Python中Seaborn庫如何使用

Python中Seaborn庫如何使用，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

Seaborn 是什么

Seaborn 是一個基于matplotlib的高級可視化效果庫，主要針對數據挖掘和機器學習中的變量特征選取，Seaborn 可以用短小的代碼去繪制描述更多維度數據的可視化效果圖。即便是沒有什么基礎的人，也可以通過極簡的代碼，做出具有分析價值而又十分美觀的圖形。

官方鏈接為： Seaborn官方鏈接[1]

Seaborn 提供的功能如下：

?面向數據集的API，用于檢查多個變量之間的關系?專門支持使用分類變量顯示觀察結果或匯總統計信息?可視化單變量或雙變量分布以及在數據子集之間進行比較的選項?不同種類因變量的線性回歸模型的自動估計和繪圖?用于構造多圖網格的高級抽象，可讓您輕松構建復雜的可視化?帶有幾個內置主題的 matplotlib圖形樣式的精確控制?選擇能夠忠實顯示數據中圖案的調色板的工具

seaborn優點

優點

?簡化了復雜數據集的表示；?可以輕松構建復雜的可視化，簡潔的控制matplotlib圖形樣式與幾個內置主題；?seaborn不可以替代matplotlib，而是matplotlib的很好補充；?對于初學者來說容易上手，具有極簡模式；

圖列展示

1、散點圖矩陣

sns.pairplot(iris,hue="species", palette="Set2", diag_kind="kde", height=2.5)

2、小提琴圖

sns.violinplot(x="day", y="total_bill", hue="smoker",split=True, inner="quart",palette={"Yes": "y", "No": "b"},data=tips)

4、線性圖

# shared across the facets
palette = dict(zip(dots.coherence.unique(),sns.color_palette("rocket_r", 6)))
# Plot the lines on two facets
sns.relplot(x="time", y="firing_rate",hue="coherence", size="choice", col="align",size_order=["T1", "T2"], palette=palette,height=5, aspect=.75, facet_kws=dict(sharex=False),kind="line", legend="full", data=dots)

5、自定義投影的FacetGrid

import numpy as np
import pandas as pd
import seaborn as sns
sns.set()
# Generate an example radial datast
r = np.linspace(0, 10, num=100)
df = pd.DataFrame({'r': r, 'slow': r, 'medium': 2 * r, 'fast': 4 * r})
# Convert the dataframe to long-form or "tidy" format
df = pd.melt(df, id_vars=['r'], var_name='speed', value_name='theta')
# Set up a grid of axes with a polar projection
g = sns.FacetGrid(df, col="speed", hue="speed",subplot_kws=dict(projection='polar'), height=4.5,sharex=False, sharey=False, despine=False)
# Draw a scatterplot onto each axes in the grid
g.map(sns.scatterplot, "theta", "r")

6、樹形圖

import pandas as pd
import seaborn as sns
sns.set()
# Load the brain networks example dataset
df = sns.load_dataset("brain_networks", header=[0, 1, 2], index_col=0)
# Select a subset of the networks
used_networks = [1, 5, 6, 7, 8, 12, 13, 17]
used_columns = (df.columns.get_level_values("network")
                          .astype(int)
                          .isin(used_networks))
df = df.loc[:, used_columns]
# Create a categorical palette to identify the networks
network_pal = sns.husl_palette(8, s=.45)
network_lut = dict(zip(map(str, used_networks), network_pal))
# Convert the palette to vectors that will be drawn on the side of the matrix
networks = df.columns.get_level_values("network")
network_colors = pd.Series(networks, index=df.columns).map(network_lut)
# Draw the full plot
sns.clustermap(df.corr(), center=0, cmap="vlag",row_colors=network_colors, col_colors=network_colors,linewidths=.75, figsize=(13, 13))

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。