seaborn直方图、散点图与回归分析图的绘制

柔情只为你懂 2022-05-31 08:35 595阅读 0赞

学习了seaborn的基本风格操作设置之后我们便操作seaborn学习直方图、散点图的绘制方法，以及对数据进行回归分析的方法(本文使用jupyter notebook为开发环境)。

*  直方图的绘制  
    首先我们导入必须的包以及matplotlib的魔法方法，使得我们绘制的图象能直接显示；并为随机数设置种子，使得每次执行相同方法产生相同的随机数。

import numpy as np
    import matplotlib.pyplot as plt
    import seaborn as sns
    %matplotlib inline
    
    sns.set(color_codes=True)
    np.random.seed(sum(map(ord, 'distributions')))
    
    # 当我们设置相同的seed，每次生成的随机数相同。
    # 如果不设置seed，则每次会生成不同的随机数
    # map() 会根据提供的函数对指定序列做映射。
    # 即返回'distributions'该字符串每个字母的二进制数
    # 并用sum函数求和，将和作为种子，这里似乎是习惯上的写法。

运用distplot函数进行直方图的绘制：

# 直方图的绘制
    x = np.random.normal(size=100) # 产生一组数量为100的高斯分布数据
    sns.distplot(x, kde=True) # kde控制是否显示核密度估计图

结果如图：  
![这里写图片描述][70]

displot可选参数如下：（参考官方文档）

a : Series, 1d-array, or list.

Observed data. If this is a Series object with a name attribute, the name will be used to label the data axis.

bins : argument for matplotlib hist(), or None, optional \#设置矩形图数量

Specification of hist bins, or None to use Freedman-Diaconis rule.

hist : bool, optional \#控制是否显示条形图

Whether to plot a (normed) histogram.

kde : bool, optional \#控制是否显示核密度估计图

Whether to plot a gaussian kernel density estimate.

rug : bool, optional \#控制是否显示观测的小细条（边际毛毯）

Whether to draw a rugplot on the support axis.

fit : random variable object, optional \#控制拟合的参数分布图形

An object with fit method, returning a tuple that can be passed to a pdf method a positional arguments following an grid of values to evaluate the pdf on.

\{hist, kde, rug, fit\}\_kws : dictionaries, optional

Keyword arguments for underlying plottin

*  散点图的绘制  
    利用jointplot()函数进行散点图的绘制

# 绘制散点图
    # 生成指定均值与协方差的200个数据
    # 协方差数据一般以元组形式给出，表示某数的次方
    import pandas as pd
    mean, cov = [0, 1], [(1, .5), (.5, 1)]
    data = np.random.multivariate_normal(mean, cov, 1000)
    df = pd.DataFrame(data, columns=['x', 'y'])

结果如下：  
![这里写图片描述][70 1]  
可以看出来散点图的xy轴上还有数据分布的直方图。  
如果我们数据较多，会发现点的分布过于密集，无法查看直观的分布状况。这时我们指定kind参数，使图变成蜂窝状的显示：

sns.jointplot(x='x', y='y', data=df, kind='hex', size=(8))

结果如图：  
![这里写图片描述][70 2]

我们还可以通过with语句与axes\_style()函数的连用使得我们暂时的改变绘图风格，使得最终图像成为黑白间隔的风格。

with sns.axes_style('white'):
        sns.jointplot(x='x', y='y', data=df, kind='hex', color='k', size=(9))

结果如图：  
![这里写图片描述][70 3]  
我们可以通过改变具体参数或调用函数，做出更独特的图（请自行查阅官方文档）。

*  成对数据的显示  
    我们载入seaborn的内置数据iris（鸢尾花），用pairplot()函数显示数据。

# 正对角线表示一维 非对角线表示二维
    iris = sns.load_dataset('iris')
    sns.pairplot(iris)

![这里写图片描述][70 4]  
正对角线的数据代表相同的数据集。

*  通过数据进行回归分析  
    调入小费数据，对小费数据进行回归分析

tips = sns.load_dataset('tips')
    # tips.head()

**regplot()和lmplot()都可以绘制回归方程，但是初学者推荐用regplot()**  
代码如下：

sns.set_style('whitegrid')
    plt.figure(figsize=(9,6))
    sns.regplot(x='total_bill', y='tip', data=tips)

结果如图：  
![这里写图片描述][70 5]  
如果我们的x值设定为size则会发现结果有些不适合于观察，大体为竖直的直线。

plt.figure(figsize=(9,6))
    sns.regplot(x='size', y='tip', data=tips)

![这里写图片描述][70 6]  
这时我们要设定一个x的偏离值，代码如下：

plt.figure(figsize=(9,6))
    # 设置偏离值
    sns.regplot(x='size', y='tip', data=tips, x_jitter=.05)

![这里写图片描述][70 7]

**总结**  
seaborn的应用比matplotlib更加简便一些，我们可以利用几行语句便绘制出风格鲜明的图例，但是seaborn说白了还只是一个工具罢了，我们不用很理解每一个参数代表什么或者记忆那些绘图函数，必要时查看官方文档即可。

[70]: /images/20220531/546865ac1e13468b9da0c92edce24c69.png
[70 1]: /images/20220531/9717952d3c514551aea733898d93821c.png
[70 2]: /images/20220531/38caa1843a5c4607bdc19921c672b48b.png
[70 3]: /images/20220531/3503de4e7a9d48488161c88d437d1ba7.png
[70 4]: /images/20220531/0f37a2996c47416ba7b2ce4c53ee8f26.png
[70 5]: /images/20220531/d08ff1f1f49d434cbacea1ce84cd6a51.png
[70 6]: /images/20220531/4251bb0d3cb5494aa557643e214977de.png
[70 7]: /images/20220531/0ac9f6670d1a46329accb64850cc3534.png