regplot（）、lmplot（）和 residplot（）之间的区别？

我就是我 2024-03-17 17:10 9阅读 0赞

一个基于 matplotlib 的 Python 数据可视化包称为 Seaborn。它提供了一个复杂的绘图工具，用于创建引人注目和教育性的统计视觉效果。Seaborn协助解决了Matplotlib的两个主要问题，哪个是？

我们现在相信，教学生如何使用ggplot2的方法生成这些表示 - 需要更多的编码，但更先进，适应性强和透明 - 将使学生受益。在这里，由 residPlot（） 制作的基本绘图使用 ggplot2 作为资源重建，以帮助用户从 residPlot（） 切换到 ggplot2。

<table> 
 <tbody> 
 <tr> 
 <th> 特征 </th> 
 <th> regplot（） </th> 
 <th> lmplot（） </th> 
 <th> residplot（） </th> 
 </tr> 
 <tr> 
 <td> 目的 </td> 
 <td> 在两个变量之间绘制一个简单的线性回归模型 </td> 
 <td> 绘制线性回归模型，同时将一个变量按另一个变量分组 </td> 
 <td> 绘制线性回归模型的残差 </td> 
 </tr> 
 <tr> 
 <td> 可视化 </td> 
 <td> 具有回归线和置信区间的散点图 </td> 
 <td> 具有回归线和置信区间的散点图，能够按一个变量对另一个变量进行分组 </td> 
 <td> 参考线为零的残差散点图 </td> 
 </tr> 
 <tr> 
 <td> 效用 </td> 
 <td> 用于快速可视化两个变量和线性回归模型之间的关系，拟合 </td> 
 <td> 可用于可视化两个变量之间的关系和线性回归模型拟合，同时考虑第三个变量的影响 </td> 
 <td> 可用于可视化线性回归模型的残差以及检查残差中的模式或结构 </td> 
 </tr> 
 <tr> 
 <td> 回归模型 </td> 
 <td> 简单线性回归模型 </td> 
 <td> 线性回归模型 </td> 
 <td> 线性回归模型 </td> 
 </tr> 
 <tr> 
 <td> 输出 </td> 
 <td> 具有回归线和置信区间的散点图 </td> 
 <td> 具有回归线和置信区间的散点图，按第三个变量分组 </td> 
 <td> 参考线为零的残差散点图 </td> 
 </tr> 
 </tbody> 
</table>

### seaborn.regplot（） ###

数据和线性回归模型的拟合使用 seaborn.regplot（） 函数绘制。有几个选项可用于估计回归模型，所有这些选项都是相互不兼容的。

#### 语法 ####

seaborn.regplot( x, y, data=None, x\_estimator=None, x\_bins=None, x\_ci=’ci’, scatter=True, fit\_reg=True, ci=95, n\_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x\_partial=None, y\_partial=None, truncate=False, dropna=True, x\_jitter=None, y\_jitter=None, label=None, color=None, marker=’o’, scatter\_kws=None, line\_kws=None, ax=None)

参数 − 以下是几个关键**参数**的描述 −

*  **x， y** − 这些是输入变量。如果是字符串，则这些应与“data”部分中的列名匹配。轴将在使用熊猫对象时指示系列名称。
 *  **data** − 这是一个数据帧，其中每行表示一个观测值，每列表示一个变量。
 *  **lowess** − 此参数接受布尔值，并且是可选的。如果为“True”，则使用“statsmodels”（局部加权线性回归）估计非参数 Lowess 模型。
 *  **color** − 应用于所有叙事部分的颜色。
 *  **要使用的**散点图标记的标记 −（可选）（可选）标志符号。

**返回** − 包含绘图的轴对象。

### 海伯恩。Implot（） ###

seaborn.lmplot（） 是 Seaborn 函数库中的一个函数，用于可视化两个数值变量之间的关系。它创建一个散点图，并将线性回归模型拟合到数据。它是可视化变量与回归模型之间关系的便捷方法，也可用于比较不同组或类别的变量之间的关系。

下面是如何在 Python 中使用 lmplot（） 函数的示例 −

import seaborn as sns \# Load the data df = sns.load\_dataset('titanic') \# Create an lmplot with fare and age as the x and y variables, and class as the hue sns.lmplot(x='fare', y='age', hue='class', data=df) \# Show the plot plt.show()

这将创建一个散点图，其中包含拟合数据的线性回归模型，并将按类列为点着色。

lmplot（） 函数有几个参数，可用于自定义绘图的外观和行为。一些主要参数是 -

*  x − 要用作 **x** 变量的列的名称。
 *  y − 要用作 **y** 变量的列的名称。
 *  **色调** − 用于为点着色的列的名称。
 *  **数据** − 用于绘图的数据帧。
 *  **col** − 用于为每个唯一值创建子图的列的名称。
 *  **row** − 用于为每个唯一值创建子图的列的名称。
 *  **fit\_reg** − 一个布尔值，指示是否将线性回归模型拟合到数据。
 *  **scatter\_kws** − 要传递给 scatter（） 函数的关键字参数字典。
 *  **line\_kws** − 传递给 plot（） 函数的关键字参数字典。

返回 − 此方法**返回**带有绘图的 FacetGrid 对象，以便进一步调整

### seaborn.residplot（） ###

#### 语法 ####

seaborn.residplot(x, y, data=None, lowess=False, x\_partial=None, y\_partial=None, order=1, robust=False, dropna=True, label=None, color=None, scatter\_kws=None, line\_kws=None, ax=None)

参数 − 下面给出了一些主要**参数**的描述 −

*  **x** − “data”部分中预测变量的数据或列名。
 *  **y** − “data”部分中响应变量的数据或列名。
 *  **data** − 具有列“x”和“y”的数据帧。
 *  **lowess** −（可选）使用更平滑的lowess拟合残差散点图。
 *  **dropna** − 此参数是可选的，接受布尔值。如果为 True，则在拟合和绘制图表时，忽略缺少数据的观测值。

### 结论 ###

总之，regplot（）、lmplot（） 和 residplot（） 是 Python 库 Seaborn 中的函数，用于创建回归图。这些图用于可视化两个变量之间的关系以及该关系的强度。

Regplot（） 是一个函数，用于绘制数据的散点图并将线性回归模型拟合到数据。它允许您指定 x 和 y 变量、数据以及各种自定义选项，例如点的颜色、大小和样式。

Lmplot（） 是一个将 regplot（） 与分面图相结合的函数，允许您在单个图中绘制多元回归图。它允许您指定 x 和 y 变量、数据以及色相、列和行变量以创建分面图。它还允许您指定各种自定义选项，例如点的颜色、大小和样式。

Residplot（） 是一个绘制线性回归模型残差的函数。它允许您指定 x 和 y 变量、数据以及各种自定义选项，例如点的颜色、大小和样式。