seaborn绘图

导语：

既然有了matplotlib,那为啥还需要seaborn呢？其实seaborn是在matplotlib基础上进行封装，Seaborn就是让困难的东西更加简单。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，复杂的自定义图形，还是要Matplotlib。

导入数据

import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']#显示中文
plt.rcParams['axes.unicode_minus'] = False#显示负号
import pandas as pd
import numpy as np
from pandas import Series,DataFrame
test=pd.read_excel("/Users/yaozhilin/Downloads/exercise.xlsx",sep="t")
test.head(5)#显示前五行

为了描述简便下面matplotlib-M,pandas-P和seaborn-S

~条形图：sns.barplot（）

1. M:plt.bar(x,y)
2. P:data.plot(kind="bar")
3. S:sns.baplot(x=,y=,data=,hue=)

ig,axes = plt.subplots(2,2,figsize=(8,8))
sns.barplot(x="所属区域",y="数量",data=test,ax=axes[0,0])
sns.barplot(x="所属区域",y="数量",data=test,ax=axes[0,1],ci=0)#ci=0去掉置信线
sns.barplot(x="所属区域",y="数量",data=test,ax=axes[1,0],hue="产品类别",ci=0)#用hue进行分组，非常实用

注：M与S语法一致但S传参数hue就可以分组，非常简便,而P默认index=x、values=y.

~直方图：distplot

1. M:plt.hist(data,bins=)
2. P:data.plot(kind="hist",bins=)
3. S:sns.distplot(data,bins=,hist=,kde=,rug=)

Seaborn有一个强大的方法：distplot，它支持一些参数：

• bins：直方图的分块
• hist：True表示绘制直方图，默认为True
• kde：True表示绘制密度图，默认为True
• rug：显示分布情况，默认为False不显示

test.dropna(how='any',inplace=True)#去除缺失值
fig,axes = plt.subplots(2,2,figsize=(9,9))
sns.distplot(test["数量"],ax=axes[0,0],color="green")
sns.distplot(test["数量"],ax=axes[0,1],color="black",kde=False)#只画直方图
sns.distplot(test["数量"],ax=axes[1,0],color="blue",hist=False)#只kde图
sns.distplot(test["数量"],ax=axes[1,1],color="green",rug=True)#加抖动rug

~箱型图sns.boxplot(x,y,data)

1. M:plt.boxplot(data)
2. P:data.plot(kind="box",)
3. S:sns.boxplot(x=,y=,data,hue=)

 M对一列数作箱型图，P中data若是多列则每列都是一个箱型图，S则是将x分为y组出多个箱型图也能加参数hue再次分组。

单个箱型图

sns.boxplot(y='数量',data=test,color="green")#传一个变量,即不分类，若传只传x为水平图

多个箱型图:传入x,x有几类就有几个图

sns.boxplot(x='所属区域',y='数量',data=test)#按“所属区域”画“数量”的箱型图

sns.boxplot(x='所属区域',y='数量',data=test,hue="产品类别")#hue还可以再次分类

~散点图

1. M:plt.scatter(x,y)
2. P:data.plot(kind="scatter",x=,y=)
3. S:sns.scatterplot(x=,y=,data,hue=)

只有S中X可以为分类变量，做出类似箱型图的点图，而且可以传残hue进行分类。

sns.scatterplot(x="所属区域",y="数量",data=test)

sns.scatterplot(x="所属区域",y="数量",data=test,hue="产品类别")#hue分类

sns.swarmplot()和sns.stripplot()更为美观

sns.swarmplot(x="所属区域",y="数量",data=test,hue="产品类别")#hue分类 

sns.stripplot(x="所属区域",y="数量",data=test,hue="产品类别",split=True)#split将点打散

变量关系图

sns.jointplot(x=,y=,data=,kind=)

kind的类型"scatter" 、"reg" 、"resid" 、"kde" 、 "hex"

下面我们看看test中成本和金额的关系图

sns.jointplot(x="成本",y="金额",data=test)

默认kind=scatter，看看kind=kde

sns.jointplot(x="成本",y="金额",data=test,kind="kde")#kind="kde"密度曲线图

kind=reg为回归图，看看成本和售价回归图是否可以很好的拟合

sns.jointplot(x="成本",y="金额",data=test,kind="reg")#kind="reg"回归图

~sns.pairplot(data)

所有变量俩俩画图

sns.pairplot(test)

diag_kind调整图形样式

sns.pairplot(test,diag_kind="kde")

vas=[]控制要画图的数据

sns.pairplot(test,diag_kind="kde",vars=["数量","金额"])

hue进行分组

sns.pairplot(test,diag_kind="kde",vars=["数量","金额"],hue="所属区域")#hue进行分类 

~sns.lmplot()

参数：x=,y=,data=,order:次数,robust:鲁棒性,ci:置信度,hue:分组,col:分组并且图像拆分

探究test中金额与数量的回归图：

sns.lmplot(x="金额",y="数量",data=test)#默认线型回归

robust：忽略异常点

sns.lmplot(x="金额",y="数量",data=test,robust=True)#robust=True忽略异常点，让图形具有鲁棒性

hue分组

col相当于分开画图的hue

sns.lmplot(x="金额",y="数量",data=test,col="产品类别")#col也是分组，但能分别画图