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，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

• Python中的一个制图工具库，可以制作出吸引人的、信息量大的统计图

• 在Matplotlib上构建，支持numpy和pandas的数据结构可视化。

• 多个内置主题及颜色主题

• 可视化单一变量、二维变量用于比较数据集中各变量的分布情况

• 可视化线性回归模型中的独立变量及不独立变量

  

   

    

     

    
    

     

      import numpy as np
     
    
   

    

     

    
    

     

      import pandas as pd
     
    
   

    

     

    
    

     

      # from scipy import stats
     
    
   

    

     

    
    

     

      import matplotlib.pyplot as plt
     
    
   

    

     

    
    

     

      import seaborn as sns
     
    
   

    

     

    
    

     

      # %matplotlib inline
     
    
  
 

数据集分布可视化

单变量分布 sns.distplot()

  

   

    

     

    
    

     

      # 单变量分布
     
    
   

    

     

    
    

     

      x1 = np.random.normal(size=1000)
     
    
   

    

     

    
    

     

      sns.distplot(x1);
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      x2 = np.random.randint(0, 100, 500)
     
    
   

    

     

    
    

     

      sns.distplot(x2);
     
    
  
 

运行结果：

直方图 sns.distplot(kde=False)

  

   

    

     

    
    

     

      # 直方图
     
    
   

    

     

    
    

     

      sns.distplot(x1, bins=20, kde=False, rug=True)
     
    
  
 

运行结果：

核密度估计 sns.distplot(hist=False) 或 sns.kdeplot()

  

   

    

     

    
    

     

      # 核密度估计
     
    
   

    

     

    
    

     

      sns.distplot(x2, hist=False, rug=True)
     
    
  
 

运行结果： 

双变量分布

  

   

    

     

    
    

     

      # 双变量分布
     
    
   

    

     

    
    

     

      df_obj1 = pd.DataFrame({"x": np.random.randn(500),
     
    
   

    

     

    
    

     
 "y": np.random.randn(500)})
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      df_obj2 = pd.DataFrame({"x": np.random.randn(500),
     
    
   

    

     

    
    

     
 "y": np.random.randint(0, 100, 500)})
     
    
  
 

散布图 sns.jointplot()

  

   

    

     

    
    

     

      # 散布图
     
    
   

    

     

    
    

     

      sns.jointplot(x="x", y="y", data=df_obj1)
     
    
  
 

运行结果：

二维直方图 Hexbin sns.jointplot(kind=‘hex’)

示例代码：

  

   

    

     

    
    

     

      # 二维直方图
     
    
   

    

     

    
    

     

      sns.jointplot(x="x", y="y", data=df_obj1, kind="hex");
     
    
  
 

运行结果：

核密度估计 sns.jointplot(kind=‘kde’)

  

   

    

     

    
    

     

      # 核密度估计
     
    
   

    

     

    
    

     

      sns.jointplot(x="x", y="y", data=df_obj1, kind="kde");
     
    
  
 

运行结果：

数据集中变量间关系可视化 sns.pairplot()

  

   

    

     

    
    

     

      # 数据集中变量间关系可视化
     
    
   

    

     

    
    

     

      dataset = sns.load_dataset("tips")
     
    
   

    

     

    
    

     

      #dataset = sns.load_dataset("iris")
     
    
   

    

     

    
    

     

      sns.pairplot(dataset);
     
    
  
 

运行结果：

类别数据可视化

  

   

    

     

    
    

     

      #titanic = sns.load_dataset('titanic')
     
    
   

    

     

    
    

     

      #planets = sns.load_dataset('planets')
     
    
   

    

     

    
    

     

      #flights = sns.load_dataset('flights')
     
    
   

    

     

    
    

     

      #iris = sns.load_dataset('iris')
     
    
   

    

     

    
    

     

      exercise = sns.load_dataset('exercise')
     
    
  
 

类别散布图

sns.stripplot() 数据点会重叠

sns.stripplot(x="diet", y="pulse", data=exercise)

 

运行结果：

sns.swarmplot() 数据点避免重叠，hue指定子类别

sns.swarmplot(x="diet", y="pulse", data=exercise, hue='kind')

 

运行结果： 

类别内数据分布

盒子图 sns.boxplot(), hue指定子类别

示例代码：

  

   

    

     

    
    

     

      # 盒子图
     
    
   

    

     

    
    

     

      sns.boxplot(x="diet", y="pulse", data=exercise)
     
    
   

    

     

    
    

     

      #sns.boxplot(x="diet", y="pulse", data=exercise, hue='kind')
     
    
  
 

运行结果：

小提琴图 sns.violinplot(), hue指定子类别

  

   

    

     

    
    

     

      # 小提琴图
     
    
   

    

     

    
    

     

      #sns.violinplot(x="diet", y="pulse", data=exercise)
     
    
   

    

     

    
    

     

      sns.violinplot(x="diet", y="pulse", data=exercise, hue='kind')
     
    
  
 

运行结果：

类别内统计图

柱状图 sns.barplot()

示例代码：

  

   

    

     

    
    

     

      # 柱状图
     
    
   

    

     

    
    

     

      sns.barplot(x="diet", y="pulse", data=exercise, hue='kind')
     
    
  
 

运行结果：

点图 sns.pointplot()

  

   

    

     

    
    

     

      # 点图
     
    
   

    

     

    
    

     

      sns.pointplot(x="diet", y="pulse", data=exercise, hue='kind');
     
    
  
 

运行结果：

参考资料

http://seaborn.pydata.org/

文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。

原文链接：drugai.blog.csdn.net/article/details/104287663