詳細講解Python之Seaborn（數據視覺化）-Python教學-PHP中文網

本篇文章為大家帶來了關於python的相關知識，其中主要介紹了關於Seaborn的相關問題，包括了資料視覺化處理的散點圖、折線圖、長條圖等等內容，下面一起來看一下，希望對大家有幫助。

詳細講解Python之Seaborn（數據視覺化）

推薦學習：python影片教學

#1. 安裝seaborn

安裝：

pip install seaborn

導入：

import seaborn as sns

2.準備數據

正式開始之前我們先用如下程式碼準備一組數據，方便展示使用。

import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snspd.set_option('display.unicode.east_asian_width', True)df1 = pd.DataFrame(    {'数据序号': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],     '厂商编号': ['001', '001', '001', '002', '002', '002', '003', '003', '003', '004', '004', '004'],     '产品类型': ['AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC'],     'A属性值': [40, 70, 60, 75, 90, 82, 73, 99, 125, 105, 137, 120],     'B属性值': [24, 36, 52, 32, 49, 68, 77, 90, 74, 88, 98, 99],     'C属性值': [30, 36, 55, 46, 68, 77, 72, 89, 99, 90, 115, 101]    })print(df1)

登入後複製

產生一組資料如下：

#

3.背景與邊框

3.1 設定背景風格

設定風格使用的是sns.set_style()方法，且這裡內建的風格，是用背景色表示名字的，但是實際內容不限於背景色。

sns.set_style()

#
可以選擇的背景風格有：

#whitegrid 白色網格
#dark 灰色背景
white 白色背景
#ticks 四周帶刻度線的白色背景

sns.set()

sns.set_style( “darkgrid”)

sns.set_style(“whitegrid”)

sns.set_style(“dark”)

sns.set_style(“white”)

sns.set_style(“ticks”)

其中sns.set()表示使用自訂樣式，如果沒有傳入參數，則預設表示灰色網格背景風格。如果沒有set()也沒有set_style()，則為白色背景。
一個可能的bug：使用relplot()方法繪製出的圖像，"ticks"樣式無效。

3.3 其他

seaborn庫是基於matplotlib庫而封裝的，其封裝好的風格可以更方便我們的繪圖工作。而matplotlib函式庫常用的語句，在使用seaborn函式庫時也依然有效。

關於設定其他風格相關的屬性，如字體，這裡有一個細節需要注意的是，這些程式碼必須寫在sns.set_style()的後方才有效。如將字體設定為黑體（避免中文亂碼）的程式碼：

#plt.rcParams['font.sans-serif'] = [' SimHei']

如果在其後方設定風格，則設定好的字體會設定的風格覆蓋，從而產生警告。其他屬性也同理。

3.2 邊框控制

sns.despine()方法

# 移除顶部和右部边框，只保留左边框和下边框sns.despine()# 使两个坐标轴相隔一段距离（以10长度为例）sns.despine(offet=10,trim=True)# 移除左边框sns.despine(left=True)# 移除指定边框 （以只保留底部边框为例）sns.despine(fig=None, ax=None, top=True, right=True, left=True, bottom=False, offset=None, trim=False)

登入後複製

4 . 繪製散佈圖

使用seaborn庫繪製散佈圖，可以使用replot()方法，也可以使用scatter()方法。

replot方法的參數kind預設是’scatter’，表示繪製散佈圖。 hue參數表示在該一維度上，用顏色區分

①對A屬性值和資料序號繪製散佈圖，紅色散點，灰色網格，保留左、下邊框

sns.set_style('darkgrid')
plt.rcParams['font.sans-serif'] = ['SimHei']
sns.relplot(x='資料序號', y='A屬性值', data=df1, color='red') plt.show()

詳細講解Python之Seaborn（數據視覺化）

###

②對A屬性值和資料序號繪製散點圖，散佈圖根據產品類型的不同顯示不同的顏色，
白色網格，左、下邊框：

sns.set_style('whitegrid')
plt.rcParams['font.sans-serif'] = ['SimHei']
sns.relplot(x='資料序號', y='A屬性值', hue='產品類型', data=df1)
plt.show()

詳細講解Python之Seaborn（數據視覺化）

#③將A屬性、B屬性、C屬性三個欄位的值用不同的樣式繪製在同一張圖上（繪製散佈圖），x軸資料是[0,2,4 ,6,8…] ticks風格（四個方向的框線都要），字體使用楷體

詳細講解Python之Seaborn（數據視覺化）

sns.set_style('ticks')

plt.rcParams['font.sans-serif'] = ['STKAITI']

df2 = df1.copy() df2.index = list(range(0, len(df2)*2, 2 ))
dfs = [df2['A屬性值'], df2['B屬性值'], df2['C屬性值']] sns.scatterplot(data=dfs)
plt .show()

5. 繪製折線圖

使用seaborn庫繪製折線圖，可以繪製折線圖

使用seaborn庫繪製折線圖，可以繪製折線圖，可以繪製使用replot()方法，也可以使用lineplot()方法。

5.1 使用replot()方法

sns.replot()預設繪製的是散點圖，繪製折線圖只需吧參數kind改為"line" 。詳細講解Python之Seaborn（數據視覺化）

①

需求：繪製A屬性值與資料序號的折線圖，

灰色網格，全域字體為楷體；並調整標題、兩軸標籤的字體大小，以及座標系與畫布邊緣的距離（設定該距離是因為字體沒有顯示完全）：

####sns.set(rc={'font.sans-serif ': “STKAITI”})### sns.relplot(x='資料序號', y='A屬性值', data=df1, color='purple', kind='line')### plt. title(“繪製折線圖”, fontsize=18)### plt.xlabel('num', fontsize=18)### plt.ylabel('A屬性值', fontsize=16)### plt.subplots_adjust (left=0.15, right=0.9, bottom=0.1, top=0.9)### plt.show()############ # # # # ##②### 需求：繪製不同產品類型的A屬性折線（三條線一張圖），whitegrid風格，字體楷體。 ###############sns.set_style(“whitegrid”)### plt.rcParams['font.sans-serif'] = ['STKAITI']### sns.relplot (x='資料序號', y='A屬性值', hue='產品類型', data=df1, kind='line')### plt.title(「繪製折線圖」, fontsize=18) ### plt.xlabel('num', fontsize=18)### plt.ylabel('A屬性值', fontsize=16)### plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1 , top=0.9)### plt.show()############ ###############③##### ##############③# A屬性、B屬性、C屬性三個欄位的值以不同的樣式繪製在同一張圖上（繪製折線圖），x軸資料是[0,2,4,6,8…]### darkgrid風格（四個方向的框線都要），字體使用楷體，並加入x軸標籤，y軸標籤和標題。邊緣距離合適。 ##################sns.set_style('darkgrid')### plt.rcParams['font.sans-serif'] = ['STKAITI']### df2 = df1.copy()### df2.index = list(range(0, len(df2)*2, 2))### dfs = [df2['A屬性值'], df2['B屬性值'], df2['C屬性值']]### sns.relplot(data=dfs, kind=“line”)### plt.title(“繪製折線圖”, fontsize=18)### plt.xlabel('num', fontsize=18)### plt.ylabel('A屬性值', fontsize=16)### plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top= 0.9)### plt.show()############ ###############③##### ##############③#### #####

橫向多重子圖col

sns.set_style('darkgrid')
plt.rcParams['font.sans-serif'] = [ 'STKAITI']
sns.relplot(data=df1, x=“A屬性值”, y=“B屬性值”, kind=“line”, col=“廠商編號”)
plt.subplots_adjust (left=0.05, right=0.95, bottom=0.1, top=0.9)
plt.show()

詳細講解Python之Seaborn（數據視覺化）

縱向多重子圖row

sns.set_style('darkgrid')
plt.rcParams['font.sans-serif'] = ['STKAITI']
sns.relplot(data=df1, x=“A屬性值”, y=“B屬性值”, kind=“line”, row=“廠商編號”)
plt.subplots_adjust(left=0.15, right= 0.9, bottom=0.1, top=0.95)
plt.show()

詳細講解Python之Seaborn（數據視覺化） #使用lineplot()方法繪製折線圖，其他細節基本上同上，範例程式碼如下：

sns.set_style('darkgrid') plt.rcParams['font.sans-serif'] = ['STKAITI'] sns.lineplot(x='資料序號', y='A屬性值', data=df1, color='purple' )

plt.title(“繪製折線圖”, fontsize=18)

plt.xlabel('num', fontsize=18)
plt.ylabel('A屬性值', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

# ₃

sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['STKAITI']

df2 = df1.copy() 詳細講解Python之Seaborn（數據視覺化） df2.index = list(range(0, len(df2)*2, 2))

dfs = [df2['A屬性值'], df2['B屬性值'], df2[' C屬性值']]

sns.lineplot(data=dfs)

plt.title(“繪製折線圖”, fontsize=18)
plt.xlabel('num', fontsize=18) plt.ylabel('A屬性值', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

6. 繪製直方圖displot()

繪製直方圖使用的是sns.displot()方法

詳細講解Python之Seaborn（數據視覺化）

bins=6 表示分成六個區間繪圖

rug=True 表示在x軸上顯示觀測的小細條

kde=True表示顯示核密度曲線

sns.set_style('darkgrid') plt.rcParams['font.sans-serif'] = ['STKAITI']
sns.displot(data =df1[['C屬性值']], bins=6, rug=True, kde=True)
plt.title(「直方圖」, fontsize=18) plt.xlabel('C屬性值', fontsize=18)

plt.ylabel('數量', fontsize=16)

plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt. show()

隨機產生300個常態分佈數據，並繪製直方圖，顯示核密度曲線

詳細講解Python之Seaborn（數據視覺化）

sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['STKAITI']

np.random.seed (13) Y = np.random.randn(300) sns.displot(Y, bins=9, rug=True, kde=True)

plt.title(「直方圖」, fontsize =18)

plt.xlabel('C屬性值', fontsize=18)
plt.ylabel('數量', fontsize=16) plt.subplots_adjust(left=0.15, right=0.9, bottom=0.1, top=0.9)
plt.show()

#nlot
繪製長條圖使用的是barplot()方法

以產品類型欄位資料作為x軸數據，A屬性值資料作為y軸資料。依照廠商編號欄位的不同進行分類。詳細講解Python之Seaborn（數據視覺化）具體如下：

sns.set_style('darkgrid')
plt.rcParams['font.sans-serif'] = ['STKAITI']
sns.barplot(x=「產品類型”, y='A屬性值', hue=“廠商編號”, data=df1)
plt.title(“長條圖”, fontsize=18)
plt.xlabel('產品類型', fontsize=18)
plt.ylabel('數量', fontsize=16)
plt.subplots_adjust(left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

詳細講解Python之Seaborn（數據視覺化）

##8. 繪製線性迴歸模型

#繪製線性迴歸模型使用的是lmplot()方法方法。主要的參數為x, y, data。分別表示x軸資料、y軸資料和資料集資料。

除此之外，同上述所講，還可以透過hue指定分類的變數；
透過col指定列分類變量，以繪製橫向多重子圖；
透過row指定行分類變量，以繪製縱向多重子圖；
透過col_wrap控制每行子圖的數量；
透過size可以控制子圖的高度；
透過markers可以控制點的形狀。

下邊對X屬性值和Y屬性值做線性迴歸，程式碼如下：

sns.set_style('darkgrid') plt. rcParams['font.sans-serif'] = ['STKAITI']
sns.lmplot(x=“A屬性值”, y='B屬性值', data=df1)
plt.title( 「線性迴歸模型」, fontsize=18)
plt.xlabel('A屬性值', fontsize=18)
plt.ylabel('B屬性值', fontsize=16)
plt.subplots_adjust (left=0.15, right=0.9, bottom=0.15, top=0.9)
plt.show()

# #

#9. 繪製核密度圖kdeplot() 詳細講解Python之Seaborn（數據視覺化）

9.1 一般核密度圖

繪製和密度圖，可以讓我們更直觀地看出樣本資料的分佈特徵。繪製核密度圖所使用的方法是kdeplot()方法。對A屬性值和B屬性值繪製核密度圖，

將shade設定為True可以顯示包圍的陰影，否則只有線條。

sns.set_style('darkgrid') plt.rcParams['font.sans-serif'] = ['STKAITI']

sns.kdeplot (df1[“A屬性值”], shade=True, data=df1, color='r')

sns.kdeplot(df1[“B屬性值”], shade=True, data=df1, color= 'g')
plt.title(“核密度圖”, fontsize=18) plt.xlabel('Value', fontsize=18)
plt.subplots_adjust(left=0.15, right=0.9 , bottom=0.15, top=0.9)
plt.show()

9.2 邊際核密度圖

詳細講解Python之Seaborn（數據視覺化）

繪製邊際核密度圖時所使用的是sns.jointplot()方法。參數kind應為"kde"。使用該方法時，預設使用的是dark樣式。且不建議手動新增其他樣式，否則可能使影像無法正常顯示。

plt.rcParams['font.sans-serif'] = ['STKAITI'] sns.jointplot(x=df1[「A屬性值」] , y=df1[“B屬性值”], kind=“kde”, space=0)

plt.show()

#

#10. 繪製箱線圖boxplot() 詳細講解Python之Seaborn（數據視覺化）

#繪製箱型圖使用到的是boxplot()方法。基本的參數有x, y, data。

除此之外還可以有

hue 表示分類欄位 width 可以調整箱體的寬度
notch 表示中間箱體是否顯示缺口，預設False不顯示。

鑑於前邊的資料資料量較不方便展示，這裡再產生一組資料：

##np.random.seed (13) Y = np.random.randint(20, 150, 360) df2 = pd.DataFrame(

{'廠商編號': ['001', '001', '001' , '002', '002', '002', '003', '003', '003', '004', '004', '004'] * 30,

'產品類型': [' AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC', 'AAA', 'BBB', 'CCC'] * 30,
'XXX屬性值': Y }
)

#

產生好後，開始繪製箱型圖：

#plt.rcParams['font.sans-serif'] = ['STKAITI']
sns.boxplot(x='產品類型', y='XXX屬性值', data=df2)
plt.show()

# 詳細講解Python之Seaborn（數據視覺化）

交換x、y軸資料後：

plt.rcParams[' font.sans-serif'] = ['STKAITI']
sns.boxplot(y='產品類型', x='XXX屬性值', data=df2)
plt.show()

可以看到箱型圖的方向也隨之改變

# 詳細講解Python之Seaborn（數據視覺化）

詳細講解Python之Seaborn（數據視覺化）

將廠商編號作為分類欄位：

詳細講解Python之Seaborn（數據視覺化）

plt.rcParams['font.sans-serif'] = ['STKAITI']
sns.boxplot (x='產品類型', y='XXX屬性值', data=df2, hue=“廠商編號”) plt.show()

##

詳細講解Python之Seaborn（數據視覺化） 11. 繪製提琴圖violinplot()

#提琴圖結合了箱線圖和核密度圖的特徵，用於展示資料的分佈形狀。
使用violinplot()方法繪製提琴圖。

plt.rcParams['font.sans-serif'] = ['STKAITI']

sns.violinplot(x='產品型別', y=' XXX屬性值', data=df2)

plt.show() 詳細講解Python之Seaborn（數據視覺化）

#

詳細講解Python之Seaborn（數據視覺化）

#############################################################################. ['font.sans-serif'] = ['STKAITI']### sns.violinplot(x='XXX屬性值', y='產品型別', data=df2)### plt.show()# ########### #################plt.rcParams['font.sans-serif'] = ['STKAITI']### sns.violinplot(x='產品類型', y='XXX屬性值', data=df2, hue=“廠商編號”)### plt.show()############# ###############12. 繪製熱力圖heatmap()############以雙色球中獎號碼資料為例繪製熱力圖，這裡資料採用隨機數生成。 ###############import pandas as pd### import matplotlib.pyplot as plt### import seaborn as sns### ### sns.set()### pltlt .figure(figsize=(6,6))### plt.rcParams['font.sans-serif'] = ['STKAITI']### ### s1 = np.random.randint(0, 200, 33)### s2 = np.random.randint(0, 200, 33)### s3 = np.random.randint(0, 200, 33)### s4 = np.random.randint(0, 200 , 33)### s5 = np.random.randint(0, 200, 33)### s6 = np.random.randint(0, 200, 33)### s7 = np.random.randint(0, 200, 33)### data = pd.DataFrame(### {'一': s1,### '二': s2,### '三': s3,### '四':s4, ### '五':s5,### '六':s6,### '七':s7#### }### )### ### plt.title('雙色球熱圖') ### sns.heatmap(data, annot=True, fmt='d', lw=0.5)### plt.xlabel('中獎號碼位數')### plt.ylabel('雙色球數字')# ## x = ['第1位', '第2位', '第3位', '第4位', '第5位', '第6位', '第7位']### plt.xticks(range(0, 7, 1), x, ha='left')### plt.show()############### ###### ######推薦學習：###python影片教學#######

以上是詳細講解Python之Seaborn（數據視覺化）的詳細內容。更多資訊請關注PHP中文網其他相關文章！