Seaborn学习记录

seaborn是一个关注于统计的python高级绘图库，其实虽然是关注于统计，但科学计算结果的可视化往往会涉及到两个量之间关系的表达，因此，曲线图或者散点图是必不可少，因此，seaborn的使用也绝非限制在统计学范畴，任何想要进行数据可视化的人都可以使用。对于seaborn来说，它是基于python的matplotlib库的高级封装，能够通过封装好的API进行绘图，且代码量大大减少，当然高度的封装和定制，会限制绘图的自由性，但是不可否认的是seaborn提供了良好的色彩搭配，使得获得高质量图形的代价大大降低。所以，对于熟悉matplotlib库的人来说，seaborn作为一个进阶或者偷懒学习是非常值得的。

seaborn是基于matplotlib实现的，所以，足够的了解matplotlib的面向对象的使用方法，对于学习seaborn是有着巨大帮助的。在seaborn中，它提供了一些比较特殊、高度定制化封装的绘图函数，其具有多功能性，但其高度封装使得其返回对象不再是matplotlib的aexs对象，所以使用上多多少少会有着一点差别。这几个函数主要是relplot()，lmplot()等，当然这两个可能是使用较为频繁的。

relplot()的认识

relplot，顾名思义就是进行关系relationship的绘图，它即可以进行line的绘制，也可以进行scatter散点图的绘制。但是需要注意的是relplot最大的一点是，它返回的对象object不是matplotlib的axes对象，而是seaborn自己定义的叫作FaceGrid的一个对象，因此，matplotlib中对于图形参数设置的OOP语法形式是不能直接使用的,若想设置属性，必须参照seaborn给出的FaceGrid的方法使用说明进行。

seaborn绘图时，数据采用dataframe形式是最为方便的，当然这需要使用者前期进行好数据的清洗和整理，seaborn本身也能够直接使用numpy数组形式的数据进行绘制，但此时无法最大程度的发挥出seaborn的全部特性和功能。为了方便进行演示，采用seaborn内置的数据进行绘图学习，这个可以通过sns.load_dataset("dataname")来完成使用，他返回的数据形式是pandas的DataFrame形式，所以最好是对pandas的操作要有一定程度的了解。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("dark")

导入seaborn的tips数据后，这个数据是关于酒店费用和预定情况的，其中total_bill是总费用，对应的tips是小费，而sex列是消费者的性别，这一列数据的数据类型是string，不是数值型数据。同样，smoker列是顾客是否抽烟的一个记录数据，也都不是数值型数据。最后的size列是人数的一个统计，人数当然是数值。relplot中，会自动针对数据类型的不同显示出不同效果。所以，对数据进行基本的认识也非常必要的

tips = sns.load_dataset("tips")
tips

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4
...	...	...	...	...	...	...	...
239	29.03	5.92	Male	No	Sat	Dinner	3
240	27.18	2.00	Female	Yes	Sat	Dinner	2
241	22.67	2.00	Male	Yes	Sat	Dinner	2
242	17.82	1.75	Male	No	Sat	Dinner	2
243	18.78	3.00	Female	No	Thur	Dinner	2

<p>244 rows × 7 columns</p>

最简单的一种使用方式，就是直接调用，x轴和y轴直接进行数据的确定，relplot既可以提供line图也可以提供散点图，通过kind=参数可以进行调整，默认情况下是显示散点图。

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

seaborn是高度定制化的，API常常具有丰富的功能，relplot中，hue这个参数可以进行进一步的数据细分，在同一个图中增加一个可视化的维度，当设置hue="smoker时，由于smoker中的数据表示要么抽烟要么不抽烟，此时绘图结果中会进行这一项的区别，即抽烟的和不抽烟的会显示出不同的颜色以便进行区分。

sns.relplot(x="total_bill", y="tip", hue="smoker", data=tips);

​

​

采用散点图进行表达式，对于不同数据采用不同的标记形式可能是一个更好的方式，hue=通过颜色份区分数据，而style参数可以控制标记的形状，仍然以smoker列进行区分的化，结果如下：

sns.relplot(x="total_bill", y="tip", hue="smoker", style="smoker", data=tips);

​

​

DataFrame中的数据类型的不同，会导致relplot的结果产生不同的效果，smoker列是非数值类的数据，当hue="size"进行时，由于size列的数据是数值型，因此，hue控制的颜色会产生类似于颜色映射图一样的效果，会针对不同的数值大小显示不同色度的效果。颜色越深，表示对应的size列的数据值越大。

sns.relplot(x="total_bill", y="tip", hue="size", data=tips);

​

​

scatter形式的图，对于数据的区分还可以通过点的大小来进行，如果值越大，那么对应的点的尺寸越大，这也是一种比较好的区分方式。此时可以通过relplot的size=参数来完成。

sns.relplot(x="total_bill", y="tip", hue="size", size="size", data=tips);

​

​

如果先要显示曲线图，可以设置kind="line来实现。

sns.relplot(x="total_bill", y="tip", kind='line', data=tips);

fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint", y="signal", kind="line", data=fmri);
sns.relplot(x="timepoint", y="signal", ci=None, kind="line", data=fmri);
sns.relplot(x="timepoint", y="signal", hue="event", kind="line", data=fmri);

​

relplot的特殊之处

relplot是一个高级的封装函数，能够实现line和scatter的绘图，而seaborn中的scatterplot和lineplot函数分别能够进行专门的实现，relplot最大的不同在于，他返回的对象是seaborn的FaceGrid对象，而不是matplotlib的axes对象，relplot不接受ax的输入，但是scatterplot和lineplot是可以接受的，因此，这两个函数使用时以及设置图形属性时，与matplotlib的绘图基本一致。但是relplot函数如果要设置属性需要使用FaceGrid的方法进行。这是需要注意的。

seaborn中的高级绘图函数，要想充分的利用其功能性，对于事先数据的处理是十分重要的，一方面数据的准备要考虑到seaborn的特性，另一方面，需要对基本数据具有深入的认识和了解。

本站文章如非特别说明，均为原创。未经本人同意，请勿转载！转载请务必注明出处！