一、小提琴图
提琴图的作用与箱形须线图类似。它显示了 数据点按一个（或多个）变量分组后的分布情况。 与箱图不同的是，每一个小提琴图都是通过对基础分布的核密度估计来绘制的。
方法
-
violinplot方法 绘制单图小提琴
-
catplot方法 绘制多图小提琴图
python">seaborn.violinplot(data=None, *, x=None, y=None, hue=None,split=False, gap=0)| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| split | 显示未镜像的分布，使用 时交替使用 。 |
| gap | 按此因子在方向轴上收缩，以在减淡元素之间添加间隙。 |
python">seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip')| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| row | 定义子集以在不同 facet 上绘制的变量。 |
| col | 定义子集以在不同 facet 上绘制的变量。 |
| kind | 要绘制的绘图类型对应于分类的名称 轴级绘图功能。选项有： “strip”， “swarm”， “box”， “violin”， “boxen”、“point”、“bar” 或 “count”。 |
python">import seaborn as sns
import pandas as pdtips=pd.read_csv('tips.csv')
sns.violinplot(x="day", y="total_bill", data=tips,hue="smoker",fill=False,split=True,gap=0.1) # 设置间隔
sns.catplot(x="day", y="total_bill", data=tips,hue="smoker",kind="violin",col="sex")
二、热力图
方法
-
heatmap方法
python">seaborn.heatmap(data, *, vmin=None, vmax=None, cmap=None,annot=None, linewidths=0, cbar=True)| 函数 | 描述 |
|---|---|
| data | 可以强制转换为 ndarray 的 2D 数据集。如果 Pandas DataFrame 时，索引/列信息将用于标记 列和行。 |
| vmin | values 来锚定颜色图，否则它们将从 data 和其他关键字参数 |
| vmax | values 来锚定颜色图，否则它们将从 data 和其他关键字参数 |
| camp | 从数据值到色彩空间的映射。如果未提供，则 default 将取决于是否设置。 |
| annot | 如果为 True，则在每个单元格中写入数据值。如果具有 与 相同形状，则改用此函数来注释热图 的数据。请注意，DataFrames 将匹配位置，而不是索引。 |
| linewidth | 将划分每个单元格的线的宽度。 |
| cbar | 是否绘制颜色条。 |
python">import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pdflights = pd.read_csv('flights.csv')
data=flights.pivot(index='month',columns='year',values='passengers')
sns.heatmap(data,annot=True,fmt='d',linewidths=.5,cbar=True,vmin=200,vmax=400)
三、点图
点图用于探索和比较两个分类变量之间的关系
主要特点和使用场景包括：
-
中心趋势的表示： 点图通过在坐标轴上的点表示每个组别的中心趋势，通常是均值。这使得你可以直观地比较不同组别的中心位置。
-
不确定性的展示： 除了点的位置表示中心趋势外，点图还通过垂直线（误差棒）表示中心趋势的不确定性，通常是置信区间。这有助于了解估计值的精度。
-
适用于两个分类变量： 点图的主要用途是比较两个分类变量之间的关系。一个分类变量通常用于横轴，另一个分类变量用于纵轴
方法
-
pointplot方法
-
catplot方法
python">seaborn.pointplot(data=None, *, x=None, y=None, hue=None,markers=<default>, linestyles=<default>,dodge=False)| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| markers | 用于每个级别的标记 |
| linestyles | 用于每个级别的线条样式。 |
| dodge | 将变量的每个级别的点分隔的 amount 分类轴。设置为 将应用较小的默认值。 |
python">seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip')| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| row | 定义子集以在不同 facet 上绘制的变量。 |
| col | 定义子集以在不同 facet 上绘制的变量。 |
| kind | 要绘制的绘图类型对应于分类的名称 轴级绘图功能。选项有： “strip”， “swarm”， “box”， “violin”， “boxen”、“point”、“bar” 或 “count”。 |
| markers | 用于每个级别的标记 |
| linestyles | 用于每个级别的线条样式。 |
| dodge | 将变量的每个级别的点分隔的 amount 分类轴。设置为 将应用较小的默认值。 |
python">import seaborn as sns
import matplotlib.pyplot as plttips = pd.read_csv('tips.csv')sns.pointplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True)
python">sns.catplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True,kind='point',col='smoker') 
四、核密度图
核密度估计图是一种用于估计概率密度函数的非参数方法
核密度估计图可以帮助理解数据的分布情况，尤其在连续变量的情况下，它提供了一种平滑的、连续的概率密度估计
主要特点和作用包括：
-
连续概率密度估计： 核密度估计图通过在每个数据点周围放置核（通常是高斯核）来估计连续概率密度函数。这样，我们可以看到整个变量范围内的概率密度变化
-
平滑曲线： 生成的图表是一条平滑的曲线，反映了数据的整体趋势。相对于直方图，核密度估计提供了更连续、更平滑的概率密度表示
-
用于多变量分布： 核密度估计图也可以用于可视化多个变量的联合分布情况
方法
-
kdeplot方法 核密度图
-
displot方法 支持多组、多图
python">seaborn.kdeplot(data=None, *, x=None, y=None, hue=None, palette=None, fill=None, multiple='layer')| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| palette | 选择映射语义时要使用的颜色的方法。 字符串值将传递给 .列表或字典值 隐含分类映射，而 colormap 对象隐含数值映射。 |
| fill | 如果为 True，则填充单变量密度曲线下或之间的区域 二元等值线。如果为 None，则默认值取决于 。 |
| multiple | 在语义映射创建子集时绘制多个元素的方法。 仅与单变量数据相关。 |
python">import seaborn as snstips = pd.read_csv('tips.csv')sns.kdeplot(data=tips, x="total_bill", hue="sex",multiple="stack",alpha=.5,linewidth=0,palette="Blues",fill=True)python">seaborn.displot(data=None, *, x=None, y=None, hue=None, row=None, col=None,kind='kde)| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| row | 定义子集以在不同 facet 上绘制的变量。 |
| col | 定义子集以在不同 facet 上绘制的变量。 |
| kind | 可视化数据的方法。选择基础绘图函数 并确定其他有效参数集。 |
python">sns.displot(data=tips, x="total_bill", y="tip",fill=True,kind='kde',col='time')
五、回归图
线性回归图是用于可视化线性回归分析结果的图表。它通常包括散点图、回归线和误差条，以便直观地展示自变量和因变量之间的线性关系。线性回归图的主要组成部分包括：
-
散点图（Scatter Plot）： 在图中绘制了自变量和因变量的散点，每个点代表一个观测数据。散点图帮助我们直观地观察变量之间的分布和可能的关系
-
回归线（Regression Line）： 通过回归分析，得到了一条最佳拟合的直线，它代表了自变量和因变量之间的线性关系。回归线的斜率表示了这种关系的方向和强度
-
误差条（Error Bars）： 误差条通常在每个点附近绘制，用于表示每个观测值的误差范围。这有助于了解拟合程度和数据的离散程度
-
回归方程信息： 可能包括回归方程、截距、斜率等信息，以提供更详细的模型解释
方法
-
sns.regplot方法
-
sns.lmplot方法 支持分组、分图
注意
可能需要安装 statsmodels模块,安装完模块要重启当前的ipynb文件环境
pip install statsmodels
python">seaborn.regplot(data=None, *, x=None, y=None, marker='o', scatter_kws=None)| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| marker | 用于散点图字形的标记。 |
| sactter_kws | 要传递给 和 的其他关键字参数。plt.scatterplt.plot |
python">seaborn.lmplot(data, *, x=None, y=None, hue=None, col=None, row=None)| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| row | 定义子集以在不同 facet 上绘制的变量。 |
| col | 定义子集以在不同 facet 上绘制的变量。 |
python">sns.regplot(data=tips,x='tip',y='total_bill',scatter_kws={'s':50,'alpha':0.3,'color':'skyblue'},marker='s') 
python">sns.lmplot(data=tips,x='tip',y='total_bill',hue='sex',col='time')
六、联合图
方法
-
jointplot方法
python">seaborn.jointplot(data=None, *, x=None, y=None, hue=None, kind='scatter',marginal_kws=None)| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| x | 用于绘制长格式数据的输入。 |
| y | 用于绘制长格式数据的输入。 |
| hue | 用于绘制长格式数据的输入。对原有的属性进行更加细致的分组 |
| kind | scatter,kde,hist,reg,hex,resid |
| marginal_kws | plot 组件的其他关键字参数。 |
python">sns.jointplot(data=tips,x='tip',y='total_bill')
sns.jointplot(data=tips,x='tip',y='total_bill',kind='scatter') # kind='scatter' 散点图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='kde') # 盒密度
sns.jointplot(data=tips,x='tip',y='total_bill',kind='hist') # 直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='reg') # 回归图+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='hex') # 六角+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='resid') # 残差+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',hue='sex',palette='dark:red',kind='hist',marginal_kws={'fill':False,'bins':10})
七、成队绘图
方法
pairplot方法
python">seaborn.pairplot(data, *, hue=None, vars=None, diag_kind='auto')| 函数 | 描述 |
|---|---|
| data | 用于绘图的数据集。 |
| hue | 分组 |
| vars | 变量 中的变量，否则将每列与 数值数据类型。 |
| diag_kind | 对角线子图的 Kind plot。如果为 'auto' |
python">sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",kind='scatter')
sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",kind='hist', # 设置除中线图形类型diag_kind='kde', # 设置中线图形类型) 
八、绘制图表到子图
python">import seaborn as sns
from matplotlib import pyplot as plt
import pandas as pdtips = pd.read_csv('tips.csv')fig,ax= plt.subplots(2,2,figsize=(20,8))
sns.lineplot(x="total_bill", y="tip", data=tips, ax=ax[0,0])
sns.lineplot(x="size", y="tip", data=tips, ax=ax[0][1])
九、使用FacetGrid绘图
| 参数 | 描述 | 对应使用了FacetGrid函数 |
|---|---|---|
| plt.plot/sns.lineplot | 折线图 | sns.relplot(kind='line') |
| plt.hexbin | 六边形图 | sns.jointplot(kind='hex') |
| plt.hist/sns.histplot | 直方图 | sns.distplot() |
| plt.scatter/sns.scatterplot | 散点图 | sns.relplot(kind='scatter') |
| sns.stripplot | 分类散点图 | sns.catplot(kind='strip') |
| sns.swarmplot | 分散分类散点图 | sns.catplot(kind='swarm') |
| sns.boxplot | 箱图 | sns.catplot(kind='box') |
| sns.violinplot | 小提琴图 | sns.catplot(kind='violin') |
| sns.pointplot | 点线图 | sns.catplot(kind='point') |
| sns.barplot | 条图 | sns.catplot(kind='bar') |
| sns.countplot | 数量统计条图 | sns.catplot(kind='count') |
| sns.regplot | 回归线图 | sns.lmplot() |
| 其它 | 其它 | 其它 |
python">import seaborn as sns
import pandas as pd
tips=pd.read_csv('tips.csv')绘制单图表
python">g = sns.FacetGrid(tips)
g.map(sns.scatterplot, "total_bill", "tip")
g.map(sns.regplot, "total_bill", "tip")
绘制多组图表
python">g = sns.FacetGrid(tips,col="time",row="smoker",hue='sex',palette="Set1", # 设置颜色height=4, aspect=1.5, # 设置大小hue_kws={"marker": ["*", "s"]}, # 设置标记)
g.map(sns.regplot, "total_bill", "tip")
