动态手机网站怎么做,电子商务主要学什么就业工资,长沙旅游网站建设,如何进入优容网站目录 概述一、语法二、常用单变量绘图1. 直方图#xff08;histplot#xff09;2. 核密度预估图#xff08;kdeplot#xff09;3. 计数柱状图#xff08;countplot#xff09; 三、常用多变量绘图1.散点图(1) scatterplot(2)regplot 散点图拟合回归线(3)jointplot 散点图… 目录 概述一、语法二、常用单变量绘图1. 直方图histplot2. 核密度预估图kdeplot3. 计数柱状图countplot 三、常用多变量绘图1.散点图(1) scatterplot(2)regplot 散点图拟合回归线(3)jointplot 散点图直方图 2.蜂巢图3. 2D KDE图4.箱线图boxplot5.小提琴图violinplot 四、Seaborn主题和样式结语 概述
Seaborn是一个基于Matplotlib的Python数据可视化库它提供了一种简单而美观的界面帮助初学者轻松创建各种统计图表和数据可视化效果。
Seaborn的设计哲学以美学为中心致力于创建最佳的数据可视化同时也保持着与Python生态系统的高度兼容性可以轻松集成到Python数据分析以及机器学习的工作流程中。Seaborn拥有丰富的可视化函数能够创建多种类型的图表包括折线图、柱状图、散点图、核密度图、热力图等等。
相比Matplotlib而言Seaborn的绘图接口更为集成通过少量参数设置就能实现大量封装绘图。多数图表具有统计学含义例如分布、关系、统计、回归等。此外它对Pandas和Numpy数据类型支持非常友好风格设置也更为多样包括风格、绘图环境和颜色配置等。
在进行EDAExploratory Data Analysis探索性数据分析过程中Seaborn往往更为高效。然而需要注意的是Seaborn与Matplotlib的关系是互为补充而非替代多数场合中Seaborn是绘图首选而在某些特定场景下则仍需用Matplotlib进行更为细致的个性化定制。
总的来说Seaborn是一个功能强大且易于使用的数据可视化库无论是初学者还是有一定经验的数据分析师都可以从中获得帮助更好地理解和展示数据。
一、语法
import seaborn as sns
sns.图表类型plot(dataDataframe, x列1,y列2,hue类别型 )参数解释
x, y: x指定用于柱状图横坐标的变量名类别型数据。 y指定用于柱状图纵坐标的变量名数值型数据即每个类别的值。data: 指定绘图所需的数据集通常是一个 pandas DataFrame。hue: 用于将数据进行分组的变量名。这个变量将决定每个柱子中的不同颜色分段用于表示另一个分类维度的信息。
二、常用单变量绘图
1. 直方图histplot
语法
sns.histplot(dataDataframe,x列,y列,binsn,kdaFalsehue分类变量)参数 data: 要绘制直方图的数据集通常是一个 pandas DataFrame 或 Series也可以是其他可以被转换为数组的数据类型。 x, y: x 和 y 用于指定要绘制直方图的数据列。对于单变量直方图通常只需要指定 x 参数。如果指定了 y 参数则绘制的是二维直方图或称为热图。 bins: 指定直方图的区间数量。可以是整数表示区间数量或区间边界的序列。 kde 是否使用 Kernel Density Estimation (KDE) 来绘制数据的概率密度曲线核密度预估图。 hue: 指定用于分组绘制直方图的分类变量。不同组的直方图会以不同的颜色显示。用于多变量时
sns.histplot(datatip,xtotal_bill,bins 10,kde True)2. 核密度预估图kdeplot
sns.kdeplot(datatip,xtotal_bill)图表展示
3. 计数柱状图countplot
sns.countplot(datatip,xday)图表展示
三、常用多变量绘图
1.散点图
(1) scatterplot
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei] # 正常显示汉字
plt.rcParams[axes.unicode_minus] False # 正常显示负号
# 散点图
# 1. 绘制画布
fig, ax plt.subplots(figsize(12, 6))
# 2. 绘制散点图, x轴: 总账单, y轴: 小费, hue: 基于哪列分组
sns.scatterplot(datatips, xtotal_bill, ytip, huesex)
# 3. 设置标题
ax.set_title(总账小费之间关系图)
# 4. 绘制图片
plt.show()图表展示
(2)regplot 散点图拟合回归线
fit_reg参数 默认是True 会拟合一条直线 就是利用这一份数据 跑了线性回归
# 散点图
# 1. 绘制画布
fig, ax plt.subplots(figsize(12, 6))# 2. 绘制散点图
# fit_reg 默认是True 会拟合一条直线 就是利用这一份数据 跑了线性回归
# fit_regFalse 可以关掉
sns.regplot(datatips, xtotal_bill, ytip, fit_regTrue)
# 3. 设置标题
ax.set_title(总账小费之间关系图)
# 4. 绘图
plt.show()图表展示
(3)jointplot 散点图直方图
# 2. 绘制散点图
sns.jointplot(datatips, xtotal_bill, ytip)图表展示
2.蜂巢图
kinde‘hex’, 加了这个属性就是 蜂巢图, 不加就是散点图. height 作用为改变图表大小
# kindehex, 加了这个属性就是 蜂巢图, 不加就是散点图.
# sns.jointplot(datatips, xtotal_bill, ytip, height12) # 散点图, 每行每列再绘制直方图.
sns.jointplot(datatips, xtotal_bill, ytip, kindhex, height12) # 蜂巢图, 每行每列再绘制直方图.
plt.show()图表展示
3. 2D KDE图
2D KDE图即二维核密度估计图Kernel Density Estimation plot是一种在二维平面上展示数据概率密度分布的可视化工具。在统计学和数据可视化中KDE用于估计一个变量的概率密度函数对于二维数据可以估计两个变量之间的联合概率密度。
# 一维KDE 只传入x, 或者 只转入Y
# 二维KDE x,y 都传入
# fillTrue 是否填充曲线内的颜色
# cbarTrue 是否显示 右侧的颜色示意条
fig, ax plt.subplots(figsize(12, 6))
sns.kdeplot(datatips, xtotal_bill, ytip, fillTrue, cbarTrue)
ax.set_title(2D KDE图)
plt.show()图表展示:
4.箱线图boxplot
箱线图Box Plot又称为箱型图、盒须图、盒状图或箱状图是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用常见于品质管理。它主要用于反映原始数据的分布特征还可以进行多组数据分布特征的比 较。箱线图的绘制方法是先找出一组数据的上边缘、下边缘、中位数和两个四分位数然后 连接两个四分位数画出箱体再将上边缘和下边缘与箱体相连接中位数在箱体中间。
箱线图包含的主要数据和含义如下
中位数Q2数据集的中位数即数据集中处于中间位置的数。在箱线图中中位数以一条线表示位于箱体的中间。 上四分位数Q3数据集中大于或等于所有数据75%的数。在箱线图中上四分位数是箱体顶部的线。 下四分位数Q1数据集中小于或等于所有数据25%的数。在箱线图中下四分位数是箱体底部的线。 上边缘最大值数据集中的最大值但不包括任何可能被视为异常值的点。在箱线图中上边缘以一条线表示位于箱体上方的短线上。 下边缘最小值数据集中的最小值同样不包括异常值。在箱线图中下边缘以一条线表示位于箱体下方的短线上。 此外箱线图通常还会标出异常值这些点通常远离箱体的主体部分可能表示数据中的错误、测量误差或特殊事件。
# 箱线图: 用于显示多种统计信息最小值1/4分位中位数3/4分位最大值以及离群值如果有
# 1. 绘制画布, 坐标
fig, ax plt.subplots(figsize(12, 6))
# 2. 绘制 箱线图.
sns.boxplot(datatips, xtime, ytotal_bill)
ax.set_title(总账小费之间关系图)
plt.show()代码实现
5.小提琴图violinplot
小提琴图Violin Plot是一种数据可视化图表它结合了箱线图和核密度图的特点用于展示数据的分布和概率密度。小提琴图通常用于比较多个组或类别之间的数据分布以及观察单个变量的分布情况。
小提琴图的主体部分是一组垂直排列的“小提琴”形状每个小提琴代表一个数据组或类别。小提琴的宽度表示数据点在该位置的密度越宽表示该位置的数据点越多越窄则表示数据点越少。中间的黑色粗线条表示四分位数的范围即25%至75%的数据分布范围。从小提琴的顶部和底部延伸出来的细线称为“须”表示数据的最大值和最小值或95%的置信区间。
与箱线图相比小提琴图的优势在于除了显示中位数、四分位数等统计数据外还展示了数据的整体分布形状从而提供了更丰富的信息。
# 多变量, 通过 颜色区分.
# 例如: 使用violinplot函数时可以通过hue参数按性别sex给图着色, 可以为“小提琴”的左右两半着不同颜色用于区分性别# white, dark, whitegrid, darkgrid, ticks
# sns.set_style(ticks)fig, ax plt.subplots(figsize(12, 6))
sns.violinplot(datatips, xtime, ytotal_bill, huesex, splitTrue) # hue性别
ax.set_title(总账小费之间关系图)
plt.show()图表展示
四、Seaborn主题和样式
上面的Seaborn图都采用了默认样式可以使用sns.set_style函数更改样式。 该函数只要运行一次后续绘图的样式都会发生变化 Seaborn有5种样式:
darkgrid 黑色网格默认whitegrid 白色网格dark 黑色背景white 白色背景ticks 刻度线 语法
sns.set_style(主题名)fig,ax plt.subplots()
ax sns.violinplot(xtime,ytotal_bill,huesex,data tips,split True)结语
到目前为止panda入门已经学完了接下来就是运用pandas强大的功能去完成实际的项目啦。 本系列博客主要深入介绍了Pandas这个强大的Python数据处理库其核心功能和应用场景。我们详细探讨了以下几个方面 核心数据结构Pandas提供了两个核心数据结构——DataFrame和Series。DataFrame是一个二维的、大小可变的、可以存储多种类型数据的表格型数据结构它非常适合存储和处理现实世界中的表格数据如CSV文件或数据库中的数据。Series则是一维数组型数据结构用于处理单一类型的数据序列。 数据操作功能Pandas提供了丰富的数据操作功能包括数据筛选、排序、分组聚合、数据转换等。这些功能使得用户可以轻松地对数据进行各种复杂的操作从而满足不同的数据处理和分析需求。 数据处理流程我们学习了Pandas在数据处理流程中的应用包括数据读取、数据清洗、数据转换和数据输出等步骤。Pandas能够方便地处理缺失值、异常值提供数据重塑和合并等功能使数据处理流程更加高效和自动化。 与其他库的集成Pandas能够与其他Python库无缝集成如NumPy用于数值计算、Matplotlib、seaborn用于数据可视化等。这种集成性使得Pandas在数据处理和分析领域具有更广泛的应用前景。 性能优化我们还探讨了如何在使用Pandas时进行优化包括利用向量化操作提高性能、选择合适的数据类型减少内存占用等。这些优化技巧能够帮助我们更高效地使用Pandas处理大规模数据集。
下次的专栏就是机器学习啦如果学习的途中有疑问欢迎在评论区留言有时间的话一定会回复哈
