#!/usr/bin/env python # -*- coding:utf-8 -*- import numpy as np import pandas as pd from scipy import stats, integrate import matplotlib.pyplot as plt import matplotlib as mpl import seaborn as sns sns.set(color_codes=True) np.random.seed(sum(map(ord, "distributions"))) x = np.random.normal(size=100) sns.distplot(x,kde=False) #直方图绘制 sns.distplot(x, bins=20, kde=False) #根据均值和协方差生成数据 mean, cov = [0, 1], [(1, .5), (.5, 1)] data = np.random.multivariate_normal(mean, cov, 200) df = pd.DataFrame(data, columns=["x", "y"]) #观测两个变量之间的分布关系最好用散点图 sns.jointplot(x="x", y="y", data=df); iris = sns.load_dataset("iris") #读入自带的数据集 sns.pairplot(iris) #4.REG sns.set(color_codes=True) np.random.seed(sum(map(ord, "regression"))) tips = sns.load_dataset("tips") tips.head() #回归分析绘制图 #regplot()和lmplot()都可以绘制回归关系,推荐regplot() sns.regplot(x="total_bill", y="tip", data=tips) #x_jitter：小范围的浮动 sns.regplot(x="size", y="tip", data=tips, x_jitter=.05) #多变量分析图 sns.set(style="whitegrid", color_codes=True) np.random.seed(sum(map(ord, "categorical"))) titanic = sns.load_dataset("titanic") tips = sns.load_dataset("tips") iris = sns.load_dataset("iris") sns.stripplot(x="day", y="total_bill", data=tips); sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)#jitter：小范围的浮动 sns.swarmplot(x="day", y="total_bill", hue="sex",data=tips)#树形图 #盒图 #IQR即统计学概念四分位距，第一/四分位与第三/四分位之间的距离 #N = 1.5IQR 如果一个值>Q3+N或 < Ｑ1-N,则为离群点 sns.boxplot(x="day", y="total_bill", hue="time", data=tips); #小提琴图 sns.violinplot(x="total_bill", y="day", hue="time", data=tips); #条形图可以显示值的集中趋势 sns.barplot(x="sex",y="survived",hue="class",data=titanic) #点图可以更好的描述变化差异 sns.pointplot(x="sex", y="survived", hue="class", data=titanic) sns.boxplot(data=iris,orient="h");#盒型图，orient=“h'横着画 #分类属性 #多层面板分类图 sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips) sns.factorplot(x="day", y="total_bill", hue="smoker", col="time", data=tips, kind="swarm")#点图 sns.factorplot(x="time", y="total_bill", hue="smoker",#盒图 col="day", data=tips, kind="box", size=4, aspect=.5) ''' Parameters： •x,y,hue 数据集变量 变量名 •date 数据集 数据集名 •row,col 更多分类变量进行平铺显示 变量名 •col_wrap 每行的最高平铺数 整数 •estimator 在每个分类中进行矢量到标量的映射 矢量 •ci 置信区间 浮点数或None •n_boot 计算置信区间时使用的引导迭代次数 整数 •units 采样单元的标识符，用于执行多级引导和重复测量设计 数据变量或向量数据 •order, hue_order 对应排序列表 字符串列表 •row_order, col_order 对应排序列表 字符串列表 •kind : 可选：point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点，swarm 分散点 size 每个面的高度（英寸） 标量 aspect 纵横比 标量 orient 方向 "v"/"h" color 颜色 matplotlib颜色 palette 调色板 seaborn颜色色板或字典 legend hue的信息面板 True/False legend_out 是否扩展图形，并将信息框绘制在中心右边 True/False share{x,y} 共享轴线 True/False '''