重慶分公司
重慶分公司，新征程啟航
為企業提供網站建設、域名注冊、服務器等服務
怎么用Python的Seaborn庫繪制超好看圖表
這篇文章主要講解了“怎么用Python的Seaborn庫繪制超好看圖表”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“怎么用Python的Seaborn庫繪制超好看圖表”吧！
成都創新互聯是一家集網站建設,嘉魚企業網站建設,嘉魚品牌網站建設,網站定制,嘉魚網站建設報價,網絡營銷,網絡優化,嘉魚網站推廣為一體的創新建站企業，幫助傳統企業提升企業形象加強企業競爭力?？沙浞譂M足這一群體相比中小企業更為豐富、高端、多元的互聯網需求。同時我們時刻保持專業、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們為更多的企業打造出實用型網站。
Seaborn簡介
定義
Seaborn是一個基于matplotlib且數據結構與pandas統一的統計圖制作庫。Seaborn框架旨在以數據可視化為中心來挖掘與理解數據。
優點
代碼較少
圖形美觀
功能齊全
主流模塊安裝
pip命令安裝
pip install matplotlib
pip install seaborn
從github安裝
pip install git+https://github.com/mwaskom/seaborn.git
流程
導入繪圖模塊
mport matplotlib.pyplot as plt
import seaborn as sns 提供顯示條件
%matplotlib inline #在Jupyter中正常顯示圖形
導入數據
#Seaborn內置數據集導入
dataset = sns.load_dataset('dataset')
#外置數據集導入（以csv格式為例）
dataset = pd.read_csv('dataset.csv') 設置畫布
#設置一塊大小為(12,6)的畫布
plt.figure(figsize=(12, 6)) 輸出圖形
#整體圖形背景樣式，共5種:"white", "dark", "whitegrid", "darkgrid", "ticks"
sns.set_style('white')
#以條形圖為例輸出圖形
sns.barplot(x=x,y=y,data=dataset,...)
'''
barplot()括號里的是需要設置的具體參數，
涉及到數據、顏色、坐標軸、以及具體圖形的一些控制變量，
基本的一些參數包括'x'、'y'、'data'，分別表示x軸，y軸，
以及選擇的數據集。
'''
保存圖形
#將畫布保存為png、jpg、svg等格式圖片
plt.savefig('jg.png') 實戰
#數據準備
df = pd.read_csv('./cook.csv') #讀取數據集(「菜J學Python」公眾號后臺回復cook獲取)
df['難度'] = df['用料數'].apply(lambda x:'簡單' if x<5 else('一般' if x<15 else '較難')) #增加難度字段
df = df[['菜譜','用料','用料數','難度','菜系','評分','用戶']] #選擇需要的列
df.sample(5) #查看數據集的隨機5行數據
#導入相關包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
import seaborn as sns
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei'] # 設置加載的字體名
plt.rcParams['axes.unicode_minus'] = False # 解決保存圖像是負號'-'顯示為方塊的問題
sns.set_style('white') #設置圖形背景樣式為white
直方圖
#語法
'''
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,
hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None,
vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
'''
#distplot()輸出直方圖，默認擬合出密度曲線
plt.figure(figsize=(10, 6)) #設置畫布大小
rate = df['評分']
sns.distplot(rate,color="salmon",bins=20) #參數color樣式為salmon，bins參數設定數據片段的數量
#kde參數設為False,可去掉擬合的密度曲線
plt.figure(figsize=(10, 6))
sns.distplot(rate,kde=False,color="salmon",bins=20)
#設置rug參數，可添加觀測數值的邊際毛毯
fig,axes=plt.subplots(1,2,figsize=(10,6)) #為方便對比，創建一個1行2列的畫布,figsize設置畫布大小
sns.distplot(rate,color="salmon",bins=10,ax=axes[0]) #axes[0]表示第一張圖(左圖)
sns.distplot(rate,color="green",bins=10,rug=True,ax=axes[1]) #axes[1]表示第一張圖(右圖)
#多個參數可通過字典傳遞
fig,axes=plt.subplots(1,2,figsize=(10,6))
sns.distplot(rate,color="salmon",bins=20,rug=True,ax=axes[0])
sns.distplot(rate,rug=True,
hist_kws={'color':'g','label':'直方圖'},
kde_kws={'color':'b','label':'密度曲線'},
bins=20,
ax=axes[1])
散點圖
常規散點圖:scatterplot
#語法
'''
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None,
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,
size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None,
y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto',
x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
#hue參數，對數據進行細分
sns.scatterplot(x="用料數", y="評分",hue="難度",data=df,ax=axes[0])
#style參數通過不同的顏色和標記顯示分組變量
sns.scatterplot(x="用料數", y="評分",hue="難度",style='難度',data=df,ax=axes[1])
分簇散點圖:stripplot
#語法
'''
seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, jitter=True, dodge=False, orient=None, color=None,
palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
'''
#設置jitter參數控制抖動的大小
plt.figure(figsize=(10, 6))
sns.stripplot(x="菜系", y="評分",hue="難度",jitter=1,data=df)
分類散點圖:swarmplot
#繪制分類散點圖(帶分布屬性)
#語法
'''
seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, dodge=False, orient=None, color=None, palette=None,
size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
'''
plt.figure(figsize=(10, 6))
sns.swarmplot(x="菜系", y="評分",hue="難度",data=df)
條形圖
常規條形圖:barplot
#語法
'''
seaborn.barplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None,ci=95, n_boot=1000, units=None, orient=None, color=None,
palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None,
ax=None, estimator=，**kwargs)
'''
#barplot()默認展示的是某種變量分布的平均值（可通過修改estimator參數為max、min、median等）
# from numpy import median
fig,axes=plt.subplots(1,2,figsize=(10,6))
sns.barplot(x='菜系',y='評分',color="r",data=df,ax=axes[0])
sns.barplot(x='菜系',y='評分',color="salmon",data=df,estimator=min,ax=axes[1])
fig,axes=plt.subplots(1,2,figsize=(10,6))
#設置hue參數，對x軸的數據進行細分
sns.barplot(x='菜系',y='評分',color="salmon",hue='難度',data=df,ax=axes[0])
#調換x和y的順序，可將縱向條形圖轉為水平條形圖
sns.barplot(x='評分',y='菜系',color="salmon",hue='難度',data=df,ax=axes[1])
#語法
'''
seaborn.countplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
#選定某個字段，countplot()會自動統計該字段下各類別的數目
sns.countplot(x='菜系',color="salmon",data=df,ax=axes[0])
#同樣可以加入hue參數
sns.countplot(x='菜系',color="salmon",hue='難度',data=df,ax=axes[1])
折線圖
#語法
'''
seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None,
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None,
size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean',
ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
#默認折線圖有聚合
sns.lineplot(x="用料數", y="評分", hue="菜系",data=df,ax=axes[0])
#estimator參數設置為None可取消聚合
sns.lineplot(x="用料數", y="評分", hue="菜系",estimator=None,data=df,ax=axes[1])
箱圖
箱線圖:boxplot
#語法
'''
seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, orient=None, color=None, palette=None, saturation=0.75,
width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
sns.boxplot(x='菜系',y='評分',hue='難度',data=df,ax=axes[0])
#調節order和hue_order參數，可以控制x軸展示的順序,linewidth調節線寬
sns.boxplot(x='菜系',y='評分',hue='難度',data=df,color="salmon",linewidth=1,
order=['清真菜','粵菜','東北菜','魯菜','浙菜','湖北菜','川菜'],
hue_order=['簡單','一般','較難'],ax=axes[1])
箱型圖:boxenplot
#語法
'''
seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, orient=None, color=None, palette=None, saturation=0.75,
width=0.8, dodge=True, k_depth='proportion', linewidth=None, scale='exponential',
outlier_prop=None, ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
sns.boxenplot(x='菜系',y='評分',hue='難度',data=df,color="salmon",ax=axes[0])
#palette參數可設置調色板
sns.boxenplot(x='菜系',y='評分',hue='難度',data=df, palette="Set2",ax=axes[1])
小提琴圖
#語法
'''
seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True,
gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None,
linewidth=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
sns.violinplot(x='菜系',y='評分',data=df, color="salmon",linewidth=1,ax=axes[0])
#inner參數可在小提琴內部添加圖形,palette設置顏色漸變
sns.violinplot(x='菜系',y='評分',data=df,palette=sns.color_palette('Greens'),inner='stick',ax=axes[1])
回歸圖
regplot'''
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci',
scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None,
order=1, logistic=False, lowess=False, robust=False, logx=False,
x_partial=None, y_partial=None, truncate=False, dropna=True,
x_jitter=None, y_jitter=None, label=None, color=None, marker='o',
scatter_kws=None, line_kws=None, ax=None)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
#marker參數可設置數據點的形狀
sns.regplot(x='用料數',y='評分',data=df,color='r',marker='+',ax=axes[0])
#ci參數設置為None可去除直線附近陰影(置信區間)
sns.regplot(x='用料數',y='評分',data=df,ci=None,color='g',marker='*',ax=axes[1])
lmplot
#語法
'''
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None,
col_wrap=None, height=5, aspect=1, markers='o', sharex=True,
sharey=True, hue_order=None, col_order=None, row_order=None,
legend=True, legend_out=True, x_estimator=None, x_bins=None,
x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000,
units=None, order=1, logistic=False, lowess=False, robust=False,
logx=False, x_partial=None, y_partial=None, truncate=False,
x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)
'''
#lmplot()可以設置hue,進行多個類別的顯示,而regplot()是不支持的
sns.lmplot(x='用料數',y='評分',hue='難度',data=df,
palette=sns.color_palette('Reds'),ci=None,markers=['*','o','+'])
熱力圖
#語法
'''
seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None,
robust=False, annot=None, fmt='.2g', annot_kws=None,
linewidths=0, linecolor='white', cbar=True, cbar_kws=None,
cbar_ax=None, square=False, xticklabels='auto',
yticklabels='auto', mask=None, ax=None, **kwargs)
'''
fig,axes=plt.subplots(1,2,figsize=(10,6))
h=pd.pivot_table(df,index=['菜系'],columns=['難度'],values=['評分'],aggfunc=np.mean)
sns.heatmap(h,ax=axes[0])
#annot參數設置為True可顯示數字,cmap參數可設置熱力圖調色板
cmap = sns.diverging_palette(200,20,sep=20,as_cmap=True)
sns.heatmap(h,annot=True,cmap=cmap,ax=axes[1])
#保存圖形
plt.savefig('jg.png')
感謝各位的閱讀，以上就是“怎么用Python的Seaborn庫繪制超好看圖表”的內容了，經過本文的學習后，相信大家對怎么用Python的Seaborn庫繪制超好看圖表這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是創新互聯，小編將為大家推送更多相關知識點的文章，歡迎關注！
分享題目：怎么用Python的Seaborn庫繪制超好看圖表
轉載源于：http://www.xueling.net.cn/article/pdsesh.html