Py之seaborn：数据可视化seaborn库(二)的组合图可视化之密度图/核密度图分布可视化、箱型图/散点图、小提琴图/散点图组合可视化的简介、使用方法之最强攻略(建议收藏)

迈不过友情╰ 2022-11-01 15:58 137阅读 0赞

**目录**

二、组合图可视化

1、密度图、核密度图分布可视化：distplot函数+kdeplot函数

2、箱型图、散点图组合可视化(仅第2变量必须为数值型)

3、小提琴图、散点图组合可视化(仅第2变量必须为数值型)

--------------------

**相关文章**  
[Py之seaborn：seaborn库的简介、安装、使用方法之详细攻略][Py_seaborn_seaborn]  
[Py之seaborn：数据可视化seaborn库(一)的柱状图、箱线图(置信区间图)、散点图/折线图、核密度图/等高线图、盒形图/小提琴图/LV多框图的简介、使用方法之最强攻略(建议收藏)][Py_seaborn_seaborn_LV]  
[Py之seaborn：数据可视化seaborn库(二)的组合图可视化之密度图/核密度图分布可视化、箱型图/散点图、小提琴图/散点图组合可视化的简介、使用方法之最强攻略(建议收藏)][Py_seaborn_seaborn 1]  
[Py之seaborn：数据可视化seaborn库(三)的矩阵图可视化之jointplot函数、JointGrid函数、pairplot函数、PairGrid函数、FacetGrid函数的简介、使用方法之最强攻略(建议收藏)][Py_seaborn_seaborn_jointplot_JointGrid_pairplot_PairGrid_FacetGrid]

# **二、组合图可视化** #

## **1、密度图、核密度图分布可视化：distplot函数+kdeplot函数** ##

**distplot()函数**：集合了matplotlib的hist()与核函数估计kdeplot的功能，增加了rugplot分布观测条显示与利用scipy库fit拟合参数分布的新颖用途。其中，直方图表示通过沿数据范围形成分箱，然后绘制条以显示落入每个分箱的观测次数的数据分布图。

fig, axes = plt.subplots(1,2,figsize=(10,6))
        sns.distplot(data_frame[cols[0]],             # 不写为x=data_frame[cols[0]]，是因为这样可自动添加横坐标标签
    #                  bins=10,                         # 自定义柱状宽度，不设置更好,会自动计算
    #                  hist=True,
                     kde = True, norm_hist = False,   # 柱状图是否按照密度来显示，如果为 False,显示计数，尝试测试-----------------
                     rug = True,                      # 单变量的柱状图，hist、ked、rug：bool，是否显示箱柱状图/密度曲线/边际毛毯数据分布/阴影，尝试测试-----------------
    #                 fit=norm,                       # fit 可结合scipy库在图像上做拟合,拟合标准正态分布
                    vertical = False,                 # 是否水平显示，True   
                    label='dis',                      # label 图例，
    #                 axlabel=cols[0],                # axlabel x轴标注
                    ax = axes[0], 
                     )
    
            sns.kdeplot(data_frame[cols[0]],
                        shade=True,                       # shade(颜色填充KDE曲线下方的区域)
                        bw=bw01,
                        label='kde_bw%.2f'%bw01,
        #                 axlabel=cols[0],                # label 图例，axlabel x轴标注
                        ax = axes[1], 
                        )

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70][]

## **2、箱型图、散点图组合可视化(仅第2变量必须为数值型)** ##

sns.boxplot(x=cols[0],y=cols[1],data=data_frame,
                    hue=cols[2],                             # 该特征必须为类别型特征
                    linewidth=2, width=0.8, fliersize=3,     # 线宽、箱之间的间隔比例，异常点大小
                    whis = 1.5,                              # 设置IQR 
                    notch = True,                            # 设置是否以中值做凹槽，尝试测试-----------------
        #             order = ['Thur','Fri','Sat','Sun'],  
                   )
        sns.swarmplot(x=cols[0],y=cols[1],data=data_frame,
    #                   color ='k',size = 3,alpha = 0.8,
                      )

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 1][]

## **3、小提琴图、散点图组合可视化(仅第2变量必须为数值型)** ##

sns.violinplot(x=cols[0],y=cols[1],data=data_frame,
                       hue=cols[2],                       # 该特征必须为类别型特征
                       scale = 'area',  # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样
                       gridsize = 50,   # 设置小提琴图边线的平滑度，越高越平滑
                       inner = 'box',   # 设置内部显示类型 → box、quartile、point、stick、None，尝试测试-----------------
    #                     split=True,      # 设置是否拆分小提琴图，前提条件是第三特征为二类别属性，尝试测试-----------------
                       #bw = 0.8        # 控制拟合程度，一般可以不设置
                   )
        sns.swarmplot(x=cols[0],y=cols[1],data=data_frame,
                       hue=cols[2],                       # 该特征必须为类别型特征
    #                   color="w", alpha=.5,
                      )

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 2][]

[Py_seaborn_seaborn]: https://blog.csdn.net/qq_41185868/article/details/80217906?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522161200180616780261962969%252522%25252C%252522scm%252522%25253A%25252220140713.130102334.pc%25255Fblog.%252522%25257D&request_id=161200180616780261962969&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_v2~rank_v29-1-80217906.pc_v2_rank_blog_default&utm_term=Seaborn
[Py_seaborn_seaborn_LV]: https://yunyaniu.blog.csdn.net/article/details/113444075
[Py_seaborn_seaborn 1]: https://yunyaniu.blog.csdn.net/article/details/114041180
[Py_seaborn_seaborn_jointplot_JointGrid_pairplot_PairGrid_FacetGrid]: https://yunyaniu.blog.csdn.net/article/details/114041840
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70]: /images/20221024/8bba1d576df34b5c883b1e04ee2338e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 1]: /images/20221024/524ed8f9f0404b11b54a0535ff40623f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTg1ODY4_size_16_color_FFFFFF_t_70 2]: /images/20221024/ed8b899b26a34eb2b8ad42fb9b24a4a5.png