univariado
1, la displot histograma
seaborn.distplot (a, papeleras = Ninguno, hist = True, kde = True, alfombra = False, ajuste = Ninguno, hist_kws = Ninguno, kde_kws = ninguno, rug_kws = ninguno, fit_kws = Ninguno, color = Ninguno, vertical = False, norm_hist = False, axlabel = Ninguno, label = Ninguno, ax = None)
Número de cuadro de contenedores →
hist, ked, alfombra → bool, si me / curva de densidad de distribución de datos /
norm_hist → densidad en función de si la visualización del histograma, si el falso, el recuento de display
{Hist, kde, alfombra, aptos} _kws: diccionario, partes correspondientes a varios parámetros.
Ya sea visualización vertical horizontal →
ajustes → scipy se puede incorporar en la biblioteca de imágenes encaja
etiqueta → Legend
axlabel → x eje marcado
2, estimación de densidad kernel figura kdeplot
Paso estimación de densidad kernel:
Cada observación con una cerca de aproximación normal curva de distribución
Todas las observaciones superponen curva de distribución normal
normalizado
seaborn.kdeplot (datos, datos2 = Ninguno, sombra = False, vertical = False, kernel = 'Gau', BW = 'Scott', gridSize = 100, corte = 3, clip = Ninguno, leyenda = True, acumulado = Falso, shade_lowest = True, cbar = False, cbar_ax = 无, cbar_kws = 无, ax = 无, kwargs)
sombra: (contorno cuando se llena con un color o datos bivariados) Si es Verdadero, entonces rellenado con un color del área bajo la curva de KDE
kernel: { 'gau' | 'cos' | 'BIW' | 'epa' | 'tri' | 'triw'} para el montaje de núcleo, puede bivariante valores de kernel de Gauss (GAU)
BW: { 'scott' | 'silverman' | escalar |} determina un par de tamaño nuclear escalar, entendida como la aproximación ajuste, mayor BW, la curva más suave.
gridSize: int, puntos de cuadrícula discretas
acumulativo: si dibujar una distribución acumulativa
cbar: Si el parámetro es True, se añade una barra de color (sólo color de la barra de imagen kde bivariante)
distribución de la densidad nuclear figura puede sacar solamente una sola variable, las variables se pueden trazar bis!
bivariante
1, jointplot
seaborn.jointplot (x, y, datos = Ninguno, tipo = 'dispersión', color = Ninguno, tamaño = 6, ratio = 5, el espacio = 0,2, dropna = True, xlim = Ninguno, ylim = Ninguno, joint_kws = Ninguno, marginal_kws = Ninguno, annot_kws = Ninguno, kwargs)
Esta función es una interfaz de clase JoinGrid ligero, si desea dibujar más flexible, se puede utilizar la función JoinGrid.
tipo: Tipo de juego de: "dispersión", "reg", "residuo", "kde", "hexagonal"
tamaño: int, el tamaño de la imagen (la imagen se ajusta automáticamente a un cuadrado)
de radio: relación altura int, y un mapa de borde principal de la fig.
el espacio: # Conjunto mapa principal, y el paso del borde del mapa
{X, Y} lim: eje dispuesto antes de los límites de dibujo
{Conjunta, marginal, Annot} _kws: otras palabras clave de estirar parámetros dicts
Seaborn directamente dado coeficiente de correlación de Pearson y el valor de la variable P
Pearson coeficiente de correlación cálculo:
p: probabilidad de error causado por la diferencia entre las muestras de muestreo es menor que p.
2, JointGrid
Recall jointplot JoinGrid realmente un paquete, con el fin de tener una configuración más flexible, puede utilizarse clase JoinGrid.
init (x, y, datos = Ninguno, tamaño = 6, ratio = 5, el espacio = 0,2, dropna = True, xlim = Ninguno, ylim = None)
métodos:
plot (joint_func, marginal_func, annot_func) → dibujar la gráfica completa
plot_joint (func, kwargs **) → dibujo gráfica bivariada
plot_marginals (FUNC, kwargs **) → dibujo univariado borde del patrón
savefig (args, kwargs *) → 保存
set_axis_labels ([xlabel, ylabel]) → dispuestos bivariante eje eje etiquetas.
Explorar la relación entre los dos bivariante
En general, nuestros datos no es sólo una o dos variables, luego por una serie de variables, a menudo necesitamos para explorar la distribución y la relación bivariada entre los dos es que necesitamos función de uso pairplot o una clase de PairGrid.
3, pairplot
seaborn.pairplot (datos, hue = Ninguno, hue_order = Ninguno, paleta = Ninguno, vars = ninguno, x_vars = ninguno, y_vars = ninguno, tipo = 'dispersión', diag_kind = 'auto', marcadores = Ninguno, s = 2,5, aspecto = 1, dropna = True, plot_kws = Ninguno, diag_kws = Ninguno, grid_kws = None)
tonalidad: string (nombres de variables): color se clasifica de acuerdo a la variable especificada
hue_order: lista de señales de ajuste de nivel variable de la paleta de colores
Paleta: Paleta
vars: lista de lista de nombre de variable, de lo contrario usar todas las columnas de las variables numéricas
marcadores: Estilo de punto
sepal_length sepal_width petal_length petal_width especies
5,1 3,5 1,4 0,2 sedoso
4,9 3,0 1,4 0,2 sedoso
4,7 3,2 1,3 0,2 sedoso
4,6 3,1 1,5 0,2 sedoso
5,0 3,6 1,4 0,2 sedoso
4, PairGrid
Equivalente a la jointplot relación y JointGrid, diagrama de dispersión matricial PairGrid tiene un control más flexible
init (datos, hue = ninguno, hue_order = ninguno, paleta = ninguno, hue_kws = Ninguno, vars = ninguno, x_vars = ninguno, y_vars = Ninguno, diag_sharey = True, tamaño = 2,5, aspecto = 1, Despine = True, dropna = Cierto)
métodos:
add_legend ([legend_data, título, label_order]) una leyenda dibujado, puede ser colocado fuera del eje y ajustar el tamaño del patrón.
map_diag (FUNC, ** kwargs): Dibujo Figura función univariante que tiene en cada sub figura diagonal.
map_lower (func, kwargs **): función de dos variables dibujo La figura con la figura inferior sub-diagonal.
map_upper (func, kwargs **): Dibujo con la función de dos variables figura en el submapa diagonal
map_offdiag (FUNC, ** kwargs): función de dos variables dibujo La figura que tiene en diagonal sub figura.
conjunto (kwargs **): establecer una propiedad de cada cartera sub ejes.
