool, ‘col’, or ‘row’ optional
height : scalar, optional
aspect : scalar, optional
palette : palette name, list, or dict, optional
{row,col,hue}_order : lists, optional
hue_kws : dictionary of param -> list of values mapping
legend_out : bool, optional
despine : boolean, optional
margin_titles : bool, optional
{x, y}lim: tuples, optional
subplot_kws : dict, optional
gridspec_kws : dict, optional
|
---|