三、强大的seaborn

Seaborn是一个在Python中制作有吸引力和信息丰富的统计图形的库。它建立在matplotlib之上 并与PyData堆栈紧密集成 包括支持来自scipy和statsmodels的numpy和pandas数据结构和统计例程。 Seaborn旨在将可视化作为探索和理解数据的核心部分。绘图函数对包含整个数据集的数据框和数组进行操作 并在内部执行必要的聚合和统计模型拟合以生成信息图。如果matplotlib“试图让事情变得简单容易和难以实现” seaborn会试图使一套明确的方案让事情变得容易。 Seaborn可以认为是对matplotlib的补充 而不是它的替代品。在数据可视化方面能够很好的表现。

       所以我首先从matplotlib说起

matplotlib 绘图可视化知识点整理

http://python.jobbole.com/85106/

legend and legend_handler

https://matplotlib.org/api/legend_api.html

matplotlib图标正常显示中文

为了在图表中能够显示中文和负号等 需要下面一段设置

import matplotlib.pyplot as plt

plt.rcParams[ font.sans-serif ] [ SimHei ] #用来正常显示中文标签

plt.rcParams[ axes.unicode_minus ] False #用来正常显示负号

              1、创建画板

              import matplotlib.pyplot as plt

              %matplotlib inline

              fig plt.figure()

              2、添加子图

              ax1 fig.add_subplot(221)

              ax2 fig.add_subplot(222)

              ax3 fig.add_subplot(223)

       或者  #创建画板和两行两列的子图 ,axes[0,1]#子图的索引

              fig,axes plt.subplots(2,2)

       或者

# matplotlib 提供了 subplot(geo) 和 subplots(n_row, n_col) 的方法来绘制子图

# geo 是 行列值 的组合 具体可见 文档

              # subplot

              ax1 plt.subplot(121)

              ax2 plt.subplot(122)

        3、画图

#简单的话了一个line图 在一张画板中得到两个line图 ‘ko--’这类的是color,marker,linestyle的简略版本

            from numpy.random import randn

              plt.plot(randn(50).cumsum(), ko-- )

              plt.plot(randn(50).cumsum(), go-- )

其他版本

data1 randn(30).cumsum()

data randn(30).cumsum()

ax plt.subplot(111)

ax.plot(data1, k-- ,label Default1 )

ax.plot(data,linestyle dashed ,c green ,marker o ,label Default2 )#label是标签

ax.legend(loc best )#loc是位置 有ax.Legend才显示label

plt.show()

子图中画法 与整图相同 只是我们前缀变了

fig2 plt.figure(2)

ax1 fig2.add_subplot(221)

ax1.hist(randn(100),bins 20,color k ,alpha .5)

ax2 fig2.add_subplot(222)

ax2.scatter(np.arange(30),np.arange(30) 3*randn(30))

ax3 fig2.add_subplot(223)

ax3.plot(randn(50).cumsum(), k-- )

3、子图间距的调整

fig,axes plt.subplots(2,2,sharex True,sharey True)

for i in range(2):

    for j in range(2):

        axes[i,j].hist(randn(500),bins 50,color k ,alpha .6)

plt.subplots_adjust(wspace 0,hspace 0)#子图之间的间距 宽度和高度的百分比

4、风格

%pylab inline

%matplotlib inline

import pandas as pd

import numpy  as np

# 随手生成个拉普拉斯分布的数据

data1 np.random.laplace(size 10000)

# 再来份正态分布的 设均值为 100 标准差为 24 也就是我们常见的 IQ 数据了

data2 np.random.normal(100, 24, 10000)

       4.1#line图的drawstyle()

plt.plot(data, k- ,drawstyle steps-post ,label steps-post )

plt.plot(data,linestyle dashed ,c green ,marker o ,label Default2 )

plt.legend(loc best )

#柱状图风格

# hist 绘制分布布 bins 20 指定分为 20 个 分布区域

# 横轴是分布区域 纵轴是数据集分布在该区域的数量

# 也可使用参数 density True 绘制概率分布图 将纵轴换为概率密度值

# subplot

subplot(121)      # 创建一行二列的子图 当前是第一幅

title( data1 )    # 标题

r hist(data1, bins 20, label 14 ,histtype stepfilled )

# 绘制图例 可以更改 bbox_to_anchor 的取值来调节图例的位置

legend(loc lower left , bbox_to_anchor (0.3, -0.2))

subplot(122)      # 一行二列中的第二幅

title( data2 )

r hist(data2, bins 20, label 24 )

legend(loc center left , bbox_to_anchor (1, 0.5))

5、pandas里面的matplotlib,就是第一章的内容

# pandas 的 DataFrame 也内置了 matplotlib

figure()

df1, df2 map(pd.DataFrame, (data1, data2))    # 将 data1, data2 转成 pandas DataFrame 格式

# 创建子图

ax subplot(121)        # 也可以使用 fig, axes subplots(1, 2)

df1[0].hist(ax ax)       # 若之前使用的是 subplots 这里就用 ax ax[0]

ax.set_title( data1 )

# subplot 2

ax subplot(122)

ax.set_title( data2 )

df1[0].hist(ax ax)   # ax axex[1]

6、添加文本

  6、1简单版

fig plt.figure()

ax fig.add_subplot(111)

ax.plot(randn(1000).cumsum(), r-- ,label two )

ax.plot(randn(1000).cumsum(), k. ,label three )

ax.text(400,20, hi ,fontsize 15)#坐标 文本内容 大小

ax.legend(loc best )#自动寻找一个图例放置的位置

plt.show()

              6、2 ax.annotate

fig plt.figure()

ax fig.add_subplot(111)

ax.plot(randn(1000).cumsum(), r-- ,label two )

ax.plot(randn(1000).cumsum(), k. ,label _three_ )#双下划綫表示标签不传入       ax.annotate( Hello world! ,xy (400, 20),fontsize 12,#文本 代表数据位置 大小

    xytext (400,50))#文本放置坐标

ax.legend(loc best )#自动寻找一个图例放置的位置

plt.show()

#添加箭头或其他符号

import pandas as pd

from datetime import datetime

fig plt.figure()

ax fig.add_subplot(111)

data pd.read_csv(r C:\\Users\\11488\\Desktop\\book\\ch09\\stock_px.csv ,index_col 0, parse_dates True)

spx data[ SPX ]

spx.plot(ax ax, style k- )

crisis_data [

(datetime(2007, 10, 11), Peak of bull market ),

(datetime(2008, 3, 12), Bear Stearns Fails ),

(datetime(2008, 9, 15), Lehman Bankruptcy )

]

for date, label in crisis_data:

    ax.annotate(label, xy (date, spx.asof(date) 75),

    xytext (date, spx.asof(date) 225),

    arrowprops dict(facecolor black , headwidth 4, width 2,

    headlength 4),

    horizontalalignment left , verticalalignment top )

# Zoom in on 2007-2010

ax.set_xlim([ 1/1/2007 , 1/1/2011 ])

ax.set_ylim([600, 1800])

ax.set_title( Important dates in the 2008-2009 financial crisis )

接下里就到强大的seaborn 了

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

import matplotlib.pyplot as plt

import seaborn as sns

sns.set_style( whitegrid )

plt.plot(np.arange(10))

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。

import seaborn as sns

import matplotlib.pyplot as plt

sns.set(style white , palette muted , color_codes True)     #set( )设置主题 调色板更常用

plt.plot(np.arange(10))

plt.show()

with sns.color_palette( husl , 8):

    sns.set(style dark ,color_codes True)     #set( )设置主题 调色板更常用

    plt.plot(np.arange(10))

plt.show()

详情见

http://seaborn.pydata.org/generated/seaborn.color_palette.html#seaborn.color_palette

2  distplot( )  kdeplot( )

distplot( )为hist加强版 kdeplot( )为密度曲线图 

import matplotlib.pyplot as plt

import seaborn as sns

df_iris pd.read_csv(r C:\\Users\\11488\\Desktop\\Data set\\seaborn-data-master\\iris.csv )

fig, axes plt.subplots(1,2)

sns.distplot(df_iris[ petal_length ], ax axes[0], kde True, rug True)        # kde 密度曲线  rug 边际毛毯

sns.kdeplot(df_iris[ petal_length ], ax axes[1], shade True)                     # shade  阴影                      

plt.show()

import numpy as np

import seaborn as sns

import matplotlib.pyplot as plt

sns.set(style darkgrid ,color_codes True)

sns.color_palette( husl , 8)

rs np.random.RandomState(10)

d rs.normal(size 100)

f, axes plt.subplots(2, 2, figsize (7, 7), sharex True)

sns.distplot(d, kde False, color b , ax axes[0, 0])

sns.distplot(d, hist False, rug True, color r , ax axes[0, 1])

sns.distplot(d, hist False, color g , kde_kws { shade : True}, ax axes[1, 0])

sns.distplot(d, color m , ax axes[1, 1])

plt.show()

3  箱型图 boxplot( )

sns.boxplot(x df_iris[ species ],y df_iris[ sepal_width ])

plt.show()

import matplotlib.pyplot as plt

import os

os.chdir(r C:\\Users\\11488\\Desktop\\Data set\\seaborn-data-master )

import seaborn as sns

tips pd.read_csv( tips.csv )

sns.set(style ticks )                                     #设置主题

sns.boxplot(x day , y total_bill , hue sex , data tips, palette husl )   #palette 调色板

plt.show()

4  联合分布jointplot( )

tips pd.read_csv( tips.csv )   #右上角显示相关系数

sns.jointplot( total_bill , tip , tips)

plt.show()

tips pd.read_csv( tips.csv )   #右上角显示相关系数

with sns.axes_style( white ):

    sns.jointplot( total_bill , tip , tips,kind reg )# kind : { scatter | reg | resid | kde | hex }, optional #Kind of plot to draw.

plt.show()

5  热点图heatmap( )#我们常用热力图显示变量关系

data pd.read_csv( car_crashes.csv )

data data.corr()

sns.heatmap(data,robust True,cmap YlGnBu ,vmin 0, vmax 1,cbar True)

plt.show()

6  pairplot( )

data pd.read_csv( iris.csv )

sns.set()                        #使用默认配色

sns.pairplot(data,hue class )   #hue 选择分类列

plt.show()

sns.pairplot(data, vars [ sepal_width , sepal_length ],hue species ,palette Set1 ) 

plt.show()

7  FacetGrid( )

import seaborn as sns

import matplotlib.pyplot as plt

tips pd.read_csv( tips.csv )

g sns.FacetGrid(tips, col time ,  row smoker )

g g.map(plt.hist, total_bill ,  color b )

plt.show()

#hue分组 colp_order人为设置顺序

g sns.FacetGrid(tips, col smoker , hue time ,col_order [ Yes , No ])

g g.map(plt.hist, total_bill , bins bins,stacked True).add_legend()

#设置参数 大小 线宽 边缘色

kws dict(s 50, linewidth .5, edgecolor w )

g sns.FacetGrid(tips, col sex , hue time , palette Set1 ,hue_order [ Dinner , Lunch ])

g (g.map(plt.scatter, total_bill , tip ,**kws).add_legend().set_titles( hi ,fontsize 12,loc right )#添加legend,设置标题 这里不能识别更为一般的位置参数

)

pal dict(Lunch seagreen , Dinner gray )

g sns.FacetGrid(tips, col sex , hue time , palette pal,

 hue_order [ Dinner , Lunch ])

g (g.map(plt.scatter, total_bill , tip , **kws).add_legend().set_axis_labels( Total bill (US Dollars) , Tip ))#增加标签