前言

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍Seaborn数据可视化，读本文之前，如果没有 Matplotlib基础建议先看博客：Matplotlib数据可视化入门，Matplotlib数据可视化高级，Matplotlib数据可视化进阶（进阶中有Seaborn讲解，这里单独截出来）。

🌟 学习本文之前，需要先自修：NumPy从入门到进阶，pandas从入门到进阶本文中很多的操作在 NumPy从入门到进阶 ，pandas从入门到进阶二文中有详细的介绍，包含一些软件以及扩展库，图片的安装和下载流程，本文会直接进行使用。

下载 $Matplotlib$ 见博客：matplotlib的安装教程以及简单调用，这里不再赘述

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

Seaborn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。

1.安装

如果你读过文章：matplotlib的安装教程以及简单调用，那么你只需要在命令行模式中输入：pip install seaborn即可进行安装，否则你也可以直接输入：pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple

进入命令行模式：$Windows$系统：按下键盘上的 $Windows+R$，输入 $cmd$ 后即可进入

如果你读过文章：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文），那么你无序再安装 $Seaborn$，安装 $Anaconda$ 的时候已经安装好了 $Seaborn$

出现上图所示就是已经安装过的意思，我们可以打开 jupyter 运行如下代码，看是否报错：

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

不报错即为安装成功，那么接下来，就让我来介绍 $seaborn$

2.快速上手

2.1 模式设置

import seaborn as sns 
sns.set(style = 'darkgrid',context = 'talk',font = 'STKaiti')

$style$设置，修改主题风格，属性如下：

$context$设置，修改大小，属性如下：

2.2 线形图

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

sns.set(style = 'dark',context = 'poster',font = 'STKaiti') # 设置样式
plt.figure(figsize = (9, 6))

x = np.linspace(0, 2 * np.pi, 20)
y = np.sin(x)

sns.lineplot(x = x, y = y, color = 'green', ls = '--')
sns.lineplot(x = x, y = np.cos(x), color = 'red',ls = '-.')

3.各种图形绘制

首先我们需要下载几个 $csv$ 文件：

链接: https://pan.baidu.com/s/12CkTweXPT-El4z2M93HltQ?pwd=vaks
提取码: vaks

下载完成之后，把该文件和我们的代码放到同一个文件夹下，这一操作我们在之前的博客中已经反复说到，这里就不再进行演示

3.1 调色板

参数$palette$（调色板），用于调整颜色，系统默认提供了六种选择： $deep,muted,bright,pastel,dark,colorblind$

参数$palette$调色板，可以有更多的颜色选择，$Matplotlib$为我们提供了多达$178$种，这足够绘图用，可以通过代码print(plt.colormaps())查看选择

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

print(plt.colormaps())

3.2 线形图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 设置样式
sns.set(style = 'dark', context = 'notebook', font = 'STKaiti')
plt.figure(figsize = (9, 6))

# fmri 这一核磁共振数据
fmri = pd.read_csv('./fmri.csv') 
ax = sns.lineplot(x = 'timepoint',y = 'signal',
                  hue = 'event',     # 根据 event 进行分类绘制
                  style = 'event',   # 根据 event 属性分类指定样式
                  # 如图自动分配成了实现和虚线,●和×
                  data = fmri,
                  palette = 'deep',  # 画板、颜色
                  markers = True,
                  markersize = 10)

plt.xlabel('时间节点',fontsize = 30)

3.3 散点图

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

data = pd.read_csv('./tips.csv') # 小费
plt.figure(figsize = (9, 6))
sns.set(style = 'darkgrid', context = 'talk')

# 散点图
fig = sns.scatterplot(x = 'total_bill', y = 'tip',
hue = 'time', data = data,
palette = 'autumn', s = 100)

3.4 柱状图

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6))
sns.set(style = 'whitegrid')
tips = pd.read_csv('./tips.csv') # 小费
ax = sns.barplot(x = "day", y = "total_bill",
                 data = tips,hue = 'sex',
                 palette = 'colorblind',
                 capsize = 0.2)

3.5 箱式图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'ticks')
tips = pd.read_csv('./tips.csv')
ax = sns.boxplot(x = "day", y = "total_bill", data = tips, palette = 'colorblind')

3.6 直方图

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

sns.set(style = 'dark')
x = np.random.randn(5000)
sns.histplot(x, kde = True)

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

sns.set(style = 'darkgrid')
tips = pd.read_csv('./tips.csv')
sns.histplot(x = 'total_bill', data = tips, kde = True)

3.7 分类散点图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'darkgrid')
exercise = pd.read_csv('./exercise.csv')
sns.catplot(x = "time", y = "pulse", hue = "kind", data = exercise)

3.8 热力图

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

plt.figure(figsize = (12, 9))
flights = pd.read_csv('./flights.csv')   # 飞行数据

# pivot() 实现了数据重塑,改变了DataFrame的形状
# month 作为行索引,year作为列索引,passengers作为数据
flights = flights.pivot("month", "year", "passengers") # 年,月,乘客
sns.heatmap(flights, annot = True,   # 画上数值
            fmt = 'd',         # 数值为整数
            cmap = 'RdBu_r',   # 设置颜色 
            linewidths = 0.5)  # 线宽为 0.5 

我们最后来说一下数据重塑，在本题的基础上，我们查看一下我们的 $flights$ 数据：

咋们再来重新加载一下数据，看看原始的 $flights$ 数据：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

flights = pd.read_csv('./flights.csv')
flights

不难看出，上述绘图过程中涉及到了数据重塑：代码：flights = flights.pivot("month", "year", "passengers")实现了数据的重塑，使得 $month$ 作为行索引，$yerr$ 作为列索引，$passengers$ 作为数据。

文章来源: chen-ac.blog.csdn.net，作者：辰chen，版权归原作者所有，如需转载，请联系作者。

原文链接：chen-ac.blog.csdn.net/article/details/122682749