Python | Seaborn

Seaborn

常用使用手册：

• Seaborn User Guide

Seaborn是Python中一个基于Matplotlib的数据可视化库。

功能：

• 面向数据集的API，用于检查多个变量之间的关系。
• 支持使用分类变量来显示样本或汇总统计数据。
• 可使用单变量或而二分量来比较数据子集。
• 针对不同类型的因变量进行线性回归模型的估计和绘制。
• 便于观察复杂数据集的整体结构。
• 用于构建多网格绘图，便于创造复杂的可视化图形。
• 简洁地控制matplotlib图形样式和内置主题。
• 可以选择调色板。

安装：（在Anaconda Prompt中运行安装命令）

pip install seaborn

## 一个简单的例子：
##该例中，以“total_bill”为横坐标，“tip”为纵坐标，“time”为分面依据，“smoker”为形状依据，“size”为大小依据。
import seaborn as sns   ## 加载seaborn库
sns.set()      ## 应用默认的seaborn主题、缩放、调色板
tips = sns.load_dataset("tips")  ##载入需要的数据tips

%matplotlib inline  
##为了使图片在jupyter中显示
##绘制简单的分面散点图
sns.relplot(x="total_bill", y="tip", col="time",
            hue="smoker", style="smoker", size="size",
            data=tips)
## 如果要保存图片：
#fig = sns.relplot(x="total_bill", y="tip", col="time",
#            hue="smoker", style="smoker", size="size",
#            data=tips)
#fig.savefig('分面散点图.png', dpi=400)
## dpi：每英寸点数 dots per inch

中文乱码

import matplotlib.pyplot as plt 
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

高级函数

seaborn四大高级绘图函数：

1. catplot()
2. distplot()
3. lmplot()
4. relplot()

catplot()

catplot() ：分类数据分布图（categorical）。
catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=<function mean at 0x000001AB0E436EA0>, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='strip', height=5, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)

• 参数 kind 可取值有：
• strip：散点图，默认
• swarm：分簇散点图
• violin：小提琴图
• box：箱线图
• boxen：增强箱型图
• point：点图
• bar：条形图
• count：计数条形图
• strip和swarm之间存在细微差异（见下面的例子），swarm图会区分位置较为相近的点（使点不重叠）。
• 参数 aspect：控制坐标轴的横纵比，默认为1
• 参数 col_wrap：表示输出的图形中每行panel的个数
• .add_legend(title='')：添加图例，并修改图例的标题
• .set_axis_labels("横轴标签", "纵轴标签")：修改横纵轴标签；若为空字符串，表示不显示轴标签

ex = sns.load_dataset("exercise")
ex.head()

sns.catplot(x="time", y="pulse", hue="kind",
           col="diet", data=ex)

## 参数 aspect：控制坐标轴的横纵比，默认为1
## 若参数aspect=0.8（改变的是坐标轴的横纵轴比）：
sns.catplot(x="time", y="pulse", hue="kind",
           col="diet", data=ex, aspect=0.8)

ex = sns.load_dataset("exercise")
sns.catplot(x="time", y="pulse", hue="kind",
           col="kind", data=ex)

## 参数 col_wrap：表示输出的图形中每行panel的个数
ex = sns.load_dataset("exercise")
sns.catplot(x="time", y="pulse", hue="kind",
           col="kind", data=ex, col_wrap=2)

## 自定义图形的属性：
import seaborn as sns
import matplotlib.pyplot as plt

%matplotlib inline

tips = sns.load_dataset("tips")    ## 导入数据
g = sns.catplot(x="total_bill", y="day", hue="time", 
               height=4, aspect=1.5, kind="box",
               legend=False, data=tips)
##加上图例，并修改图例的标题
g.add_legend(title="Meal")
##设置横轴和纵轴的标签
g.set_axis_labels("Total bill($)", "")
##设置x轴的取值范围、y轴的刻度标签
g.set(xlim=(0, 60), 
      yticklabels=["Tuesday", "Friday", "Saturday", "Sunday"])
##设置图片尺寸（单位：英寸）
g.fig.set_size_inches(6.5, 3.5)
g.ax.set_xticks([5 ,15, 25, 35, 45, 55], minor=True);
plt.setp(g.ax.get_yticklabels(), rotation=30);

散点图strip

## catplot绘制默认strip：
import seaborn as sns

tips = sns.load_dataset("tips")   ## 加载数据
%matplotlib inline
sns.catplot(x="day", y="total_bill", hue="smoker",
           data=tips)

散点图swarm

## catplot绘制swarm：
import seaborn as sns

tips = sns.load_dataset("tips")
%matplotlib inline
sns.catplot(x="day", y="total_bill", hue="smoker",
           kind="swarm", data=tips)

小提琴图violin

## 绘制violin（小提琴图）：
import seaborn as sns

tips = sns.load_dataset("tips")
%matplotlib inline
sns.catplot(x="day", y="total_bill", hue="smoker",
           data=tips, kind="violin")

## 参数split为真，表示
import seaborn as sns

tips = sns.load_dataset("tips")
%matplotlib inline
sns.catplot(x="day", y="total_bill", hue="smoker",
           data=tips, kind="violin", split=True)

箱线图box

## catplot绘制box（箱线图）：
import seaborn as sns

tips = sns.load_dataset("tips")
%matplotlib inline
sns.catplot(x="day", y="total_bill", hue="smoker",
           data=tips, kind="box")

## catplot绘制boxen（增强箱型图/箱线图）：
import seaborn as sns

tips = sns.load_dataset("tips")
%matplotlib inline
sns.catplot(x="day", y="total_bill", hue="smoker",
           data=tips, kind="boxen")

distplot()

distplot() ：数据集分布图（distribution）。

distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)

• distplot是hist（直方图）、rugplot（地毯图）、kdeplot（核密度估计图）的高级封装。
• 参数fit ：指定拟合相应的分布（可缺省）。

直方图

地毯图

核密度估计图

lmplot()

lmplot() ：回归曲线图。
lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, 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, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)

• 与regplot()的区别是：lmplot()必须指定data参数
• 参数lowess = True：进行局部加权线性回归（LOWESS）
• 参数logx = True：进行对数线性回归，估计$y \sim \log{(X)}$形式的线性回归（但是$x$必须为正）
• 参数robust = True：进行稳健线性回归
• 参数logistic = True：进行逻辑回归

## 使用数据tips绘制回归拟合曲线图并绘制置信区间：
tips = sns.load_dataset("tips")

sns.lmplot(x="total_bill", y="tip", col="time", hue="smoker",
           data=tips)

线性回归

指定自变量x和因变量y即可

• hue：分组进行线性回归

import seaborn as sns

tips = sns.load_dataset("tips")  ##载入需要的数据tips
sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)

局部加权线性回归

局部加权线性回归（LOWESS，Locally Weighted Scatterplot Smoothing），一种非参数回归拟合的方式。主要思想是选取一定比例的局部数据，拟合多项式回归曲线，以便观察到数据的局部规律和趋势。

• 设置参数lowess = True
• 弥补了普通线性回归模型欠拟合或过拟合的问题
• 局部加权中的权重，是根据要预测的点与数据集中的点的距离来为数据集中的点赋权值。当某点离要预测的点越远，其权重越小，否则越大
• 局部加权线性回归的优势：处理非线性关系的异方差问题

import seaborn as sns

tips = sns.load_dataset("tips")  ##载入需要的数据tips
sns.set_style('white')
f = plt.figure(figsize=(6, 4))
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", lowess = True, data=tips)
g.savefig('局部加权线性回归.png')

对数线性回归

进行$y \sim \log{(x)}$形式的线性回归

• 令参数logx = True

import seaborn as sns

tips = sns.load_dataset("tips")  ##载入需要的数据tips
sns.set_style('white')
f = plt.figure(figsize=(6, 4))
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", logx = True, data=tips)
g.savefig('对数线性回归.png')

稳健线性回归

在数据存在异常值的情况下，使用不同的损失函数来减少相对较大的残差，拟合一个稳健的回归模型

• 令参数robust = True
• 常见的稳健回归：最小中位平方法、M估计法等

import seaborn as sns

tips = sns.load_dataset("tips")  ##载入需要的数据tips
sns.set_style('white')
f = plt.figure(figsize=(6, 4))
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", col="smoker", 
               robust = True, data=tips)
g.savefig('稳健线性回归.png')

多项式回归

• 令参数order = n，其中n是指多项式回归的阶数

import seaborn as sns

tips = sns.load_dataset("tips")  ##载入需要的数据tips
sns.set_style('white')
f = plt.figure(figsize=(6, 4))
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", col="smoker", 
               order=3, data=tips)
g.savefig('（三阶）多项式回归.png')

逻辑回归

逻辑回归（LR，Logistic Regression）是一种广义线性回归。因变量可以是二分类的，也可以是多分类的。

• 令参数logistic = True

relplot()

relplot() ：可视化变量间的关系（relationship）。可绘制散点图和曲线图。

• 参数 hue ：分组变量
• 参数 style ：在某一维度上，用线的不同表现形式区分
• 参数 size ：控制数据点的大小或线条的粗细
• 参数 facet_kws：设置坐标是否共享

散点图

relplot(x=None, y=None, hue=None, size=None, style=None, 
 data=None, row=None, col=None, col_wrap=None, 
 row_order=None, col_order=None, palette=None, hue_order=None,
 hue_norm=None, sizes=None, size_order=None, size_norm=None, 
    markers=None, dashes=None, style_order=None, legend='brief',
    kind='scatter',      ## 散点图
    height=5, aspect=1, facet_kws=None, **kwargs)

曲线图

relplot(x=None, y=None, hue=None, size=None, style=None, 
 data=None, row=None, col=None, col_wrap=None, 
 row_order=None, col_order=None, palette=None, hue_order=None, 
 hue_norm=None, sizes=None, size_order=None, size_norm=None, 
    markers=None, dashes=None, style_order=None, legend='brief', 
    kind='line',        ## 曲线图
    height=5, aspect=1, facet_kws=None, **kwargs)

## 使用数据dots绘制曲线图：
import seaborn as sns

dots = sns.load_dataset("dots")
dots.head()

sns.relplot(x="time", y="firing_rate", col="align",
           hue="choice", size="coherence", style="choice",
           facet_kws=dict(sharex=False), kind="line",
           legend="full", data=dots)

sns.relplot(x="time", y="firing_rate", col="align",
            hue="choice", size="coherence", style="choice",
            height=4.5, aspect=2 / 3,
            facet_kws=dict(sharex=False),
            kind="line", legend="full", data=dots)
##参数aspect控制横纵比
##参数facet_kws设置坐标是否共享

## 使用数据fmri绘制曲线图，并且绘制置信区间：
fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint", y="signal", col="region",
            hue="event", style="event",
            kind="line", data=fmri);

sns.relplot(x="total_bill", y="tip", col="time",
            hue="size", style="smoker", size="size",
            palette="YlGnBu", markers=["D", "o"], sizes=(10, 125),
            edgecolor=".2", linewidth=.5, alpha=.75,
            data=tips)

其他绘图函数

FacetGrid()

绘制分面图

• 可与绘图函数、map()函数结合使用

## http://seaborn.pydata.org/examples/many_facets.html
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

sns.set_theme(style="ticks")

## 使用随机游走（random walk）创建数据
rs = np.random.RandomState(4)
pos = rs.randint(-1, 2, (20, 5)).cumsum(axis=1)  ## 生成-1到2之间的维度为20*5的数据
pos -= pos[:, 0, np.newaxis]
step = np.tile(range(5), 20)    ## 在列方向上重复[0, 1, 2, 3, 4]20次，行方向默认1次
walk = np.repeat(range(20), 5)  ## 将[0, 1, ..., 19]重复5次
df = pd.DataFrame(np.c_[pos.flat, step, walk],
                  columns=["position", "step", "walk"])
df.head()
#  position step walk
# 0 0   0  0
# 1 1   1  0
# 2 1   2  0
# 3 1   3  0
# 4 0   4  0

grid = sns.FacetGrid(df, col="walk", hue="walk", palette="tab20c",
                     col_wrap=4, height=1.5)  ## col_wrap列维度限制
grid.map(plt.axhline, y=0, ls=":", c=".5")
## plt.axhline：绘制平行于x轴的水平参考线
## ls参数：linestyle

## 绘制折线图，展示随机游走的路径
grid.map(plt.plot, "step", "position", marker="o")

## 调整x轴刻度、y轴刻度，x轴、y轴坐标轴取值范围
grid.set(xticks=np.arange(5), yticks=[-3, 3],
         xlim=(-.5, 4.5), ylim=(-3.5, 3.5))

grid.fig.tight_layout(w_pad=1)
grid.savefig('分面折线图.png', dpi=400)

import seaborn as sns

tips = sns.load_dataset("tips")  ## 载入数据
g = sns.FacetGrid(tips, col="day", height=4, aspect=.5)   ## 以day为分面的列
g.map(sns.barplot, "sex", "total_bill", order=["Male", "Female"])  ## 绘制直方图
g.savefig('分面直方图.png', dpi=400)

## http://seaborn.pydata.org/examples/kde_ridgeplot.html
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="white", rc={"axes.facecolor": (0, 0, 0, 0)})

# 构造数据
rs = np.random.RandomState(2021)
x = rs.randn(500)  ## 随机生成500个数据
g = np.tile(list("ABCDEFGHIJ"), 50)  ## 按列重复[A,B,...,I,J]50次
df = pd.DataFrame(dict(x=x, g=g))
m = df.g.map(ord)
df["x"] += m
df.head()
#  x   g
# 0 66.488609 A
# 1 66.676011 B
# 2 66.581549 C
# 3 67.193479 D
# 4 69.555876 E

pal = sns.cubehelix_palette(n_colors=10, rot=-.25, light=.7)  ## 生成序列调色盘；light：最浅颜色的强度
pp = sns.FacetGrid(df, row="g", hue="g", aspect=15, height=.5, palette=pal)
pp.map(sns.kdeplot, "x",
       bw_adjust=.5, clip_on=False,
       fill=True, alpha=1, linewidth=1.5)
pp.map(sns.kdeplot, "x", clip_on=False, color="w", lw=2, bw_adjust=.5)
pp.map(plt.axhline, y=0, lw=2, clip_on=False)  ## plt.axhline：绘制平行于x轴的水平参考线

def label(x, color, label):  ## 用于添加x轴刻度文本
    ax = plt.gca()
    ax.text(0, .2, label, fontweight="bold", color=color,
            ha="left", va="center", transform=ax.transAxes)

pp.map(label, "x")

pp.fig.subplots_adjust(hspace=-.25)  ## 调整子图以重叠
pp.set_titles("")  ## 去除轴标题
pp.set(yticks=[])  ## 去除y轴刻度线
pp.despine(bottom=True, left=True)  ## 去除底部、左边的坐标脊
pp.savefig('重叠分面密度曲线图.png', dpi=400)

heatmap()

绘制热力图。

from string import ascii_letters
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

## 生成数据
rs = np.random.RandomState(33)
dat = pd.DataFrame(data=rs.normal(size=(100, 26)),
                  columns=list(ascii_letters[26:]))

## 计算相关系数矩阵
corr = dat.corr()

mask = np.triu(np.ones_like(corr, dtype=bool))

f, ax = plt.subplots(figsize=(11, 9))
## 设置颜色
cmap = sns.diverging_palette(230, 20, as_cmap=True)
fig = sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0, square=True, 
                 linewidths=.5, cbar_kws={'shrink': .5})
fig.savefig('相关系数矩阵图.png')

## http://seaborn.pydata.org/examples/spreadsheet_heatmap.html
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_theme()

flights_long = sns.load_dataset("flights")  ## 载入数据
flights_long.head()
#  year month passengers
# 0 1949 Jan  112
# 1 1949 Feb  118
# 2 1949 Mar  132
# 3 1949 Apr  129
# 4 1949 May  121

## 变换数据形式
flights = flights_long.pivot("month", "year", "passengers")
flights.head()
# year 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960
# month            
# Jan 112 115 145 171 196 204 242 284 315 340 360 417
# Feb 118 126 150 180 196 188 233 277 301 318 342 391
# Mar 132 141 178 193 236 235 267 317 356 362 406 419
# Apr 129 135 163 181 235 227 269 313 348 348 396 461
# May 121 125 172 183 229 234 270 318 355 363 420 472
f, ax = plt.subplots(figsize=(9, 6))
g = sns.heatmap(flights, annot=True, fmt="d", linewidths=.5, ax=ax)
fig = g.get_figure()
fig.savefig('热力图.png', dpi=400)

柱状图histplot()

绘制柱状图

## http://seaborn.pydata.org/examples/histogram_stacked.html
import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt

sns.set_theme(style="ticks")

diamonds = sns.load_dataset("diamonds")  ## 载入数据
diamonds.head()
#  carat cut color clarity depth table price x y z
# 0 0.23 Ideal E SI2 61.5 55.0 326 3.95 3.98 2.43
# 1 0.21 Premium E SI1 59.8 61.0 326 3.89 3.84 2.31
# 2 0.23 Good E VS1 56.9 65.0 327 4.05 4.07 2.31
# 3 0.29 Premium I VS2 62.4 58.0 334 4.20 4.23 2.63
# 4 0.31 Good J SI2 63.3 58.0 335 4.34 4.35 2.75

f, ax = plt.subplots(figsize=(7, 5))
sns.despine(f)  ## 移除上部、右边的坐标脊

g = sns.histplot(
    diamonds,
    x="price", hue="cut",  ## 根据cut区分颜色
    multiple="stack",
    palette="light:m_r",   ## 调色盘
    edgecolor=".3",        ## 柱状边的颜色
    linewidth=.5,          ## 线条宽度
    log_scale=True,        ## Set a log scale on the data axis
)
ax.xaxis.set_major_formatter(mpl.ticker.ScalarFormatter())  ## 设置x轴主刻度格式
ax.set_xticks([500, 1000, 2000, 5000, 10000])  ## 设置x轴刻度文本

fig = g.get_figure()
fig.savefig('柱状图.png', dpi=400)

JointGrid()

两个变量的关系+单变量边际分布

## http://seaborn.pydata.org/examples/marginal_ticks.html
import seaborn as sns
sns.set_theme(style="white", color_codes=True)  ## 设置主题
mpg = sns.load_dataset("mpg")  ## 载入数据mpg
mpg.head()
#  mpg cylinders displacement horsepower weight acceleration model_year origin name
# 0 18.0 8 307.0 130.0 3504 12.0 70 usa chevrolet chevelle malibu
# 1 15.0 8 350.0 165.0 3693 11.5 70 usa buick skylark 320
# 2 18.0 8 318.0 150.0 3436 11.0 70 usa plymouth satellite
# 3 16.0 8 304.0 150.0 3433 12.0 70 usa amc rebel sst
# 4 17.0 8 302.0 140.0 3449 10.5 70 usa ford torino

g = sns.JointGrid(data=mpg, x="mpg", y="acceleration", space=0, ratio=17)
g.plot_joint(sns.scatterplot, size=mpg["horsepower"], sizes=(30, 120),  ## 根据horsepower调整散点的大小
             color="g", alpha=.6, legend=False)
g.savefig('0104散点图.png', dpi=400)

g = sns.JointGrid(data=mpg, x="mpg", y="acceleration", space=0, ratio=17)
g.plot_joint(sns.scatterplot, size=mpg["horsepower"], sizes=(30, 120),
             color="g", alpha=.6, legend=False)
g.plot_marginals(sns.rugplot, height=1, color="g", alpha=.6)
g.savefig('散点图+刻度线.png', dpi=400)

jointplot()

在图形边上绘制单变量的直方分布图

## http://seaborn.pydata.org/examples/regression_marginals.html
import seaborn as sns
sns.set_theme(style="darkgrid")  ## 设置主题

tips = sns.load_dataset("tips")  ## 载入数据 tips
g = sns.jointplot(x="total_bill", y="tip", data=tips,
                  kind="reg", truncate=False,  ## 画回归线
                  xlim=(0, 60), ylim=(0, 12),
                  color="m", height=7)
g.savefig('jointplot边际直方分布图.png', dpi=400)

核密度估计图kdeplot()

核密度估计图

• 可以比较直观地看出数据样本本身的分布特征
• 参数cumulative：是否绘制累积分布，默认False
• 参数shade：是否绘制曲线下的阴影区域
• 参数color：控制曲线、阴影的颜色（曲线颜色比阴影颜色深）
• 参数vertical：以X轴进行绘制还是以Y轴进行绘制（已弃用），将数据赋给y即可
• 参数cbar：当绘制二维核密度估计图且shade=True时，令cbar=True则图片显示色阶

import numpy as np
import seaborn as sns 

x=np.random.randn(100)  #随机生成100个符合正态分布的数
g = sns.kdeplot(x)  ## 简单的一维核密度估计图
fig = g.get_figure()
fig.savefig('简单的一维核密度估计图.png', dpi=400)

g = sns.kdeplot(x, cumulative=True)
fig = g.get_figure()
fig.savefig('一维核密度估计累积图.png', dpi=400)

g = sns.kdeplot(x, shade=True, color='g')  ## 颜色为绿色 green
fig = g.get_figure()
fig.savefig('一维核密度估计图-绘制阴影.png', dpi=400)

g = sns.kdeplot(y=x)  ## 以y轴进行绘制
fig = g.get_figure()
fig.savefig('一维核密度估计图-以y轴进行绘制.png', dpi=400)

x = np.random.randn(100)
y = np.random.randn(100)
g = sns.kdeplot(x, y, shade=True, cbar=True)
fig = g.get_figure()
fig.savefig('二维核密度估计图.png', dpi=400)

lineplot()

绘制曲线图

## http://seaborn.pydata.org/examples/wide_data_lineplot.html
import numpy as np
import pandas as pd
import seaborn as sns
sns.set_theme(style="whitegrid")

rs = np.random.RandomState(365)
values = rs.randn(365, 4).cumsum(axis=0)  ## 随机生成365*4的数据
dates = pd.date_range("1 1 2020", periods=365, freq="D")  ## 从2020.01.01开始、按天分配日期
data = pd.DataFrame(values, dates, columns=["A", "B", "C", "D"])
data.head()
#     A   B   C   D
# 2020-01-01 0.167921 0.523505 0.817376 1.703846
# 2020-01-02 -1.979026 1.237704 0.057230 2.743267
# 2020-01-03 -2.945478 1.094025 1.628355 2.359988
# 2020-01-04 -2.307479 0.749367 1.624072 2.518347
# 2020-01-05 -3.270573 0.333310 1.867085 2.866550
data = data.rolling(7).mean()
g = sns.lineplot(data=data, palette="tab10", linewidth=2.5)
fig = g.get_figure()
fig.savefig('线形图.png', dpi=400)

pairplot()

绘制变量两两之间的散点图

• 对角线绘制变量的分布图
• 非对角线绘制两两变量的散点图

## http://seaborn.pydata.org/examples/scatterplot_matrix.html
import pandas as pd

url = 'https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv'

df = pd.read_csv(url, error_bad_lines=False)  ## 加载penguins数据
df.head()
#  species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
# 0 Adelie Torgersen 39.1 18.7 181.0 3750.0 MALE
# 1 Adelie Torgersen 39.5 17.4 186.0 3800.0 FEMALE
# 2 Adelie Torgersen 40.3 18.0 195.0 3250.0 FEMALE
# 3 Adelie Torgersen NaN NaN NaN NaN NaN
# 4 Adelie Torgersen 36.7 19.3 193.0 3450.0 FEMALE

import seaborn as sns

sns.set_style('ticks')  ## 设置主题；set_theme()函数已弃用
fig = sns.pairplot(df, hue="species")  ## species决定色彩
fig.savefig('两两配对散点图.png', dpi=400)

其他函数

axes_style()

坐标轴属性设置

import seaborn as sns

sns.axes_style()  ## 查看目前的各属性定义
# {'axes.facecolor': 'white',
#  'axes.edgecolor': '.15',
#  'axes.grid': False,
#  'axes.axisbelow': True,
#  'axes.labelcolor': '.15',   ## 轴标签颜色
#  'figure.facecolor': 'white',  ## 画布颜色
#  'grid.color': '.8',    ## 网格颜色
#  'grid.linestyle': '-',   ## 网格线型
#  'text.color': '.15',
#  'xtick.color': '.15',   ## x轴刻度颜色
#  'ytick.color': '.15',     ## y轴刻度颜色
#  'xtick.direction': 'out',    ## x轴刻度方向
#  'ytick.direction': 'out',    ## y轴刻度方向
#  'lines.solid_capstyle': 'round',
#  'patch.edgecolor': 'w',
#  'patch.force_edgecolor': True,
#  'image.cmap': 'rocket',
#  'font.family': ['sans-serif'],  ## 字体类型
#  'font.sans-serif': ['Arial',
#   'DejaVu Sans',
#   'Liberation Sans',
#   'Bitstream Vera Sans',
#   'sans-serif'],
#  'xtick.bottom': False,
#  'xtick.top': False,
#  'ytick.left': False,
#  'ytick.right': False,
#  'axes.spines.left': True,   ## 左边坐标脊
#  'axes.spines.bottom': True,  ## 底部坐标脊
#  'axes.spines.right': True,  ## 右边坐标脊
#  'axes.spines.top': True}     ## 顶部坐标脊

despine()

去除坐标脊

• 对white和ticks风格有效

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

sns.set_style('white')

f = plt.figure(figsize=(6, 4))

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

sinplot()
sns.despine()
f.savefig('去除坐标脊.png', dpi=400)

get_dataset_names()

获取所有Seaborn自带数据集的名称（需要联网）。

from seaborn import get_dataset_names

get_dataset_names()

数据名称	数据详情	用途
‘anagrams’
‘anscombe’
‘attention’
‘brain_networks’
‘car_crashes’
‘diamonds’
‘dots’
‘exercise’
‘flights’
‘fmri’
‘gammas’
‘geyser’
‘iris’	数据详情
‘mpg’
‘penguins’
‘planets’
‘tips’
‘titanic’	数据详情

load_dataset()

加载自带的数据集（需要联网）。

import seaborn as sns

df = sns.load_dataset('titanic')
df.sample(5)

set_context()

设置情境的size

• 可选项：paper、talk、poster、notebook
• 参数font_scale：控制字体的size倍数
• 参数rc：如rc={"lines.linewidth": 5.0}

sns.set_context("notebook", font_scale=5.0, rc={"lines.linewidth": 5.0})

set_theme()

修改主题

• 如果提示AttributeError: module 'seaborn' has no attribute 'set_theme'，则表明当前的seaborn版本过低，应使用pip install seaborn==0.11.0或pip install seaborn==0.11.1安装0.11版本的seaborn
• 查看当前的seaborn版本：

import seaborn
seaborn.__version__
#'0.11.0'

set_style()

调整绘图style。

• 第一个参数是整体风格，第二个参数是具体某个element的参数，如：sns.set_style("darkgrid", {"axes.facecolor": ".2"})。可使用axes_style()查看目前的elements定义

有5种预设的style：

• darkgrid
• whitegrid
• dark
• white
• ticks

调色板

choose_colorbrewer_palette()

从Color Brewer中选择调色板。
choose_colorbrewer_palette(data_type, as_cmap=False)

• 该函数只能在Jupyter Notebook中使用
• 参数 data_type ：可选值有’sequential’, ‘diverging’, ‘qualitative’
• 其中 Set 可选择不同的调色板

sns.palplot(sns.choose_colorbrewer_palette(data_type="qualitative"))

sns.palplot(sns.choose_colorbrewer_palette(data_type="diverging"))

choose_cubehelix_palette()

choose_cubehelix_palette(as_cmap=False)

• cubehelix()函数对应的交互式小部件
• 该函数只能在Jupyter Notebook中使用

sns.palplot(sns.choose_cubehelix_palette())

choose_dark_palette()

choose_dark_palette(input='husl', as_cmap=False)

• dark_palette()函数对应的交互式小部件
• 该函数只能在Jupyter Notebook中使用
• 参数 input ：可选值有husl, hls, rgb

sns.palplot(sns.choose_dark_palette())

choose_diverging_palette()

choose_diverging_palette(as_cmap=False)

• diverging_palette()函数对应的交互式小部件
• center部件可选择：light或dark

sns.palplot(sns.choose_diverging_palette())

choose_light_palette()

choose_light_palette(input='husl', as_cmap=False)

• light_palette()函数对应的交互式小部件
• 参数 input ：可选值有husl, hls, rgb
• 该函数只能在Jupyter Notebook中使用

sns.palplot(sns.choose_light_palette())

color_palette()

调色板

• seaborn有6种不同的默认主题：deep，muted，pastel，bright，dark，colorblind
• 若有任意类别的变量，但不突出任何一个类别时，可使用连续均匀间隔的颜色。
• 分类调色板：Color Brewer
• 可见seaborn.color_palette，有颜色示例。

## seaborn默认调色盘
current_palette = sns.color_palette()
sns.palplot(current_palette)

## 默认调色板（muted）
sns.palplot(sns.color_palette("muted"))

## 默认调色板（deep）
sns.palplot(sns.color_palette("deep"))

## 默认调色板（pastel）
sns.palplot(sns.color_palette("pastel"))

参考资料

• seaborn主页
• seaborn Example Gallery
• displot例子
• lmplot例子
• python绘图-seaborn(sns)的主题风格
• Seaborn5分钟入门(一)——kdeplot和distplot
• 太厉害了！Seaborn也能做多种回归分析，统统只需一行代码