【2019.05】Python 教程系列 6 - Seaborn

向右看齐 2022-01-29 00:09 248阅读 0赞

Seaborn 是基于 matplotlib 开发的高阶 Python 数据可视图库，用于绘制优雅、美观的统计图形。

import seaborn as sns

本帖还有用到其它的库，声明如下

import numpy as np
    import pandas as pd
    import matplotlib as mpl
    import matplotlib.pyplot as plt
    %matplotlib inline
    
    from datetime import datetime
    np.random.seed(1031)

在 Matplotlib 那贴已提过，个人偏好百度 Echarts 里面的一组颜色，因此将其 hex 颜色代码定义出来，其中红色的 r\_hex 和深青色的 dt\_hex 是大爱。

r_hex = '#dc2624'     # red, RGB = 220,38,36
    dt_hex = '#2b4750'    # dark teal, RGB = 43,71,80
    tl_hex = '#45a0a2'    # teal, RGB = 69,160,162
    r1_hex = '#e87a59'    # red, RGB = 232,122,89
    tl1_hex = '#7dcaa9'   # teal, RGB = 125,202,169
    g_hex = '#649E7D'     # green, RGB = 100,158,125
    o_hex = '#dc8018'     # orange, RGB = 220,128,24
    tn_hex = '#C89F91'    # tan, RGB = 200,159,145
    g50_hex = '#6c6d6c'   # grey-50, RGB = 108,109,108
    bg_hex = '#4f6268'    # blue grey, RGB = 79,98,104
    g25_hex = '#c7cccf'   # grey-25, RGB = 199,204,207

将上面自定义颜色设置为 seaborn 里调色板，当然你可以用它里面默认调色板。

color = ['#dc2624', '#2b4750', '#45a0a2', '#e87a59',
             '#7dcaa9', '#649E7D', '#dc8018', '#C89F91', 
             '#6c6d6c', '#4f6268', '#c7cccf']
    sns.set_palette( color )

本章我们用以下思路来讲解：

1.  第一章深度了解 (in-depth) 配对图 (pairplot)，在讲解时，我们配用数据清洗的案例分析，可供以后的「机器学习」用。
2.  第二章广度了解 (in-breadth) 其他类型的图，只是做个简单展示。

# 1 深度了解 Seaborn #

## 1.1 鸢尾花识别 ##

假设我们要创建一个智能手机应用程序，从智能手机拍摄的照片中自动识别花的种类。 我们正在与一个数据科学家团队合作，该数据科学主管负责创建一个演示机器学习模型，测量花的萼片长度 (sepal length)，萼片宽度 (sepal width)，花瓣长度 (petal length) 和花瓣宽度 (petal width) 四个变量，并根据这些测量识别物种。

等等，萼片是什么鬼？萼片是花的最外一环。下图清晰指出花的萼片和花瓣。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70]  
我们已经从现场研究人员获得了一个数据集，里面包括三种类型的鸢尾花的测量，如下图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 1]  
根据当地研究人员测量的每种鸢尾花的四个数据 (萼片长/宽和花瓣长/宽)，我们最终目的是想正确的分类这三种花。但重中之重的第一步是数据处理，有了干净数据之后再来机器学习很容易。

但怎么处理数据有时候更像一门艺术而不像一门科学。接下来会从

1.  检查数据
2.  清理数据
3.  测试数据

三方面来探索，在其过程中当然会借助 Seaborn。

### 检查数据 ###

即便是政府或银行，他们公布的数据也有错误。在花费太多时间分析数据之前，提早检查并修正这些错误能节省大量时间。一般来说，我们希望回答以下问题：

1.  数据格式有什么问题吗？
2.  数据数值有什么问题吗？
3.  数据需要修复或删除吗？

#### 检查点 1. 数据格式 ####

首先用 pandas 读取 csv 文件并将数据存成 DataFrame 格式。

iris_data = pd.read_csv('iris-data.csv', na_values=['NA'])

函数 read\_csv() 里面用到的两个参数

*  第一个 filename 是读取 csv 文件名
 *  第二个参数用来把 csv 里面空白处用 NaN 代替

iris_data.head(10)

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>sepal_length_cm</th> 
   <th>sepal_width_cm</th> 
   <th>petal_length_cm</th> 
   <th>petal_width_cm</th> 
   <th>class</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>5.1</td> 
   <td>3.5</td> 
   <td>1.4</td> 
   <td>0.2</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>4.9</td> 
   <td>3.0</td> 
   <td>1.4</td> 
   <td>0.2</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>4.7</td> 
   <td>3.2</td> 
   <td>1.3</td> 
   <td>0.2</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>4.6</td> 
   <td>3.1</td> 
   <td>1.5</td> 
   <td>0.2</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>5.0</td> 
   <td>3.6</td> 
   <td>1.4</td> 
   <td>0.2</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>5</th> 
   <td>5.4</td> 
   <td>3.9</td> 
   <td>1.7</td> 
   <td>0.4</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>6</th> 
   <td>4.6</td> 
   <td>3.4</td> 
   <td>1.4</td> 
   <td>0.3</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>7</th> 
   <td>5.0</td> 
   <td>3.4</td> 
   <td>1.5</td> 
   <td>NaN</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>8</th> 
   <td>4.4</td> 
   <td>2.9</td> 
   <td>1.4</td> 
   <td>NaN</td> 
   <td>Iris-setosa</td> 
  </tr> 
  <tr> 
   <th>9</th> 
   <td>4.9</td> 
   <td>3.1</td> 
   <td>1.5</td> 
   <td>NaN</td> 
   <td>Iris-setosa</td> 
  </tr> 
 </tbody> 
</table>

数据看起来是可用的 (大神 Hadley Wickhan 对干净数据的定义是，每一列代表一个特征；每一行代表一个样例)。

*  数据的第一行定义了列标题，标题的描述足以让我们了解每个列代表的内容 (萼片长度，萼片宽度，花瓣长度和花瓣宽度)，标题甚至给我们记录测量的单位 (cm, 厘米)
 *  第一行之后的每一行代表一个花的观测数据：四个测量指标和一个类 (class)，它告诉我们花的种类。比如前 10 个都是山鸢尾花 (注意第 8 到 10 个的花瓣宽度没有数据，用 NaN 来表示)。

*  检查点 2. 数据统计

接下来，检查数据的分布可以识别异常值。我们从数据集的汇总统计数据开始。

iris_data.describe()

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>sepal_length_cm</th> 
   <th>sepal_width_cm</th> 
   <th>petal_length_cm</th> 
   <th>petal_width_cm</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>count</th> 
   <td>150.000000</td> 
   <td>150.000000</td> 
   <td>150.000000</td> 
   <td>145.000000</td> 
  </tr> 
  <tr> 
   <th>mean</th> 
   <td>5.644627</td> 
   <td>3.054667</td> 
   <td>3.758667</td> 
   <td>1.236552</td> 
  </tr> 
  <tr> 
   <th>std</th> 
   <td>1.312781</td> 
   <td>0.433123</td> 
   <td>1.764420</td> 
   <td>0.755058</td> 
  </tr> 
  <tr> 
   <th>min</th> 
   <td>0.055000</td> 
   <td>2.000000</td> 
   <td>1.000000</td> 
   <td>0.100000</td> 
  </tr> 
  <tr> 
   <th>25%</th> 
   <td>5.100000</td> 
   <td>2.800000</td> 
   <td>1.600000</td> 
   <td>0.400000</td> 
  </tr> 
  <tr> 
   <th>50%</th> 
   <td>5.700000</td> 
   <td>3.000000</td> 
   <td>4.350000</td> 
   <td>1.300000</td> 
  </tr> 
  <tr> 
   <th>75%</th> 
   <td>6.400000</td> 
   <td>3.300000</td> 
   <td>5.100000</td> 
   <td>1.800000</td> 
  </tr> 
  <tr> 
   <th>max</th> 
   <td>7.900000</td> 
   <td>4.400000</td> 
   <td>6.900000</td> 
   <td>2.500000</td> 
  </tr> 
 </tbody> 
</table>

*  describe() 函数的产出每列数据的个数 (count)，均值 (mean)，标准差 (std)，最小值 (min)，25, 50 和 75 百分位数 (25%, 50%, 75%) 和最大值 (max)。50 百分位数也就是中位数 (median)。
 *  从该表中看到几个有用的值。 例如，我们看到缺少 5 条花瓣宽度的数据 (表里 count 那一行的萼片长度，萼片宽度和花瓣长度的个数都是 150 个，唯独花瓣宽度是 145 个)。

此外，这样的表给不了太多有用信息，除非我们知道数据应该在一个特定的范围 (如萼片长度的最小值是 0.055, 和它其他指标如均值和几个百分位数都不是量纲的，很有可能是测量错误)。

你说表中这些数字看起来是不是很枯燥，为什么不用直观的图呢？现在 seaborn 可以派上用场了。

sns.pairplot(iris_data.dropna(), hue='class')

C:\Anaconda3\lib\site-packages\scipy\stats\stats.py:1713: FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
      return np.add.reduce(sorted[indexer] * weights, axis=axis) / sumval
    C:\Anaconda3\lib\site-packages\numpy\core\_methods.py:140: RuntimeWarning: Degrees of freedom <= 0 for slice
      keepdims=keepdims)
    C:\Anaconda3\lib\site-packages\numpy\core\_methods.py:132: RuntimeWarning: invalid value encountered in double_scalars
      ret = ret.dtype.type(ret / rcount)
    C:\Anaconda3\lib\site-packages\statsmodels\nonparametric\bandwidths.py:20: RuntimeWarning: invalid value encountered in minimum
      return np.minimum(np.std(X, axis=0, ddof=1), IQR)
    C:\Anaconda3\lib\site-packages\numpy\core\fromnumeric.py:83: RuntimeWarning: invalid value encountered in reduce
      return ufunc.reduce(obj, axis, dtype, out, **passkwargs)
    
    
    
    
    
    <seaborn.axisgrid.PairGrid at 0x1b2610668d0>

在这里插入图片描述

上面 pairplot() 函数里

*  第一个参数 iris\_data.dropna() 就是除去 NaN 的数据表，这么做原因很简单，图里不可能显示的出 NaN 值的。
 *  第二个参数 hue = ‘class’ 就是根据类 (class) 下不同的值赋予不同的颜色 (hue 就是色彩的意思) 。

让我们再回顾一下 iris\_data 的前 10 行：

iris_data.head(10)

它有 5 列，前四列 (萼片长度，萼片宽度，花瓣长度和花瓣宽度) 可看成自变量，第五列 (类) 可看成变量。

配对图 (pairplot) 绘制前四列变量的关系图，而且用不同颜色区分不同的类下面的这四个变量。 从上图可知，横轴纵轴都有四个变量，那么总共可以画出 16 (4\*4) 张小图。

*  对角线上的 4 张都是某个变量和自身的关系，用分布图 (dist plot)。
 *  非对角线的 12 张就是某个变量和另一个变量的关系，用散点图 (scatter plot)。比如第一行第二列的图描述的就是萼片长度 (看纵轴第一个 sepal\_length\_cm 字样) 和萼片宽度 (看横轴第二个 sepal\_width\_cm 字样)。

从「配对图」中，我们可以迅速看出数据集上的一些问题：

1.  图的右侧标注这五个类 (Iris-setosa, Iris-setossa, Iris-versicolor, versicolor, Iris-virginica)，但原本要分类的花只有三类 (Iris-setosa, Iris-versicolor, Iris-virginica)。这意味着在记录数据时可能会犯下一些错误。
2.  在测量中有一些明显的异常值可能是错误的。
    
    a. 第二行的图 1-2-4 (或第二列的图1-2-4)，对于 Iris-setosa，一个萼片宽度 (sepal\_width) 值落在其正常范围之外。
    
    b. 第一行后三张图 (或第一列后三张图)，对于 Iris-versicolor，几个萼片长度 (sepal\_length) 值都接近零。

下一步我们的任务是要处理错误的数据。

*  修正点 1. 数据类别

问题：按理说鸢尾花应该只有三类，而图中却显示有五类。

在与现场研究人员交谈后，得知研究员

忘记在 Iris-versicolor 之前添加 Iris-  
在 Iris-setossa 中多打了一个 s

让我们使来修正这些错误。

iris_data.loc[iris_data['class'] == 'versicolor', 'class'] = 'Iris-versicolor'
    iris_data.loc[iris_data['class'] == 'Iris-setossa', 'class'] = 'Iris-setosa'
    
    iris_data['class'].unique()

array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object)

第一行将 versicolor 改为 Iris-versicolor；第二行将 Iris-setossa 改为 Iris-setosa；第四行用 unique() 函数 (unique 有唯一不重复的意思) 检验修改过的数据只有三类，更新后再画「配对图」。

sns.pairplot(iris_data.dropna(), hue='class')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 2]

*  修正点 2. 异常值

修正异常值 (outliers) 是一件棘手的事情。因为我们很难判断异常值是否由测量误差引起，或者是不正确的单位记录数据，或者是真正的异常。如果我们决定排除任何数据，需要记录排除的数据并提供排除该数据的充分理由。由上节所知，我们有两种类型的异常值。

问题 1：山鸢尾花的一个萼片宽度值落在其正常范围之外 。

我们的研究人员知道，山鸢尾花 (Iris-setosa) 的萼片宽度 (sepal\_width\_cm) 不可能低于 2.5 厘米。显然，这个记录是错误的，这种情况下最有效的方法是删除它而不是花时间查找原因。但是，我们仍需要知道有多少个类似这样的错误数据，如果很少删除它没有问题，如果很多我们需要查明原因。

coud = (iris_data['class'] == "Iris-setosa") & (iris_data['sepal_width_cm'] < 2.5)
    iris_data.loc[coud]

上面代码是用数据表里的 loc\[\] 切片来找到类为 Iris-setoa 并且 sepal width 小于 2.5 的所有行。最后发现只有一个这样的数据，因此可以直接删除此数据。

去掉 Iris-setosa 里萼片宽度大于 2.5 厘米的数据，然后画出其条形图。

iris_data = iris_data.loc[~coud]
    iris_data.loc[iris_data['class'] == 'Iris-setosa',
                 'sepal_width_cm'].hist()

<matplotlib.axes._subplots.AxesSubplot at 0x1b2629b2da0>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 3]

从上面条形图也看到了再没有这个异常值 (小于 2.5 厘米的点)。

完美！ 现在所有的山鸢尾花的萼片宽度都大于 2.5 厘米。

问题 2：变色鸢尾花的几个萼片长度值接近与零  
所有这些接近零的 sepal\_length\_cm 似乎错位了两个数量级，好像它们的记录单位米而不是厘米。在与实地研究人员进行了一些简短的对话后，我们发现其中一个人忘记将这些测量值转换为厘米。

我们使用代码来修正这些错误。

cond = (iris_data['class'] == 'Iris-versicolor') & (iris_data['sepal_length_cm'] < 1.0)
    iris_data.loc[cond]

上面代码是用数据表里的 loc\[\] 切片来找到类为 Iris-versicolor 并且 sepal length 接近零的所有行，发现有五个数据。

将萼片长度乘以 100 倍，从单位米换成单位厘米，然后画出其条形图。

iris_data.loc[cond, 'sepal_length_cm'] *= 100.0
    
    iris_data.loc[iris_data['class'] == 'Iris-versicolor', 
                 'sepal_length_cm'].hist()

<matplotlib.axes._subplots.AxesSubplot at 0x1b26407b978>

在这里插入图片描述

从上面条形图也看到了再没有这五个异常值 (零点零几的点)。

*  修正点 3. 缺失值

对了，我们还有些 NaN 这样的缺失值 (missing value)。通常我们有两种方式来处理这类数据。

1.  删除 (deletion)
2.  插补 (imputation)

在本例中删除不是理想的做法，特别是考虑到它们都在 Iris-setosa 下，如图：

所有缺失的值都属于 Iris-setosa类，直接删除可能会对日后数据分析带来偏差。此外，可以用插补方法，其最常见的方法平均插补 (mean imputation)。其做法就是“假设知道测量的值落在一定范围内，就可以用该测量的平均值填充空值”。

首先查看缺失值在 DataFrame 哪个位置。

iris_data.loc[iris_data['sepal_length_cm'].isnull()|
                 iris_data['sepal_width_cm'].isnull()|
                 iris_data['petal_length_cm'].isnull()|
                 iris_data['petal_width_cm'].isnull()]

上面代码里面 iris\_data\[A\].isnull() 语句是找出 A 列中值为 NA 或 NaN 的行，而 “|” 是“或”的意思。因此上面整句话是找到萼片长度，萼片宽度，花瓣长度和花瓣宽度这四列下的所有含 NaN 的行数据，最后发现只有 5 行，而且 NaN 都来自花瓣宽度。

然后用 mean() 求出其宽度的平均值，用其将 NaN 值全部代替，最后打印出那 5 行插补后的 DataFrame。

isSetosa = iris_data['class'] == 'Iris-setosa'
    
    average_petal_width = iris_data.loc[isSetosa, 'petal_width_cm'].mean()
    
    iris_data.loc[isSetosa & (iris_data['petal_width_cm'].isnull()), 'petal_width_cm'] = average_petal_width
    
    iris_data.loc[isSetosa & (iris_data['petal_width_cm']== average_petal_width)]

为了确保所有 NaN 值已被替换，再次用 iris\_data\[A\].isnull() 语句来查看，出来的结果是一个只有列标题的空数据表。这表示表内已经没有 NaN 值了。

经过了修正类别、异常值和缺失值后，最后来看看基于干净数据画的「配对图」吧。

sns.pairplot( iris_data,  hue='class' )

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 4]

从上图可看到：

1.  五个类变成三个类
2.  异常值全部被删除
3.  缺失值全部被插补

图整洁了，数据也干净了，之后可以用来做机器学习。

如果你不喜欢我自定义的配色的话，你可以随意用

*  用 set\_style() 选五种风格：darkgrid, whitegrid, dark, white 和 ticks .
 *  用 set\_palette() 六种调色盘：deep, muted, pastel, bright, dark 和 colorblind

首先将风格初始化成 ticks。

sns.set(style='ticks')

## 1.2 无标签的图 ##

假设我们不知道数据标签是什么 (无监督学习里的聚类问题)，那么画出来的「配对图」是单色调的。

sns.pairplot(iris_data)

<seaborn.axisgrid.PairGrid at 0x1b2665fc550>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 5]

对角线上的图是直方图 (histgram)，非对角线上的散点图没有被不同的颜色区分。我们可以用 K-mean 聚类来得到 K 个不同簇，再和本身有的标签比对，看看聚类的效果如何 (在之后的 sklean 那贴再细讲)。

## 1.3 带标签的图 ##

如果我们知道数据标签 (有监督学习里的分类问题)，那么画出来的「配对图」是多色调的，只需把 hue 变量设置成 DataFrame 数据里的标签名。

sns.pairplot( iris_data, hue='class' )

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 6]

当细分了标签后，对角线图就是分布图 (distplot)，本例有三类，因此有三个分布。非对角线图还是散点图，只不过由不同颜色区分不同类别。

## 1.4 设置色板 ##

将风格设置为 dark (背景变成灰色)，色板设置成 husl。

sns.set_style('dark')
    sns.pairplot(iris_data, hue='class', palette='husl')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 7]

husl 其实就是一个色彩系统，取 10 个样本颜色展示如下：

sns.palplot( sns.color_palette('husl',10) )

![在这里插入图片描述][20190520141529953.png]

## 1.5 设置标记 ##

将风格设置为 darkgrid (背景变成带网格的灰色)，色板设置成 colorblind 为色盲用户着想，甚至将不同类用圆形 (o)、正方形 (s) 和方块 (D) 来标记。

sns.set_style('darkgrid')
    sns.set_palette('colorblind')
    sns.pairplot(iris_data, hue='class', markers=['o','s','d'])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 8]

## 1.6 子集图 ##

如果我们不想展示所有变量之间的关系图，我们可以选择子集图。

将风格设置为 whitegrid (背景变成带网格的白色)，并将横轴和纵轴赋予相同的子集变量 (都是 vars)。

sns.set_style('whitegrid')
    sns.pairplot(iris_data, vars=['sepal_width_cm','sepal_length_cm'])

<seaborn.axisgrid.PairGrid at 0x1b26a18dc88>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 9]

将风格设置为 white (背景变成白色)，并将横轴和纵轴赋予不同的子集变量 (x\_vars 和 y\_vars)。

sns.set_style('white')
    sns.pairplot( iris_data, 
                  x_vars=['sepal_width_cm', 
                          'sepal_length_cm'],
                  y_vars=['petal_width_cm', 
                          'petal_length_cm']);

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 10]

## 1.7 线性回归图 ##

pairplot() 除了画出变量之间的关系图，通过设置里面参数 kind = ‘reg’，还可在非对角图上对那些散点做线性回归。

sns.set_style('ticks')
    sns.set_palette('dark')
    sns.pairplot(iris_data, kind='reg')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 11]

有个细节：色板设置成 dark，颜色顿时暗淡了许多 (深蓝)。

## 1.8 核密度图 ##

pairplot() 除了画出变量之间的关系图，通过设置里面参数 diag\_kind = ‘kde’，还可在对角图上对那些直方图的点做核密度估计 (KDE, kernel density estimation)，该技巧在做平滑数据时用到。

sns.set_palette('bright')
    sns.pairplot(iris_data, diag_kind='kde')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 12]

# 2 广度了解 Seaborn #

在本节中我们用 Seaborn 提供了内置数据集 Titantic 来展示

*  条形图 (barplot)
 *  计数图 (countplot)
 *  点图 (pointplot)
 *  箱形图 (boxplot)
 *  小提琴图 (violinplot)

然后用 Iris 数据来展示

*  箱形水平图 (boxplot h)
 *  双变量分布图 (jointplot)

首先加载 Titanic 的数据。

titanic = sns.load_dataset('titanic')
    titanic.head(3).append(titanic.tail(3))

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>survived</th> 
   <th>pclass</th> 
   <th>sex</th> 
   <th>age</th> 
   <th>sibsp</th> 
   <th>parch</th> 
   <th>fare</th> 
   <th>embarked</th> 
   <th>class</th> 
   <th>who</th> 
   <th>adult_male</th> 
   <th>deck</th> 
   <th>embark_town</th> 
   <th>alive</th> 
   <th>alone</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>0</td> 
   <td>3</td> 
   <td>male</td> 
   <td>22.0</td> 
   <td>1</td> 
   <td>0</td> 
   <td>7.2500</td> 
   <td>S</td> 
   <td>Third</td> 
   <td>man</td> 
   <td>True</td> 
   <td>NaN</td> 
   <td>Southampton</td> 
   <td>no</td> 
   <td>False</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>1</td> 
   <td>1</td> 
   <td>female</td> 
   <td>38.0</td> 
   <td>1</td> 
   <td>0</td> 
   <td>71.2833</td> 
   <td>C</td> 
   <td>First</td> 
   <td>woman</td> 
   <td>False</td> 
   <td>C</td> 
   <td>Cherbourg</td> 
   <td>yes</td> 
   <td>False</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>1</td> 
   <td>3</td> 
   <td>female</td> 
   <td>26.0</td> 
   <td>0</td> 
   <td>0</td> 
   <td>7.9250</td> 
   <td>S</td> 
   <td>Third</td> 
   <td>woman</td> 
   <td>False</td> 
   <td>NaN</td> 
   <td>Southampton</td> 
   <td>yes</td> 
   <td>True</td> 
  </tr> 
  <tr> 
   <th>888</th> 
   <td>0</td> 
   <td>3</td> 
   <td>female</td> 
   <td>NaN</td> 
   <td>1</td> 
   <td>2</td> 
   <td>23.4500</td> 
   <td>S</td> 
   <td>Third</td> 
   <td>woman</td> 
   <td>False</td> 
   <td>NaN</td> 
   <td>Southampton</td> 
   <td>no</td> 
   <td>False</td> 
  </tr> 
  <tr> 
   <th>889</th> 
   <td>1</td> 
   <td>1</td> 
   <td>male</td> 
   <td>26.0</td> 
   <td>0</td> 
   <td>0</td> 
   <td>30.0000</td> 
   <td>C</td> 
   <td>First</td> 
   <td>man</td> 
   <td>True</td> 
   <td>C</td> 
   <td>Cherbourg</td> 
   <td>yes</td> 
   <td>True</td> 
  </tr> 
  <tr> 
   <th>890</th> 
   <td>0</td> 
   <td>3</td> 
   <td>male</td> 
   <td>32.0</td> 
   <td>0</td> 
   <td>0</td> 
   <td>7.7500</td> 
   <td>Q</td> 
   <td>Third</td> 
   <td>man</td> 
   <td>True</td> 
   <td>NaN</td> 
   <td>Queenstown</td> 
   <td>no</td> 
   <td>True</td> 
  </tr> 
 </tbody> 
</table>

Titanic 数据集是非常适合数据科学和机器学习新手入门练习的数据集，它包含 1912 年泰坦尼克号沉船事件中一些乘客的个人信息以及存活状况。点击下图看该数据集的变量解释。

还是用引言中自定义的调色板

sns.set_palette( color )
    sns.palplot( sns.color_palette(color,11) )

![在这里插入图片描述][20190520141619800.png]

## 2.1 条形图 ##

对于男性和女性 (x=‘sex’)，根据不同船票各等舱 (hue=‘class’)，统计其生还率 (y=‘survived’)。用颜色区分舱的等级。

sns.pairplot(x='sex', y='survived', hue='class', data=titanic)
    sns.barplot( x='sex', 
                 y='survived',
                 hue='class',
                 data=titanic )

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 13]

值得注意的是，条形图不仅显示点估计值 (point estimate)，还显示了置信区间 (confidence interval)。

由图可知，做一等舱和二等舱的女人生还率最高，三等舱的女人也比一等舱的男人生还率高。

## 2.2 计数图 ##

统计每层客舱 (x=‘deck’) 里的人数。

sns.countplot(x='deck', data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1b26ce98e80>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 14]

C 舱里人数最多，G 舱里人数最少。

## 2.3 点图 ##

统计每等舱 (x=‘class’) 不同性别 (hue='sex‘) 的生还率 (y=‘survived’)。用颜色区分性别。

sns.pointplot(x='class', 
                 y='survived',
                 hue='sex',
                 data=titanic,
                 markers=['^','o'],
                 linestyles=['-','--'])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 15]

点图也显示点估计和置信区间，由图可知，在各等舱中，女性生还率高于男性生还率高。

## 2.4 箱形图 ##

统计在生还和死亡 (x=‘alive’) 成年和未成年男性 (hue=‘adult\_male’) 的年龄分布 (y=‘age’)。用颜色区分是否成年。

sns.boxplot(x='alive',
               y='age',
               hue='adult_male',
               data=titanic)

<matplotlib.axes._subplots.AxesSubplot at 0x1b26cffa390>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 16]

由图可看出，生还或死亡的男性在成年和未成年下的年龄分布很相似。

## 2.5 小提琴图 ##

统计在男性和女性 (x=‘sex’) 两类里生还和死亡 (hue=‘survived’) 的年龄分布 (y=‘age’)。用颜色区分生还率。

sns.violinplot(x='sex',
                  y='age',
                  hue='survived',
                  data=titanic)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 17]

## 2.6 箱形水平图 ##

画出萼片长度，萼片宽度，花瓣长度和花瓣宽度的箱形图 (横向)。上节也可以用这个图来找异常值。

sns.boxplot(data=iris_data, orient='h')

<matplotlib.axes._subplots.AxesSubplot at 0x1b26aa2e0b8>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 18]

## 2.7 双变量分布图 ##

置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的一维分布。

sns.jointplot( 'sepal_length_cm', 'sepal_width_cm',
                    data=iris_data,
                    kind='kde')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 19]

设置 kind =‘kde’ 用双变量分布图画出萼片长度和萼片宽度的线性关系。这时的分布用直方图表示。

sns.jointplot( 'sepal_length_cm', 'sepal_width_cm',
                    data=iris_data,
                    kind='reg')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 20]

# 3 总 结 #

Seaborn 就是 Matplotlib 的升级版，底层绘图逻辑和元素层级就不用再重复了。

Seaborn 比 Matplotlib 强大的三个地方就是：

*  代码简单，基本都是一句话 (one-liner) 就可以画出变量之间统计关系图
 *  能够处理分类 (categorical) 变量 (不仅仅只能处理连续变量)
 *  颜色更加丰富好看 (不过这个看个人喜好)

下篇讨论用于炫酷可视化工具 PyEcharts 。Stay Tuned!

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70]: /images/20220129/a7122792085b4ce994d7562a330dc99e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 1]: /images/20220129/f77d6dbe923644cb92f16f548d408562.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 2]: /images/20220129/8b1a27d668c247b19b362bb3701f095d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 3]: /images/20220129/365839928a7e45a2bccec896329adbce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 4]: /images/20220129/3dc58ff2b5a4464085ec4bf228ee36d2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 5]: /images/20220129/4678ebb07a024e49a51759f53a9c012f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 6]: /images/20220129/ae4bf337c0de43319f173f170c48f74e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 7]: /images/20220129/99cfb15213b241e2aaab499ef0182c13.png
[20190520141529953.png]: /images/20220129/046f9e64c636444bbc822598e119d13b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 8]: /images/20220129/1aef059c7ac5459eace1992f0db0e915.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 9]: /images/20220129/ba06e0ccf40b420780bef2a38d6e6862.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 10]: /images/20220129/fe77d520bcae47108711eedff911a33d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 11]: /images/20220129/52223fdc61244706be604100c5c5512d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 12]: /images/20220129/83ab9277dcdd4fea83177e7018cb02fa.png
[20190520141619800.png]: /images/20220129/89eb5a2d377d472690a5ec727cc67a8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 13]: /images/20220129/1a433bbc8e8c4c8685b3d418779b1996.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 14]: /images/20220129/883a92dceae24aeb94d14446fd191098.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 15]: /images/20220129/4cd4afd8dca849d890c55d4cefeb2dd5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 16]: /images/20220129/2d6a7b011b904b9da58b226ecb1bfb47.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 17]: /images/20220129/e524a28a755147cc947111421dcb9679.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 18]: /images/20220129/f7cdad612c6b4212af5e1f6a5081d2a8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 19]: /images/20220129/157286bc94b04932bd8936bec74ea0a4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4NTM0MTA3_size_16_color_FFFFFF_t_70 20]: /images/20220129/c2a3669454134e7e812a78019bef1bc6.png