Seaborn是针对统计绘图的,一般来说,Seaborn能满足数据分析90%的绘图需求。本站整理的Seaborn的41个样例代码,在github进行分享,绝大部分数据可视化的问题可以参考这里的样例代码。
Matplotlib试着让简单的事情更加简单,困难的事情变得可能,而Seaborn就是让困难的东西更加简单。
Seaborn是针对统计绘图的,一般来说,Seaborn能满足数据分析90%的绘图需求。
Seaborn其实是在matplotlib的基础上进行了更高级的API封装,从而使得作图更加容易,在大多数情况下使用Seaborn就能做出很具有吸引力的图,应该把Seaborn视为matplotlib的补充,而不是替代物。
用matplotlib最大的困难是其默认的各种参数,而Seaborn则完全避免了这一问题。
seaborn一共有5个大类21种图,分别是:
- Relational plots 关系类图表
- relplot() 关系类图表的接口,其实是下面两种图的集成,通过指定kind参数可以画出下面的两种图
- scatterplot() 散点图
- lineplot() 折线图
- Categorical plots 分类图表
- catplot() 分类图表的接口,其实是下面八种图表的集成,通过指定kind参数可以画出下面的八种图
- stripplot() 分类散点图
- swarmplot() 能够显示分布密度的分类散点图
- boxplot() 箱图
- violinplot() 小提琴图
- boxenplot() 增强箱图
- pointplot() 点图
- barplot() 条形图
- countplot() 计数图
- Distribution plot 分布图
- jointplot() 双变量关系图
- pairplot() 变量关系组图
- distplot() 直方图,质量估计图
- kdeplot() 核函数密度估计图
- rugplot() 将数组中的数据点绘制为轴上的数据
- Regression plots 回归图
- lmplot() 回归模型图
- regplot() 线性回归图
- residplot() 线性回归残差图
- Matrix plots 矩阵图
- heatmap() 热力图
- clustermap() 聚集图
github地址:
https://github.com/fengdu78/machine_learning_beginner/tree/master/seaborn
主要内容:
Jupyter notebook格式,Seaborn.ipynb包含共41个Seaborn的样例代码,只需要修改数据源就能画出类似下图这样的图表。
(Seaborn内置了不少样例数据,为dataframe类型, 命令:df = sns.load_dataset("anscombe")
即读取“anscombe
”样例数据,如果要查看数据,可以使用类似df.head()
命令查看,绘图的时候替换为自己的数据即可。)
部分效果
参考:
http://seaborn.pydata.org/examples/index.html
请关注和分享↓↓↓
机器学习初学者
QQ群:554839127