5-2 Seaborn绘图

关系型绘图

seaborn.replot()

这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。实际上以下两个函数就是relplot的特例：

• 散点类型：scatterplot -→replot(kind=“scatter”)
• 线性类型：lineplot -→replot(kind=“line”)

基本使用

import seaborn as sns
tips = sns.load_dataset("tips",cache=True)
sns.replot(x="total_bill",y="tip",data=tips)

hue参数
hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数，name可以通过以下代码来实现：

sns.replot(x="total_bill",y="tip",hue="day",data=tips)

添加col和row参数
col和row，可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示，那么可以通过以下代码来实现:

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

**
绘制折线图

relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据（比如x轴是N个数，y轴也必须为N个数）。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下：

fmri = sns.load_dataset("fmri")
sns.replot(x="timepoint",y="signal",kind="line",data=fmri)

分类绘图

分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图，如果想要绘制其他类型的图，同样也是通过kind参数来指定。
主要分为

• 分类散点图
• 分类分布图
• 分类统计图

分类散点图

分类散点图比较适合数据量不是很多的情况，他是用catplot来实现，但是也有以下两个特别的方法。

• stripplot()：catplot(kind=“strip”) 默认的
• swarmplot()：catplot(kind=“swarm”)

sns.catplot(x="day",y="total_bill",data=tips,hue="sex")

sns.catplot(x="day",y="total_bill",data=tips,hue="sex",kind="swarm")

分类分布图

分类分布图，主要是根据分类来看，然后在每个分类下数据的分布情况。也是通过catplot来实现，以下三个方法分别是不同的kind参数：

• 箱型图：boxplot() (with kind=“box”)
• 小提琴图：violinplot() (with kind=“violin”)
  箱型图
  

countries = {
    'CHN':'中国',
    'JPN':"日本",
    'KOR':'韩国',
    'USA':"美国",
    'CAN':"加拿大",
    'BRA':"巴西",
    'GBR':"英国",
    'FRA':"法国",
    'ITA':"意大利",
    'ETH':"埃塞俄比亚",
    'KEN':"肯尼亚",
    'NIG':"尼日利亚",
}

小提琴图
小提琴实际上就是两个对称的核密度曲线合并起来，然后中间是一个箱线图（也可以为其他图）组成的。通过小提琴图可以看出数据的分布情况。示例代码如下：

sns.violinplot(x="day",y="total_bill",data=tips,inner="quartile",hue="sex",split=True)

分类统计图

分类统计图，则是根据分类，统计每个分类下的数据的个数或者比例。有以下几种方式：

• 条形图：barplot() (with kind=“bar”)
• 柱状图：countplot() (with kind=“count”)
• 点线图：pointplot() (with kind=“point”)
  条形图
  seaborn中的条形图具有统计功能，可以统计出比例，平均数，也可以按照你想要的的统计函数来统计。示例代码如下：

sns.catplot(x="day",y="total_bill",data=tips,kind="bar")

柱状图
柱状图是专门用来统计某个单一变量出现数量的图形。示例代码如下：

sns.catplot(x="sex",data=titanic,kind="count")

点线图
点线图可以非常方便的看到变量之间的趋势变化。示例代码如下：

sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")

分布绘图

分布绘图主要分为单变量分布以及二变量分布和pairplot

单分量分布

单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot，其中dist是distribution的简写，不是histogram的简写。示例代码如下：

titanic = pd.read_csv("./seaborn-data-master/titanic.csv")
titanic.head()
sns.distplot(titanic["age"])

二变量分布

多变量分布图可以看出两个变量之间的分布关系。一般都是采用多个图进行表示。多变量分布图采用的函数是jointplot。

tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips)

• 通过设置kind='reg'可以设置回归绘图和核密度曲线
  通过设置kind='hex'可以绘制六边形图
  jointplot其它常用参数
  x,y,data：绘制图的数据。
  kind：scatter、reg、resid、kde、hex。
  color：绘制元素的颜色。
  height：图的大小，图会是一个正方形。
  ratio：主图和副图的比例，只能为一个整形。
  space：主图和副图的间距。
  dropna：是否需要删除x或者y值中出现了NAN的值。
  marginal_kws：副图的一些属性，比如设置bins、rug等。

pairplot

sns.pairplot(tips,vars=["total_bill","tip"])

默认情况下，对角线的图（x和y轴的列相同）是直方图，其他地方的图是散点图，如果想要修改这两种图，可以通过diag_kind和kind来实现。其中这两个参数可取的值为：

1. diag_kind：auto, hist, kde。
2. kind：scatter, reg。
   

线性回归绘图

线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串，并且data的值不能为空：

1. regplot(x,y,data=None)。
2. lmplot(x,y,data)。

sns.lmplot(x="total_bill",y="tip",data=tips)