import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

% matplotlib inline

sns.set_style("darkgrid")

sns.set_context("paper")

# 设置风格、尺度

import warnings

warnings.filterwarnings('ignore')

# 不发出警告

# 基本用法

tips = sns.load_dataset("tips")

print(tips.head())

# 加载数据

sns.lmplot(x="total_bill", y="tip", hue = 'smoker',data=tips,palette="Set1",

           ci = 70,   # 误差值

           size = 5,  # 图表大小

           markers = ['+','o'],  # 点样式

           )

# 拆分多个表格

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

# 多图表1

sns.lmplot(x="size", y="total_bill", hue="day", col="day",data=tips,

           aspect=0.6,    # 长宽比

           x_jitter=.30,  # 给x或者y轴随机增加噪音点

           col_wrap=4,    # 每行的列数

          )

# 多图表2

sns.lmplot(x="total_bill", y="tip", row="sex", col="time",data=tips, size=4)

# 行为sex字段，列为time字段

# x轴total_bill, y轴tip

# 非线性回归

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

           order = 2) #可以做更高阶的回归；2就是按照2次方做回归；

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

% matplotlib inline

sns.set_style("darkgrid")

sns.set_context("paper")

# 设置风格、尺度

import warnings

warnings.filterwarnings('ignore')

# 不发出警告

# 1、时间线图表 - tsplot()

# 简单示例

x = np.linspace(0, 15, 31)

data = np.sin(x) + np.random.rand(10, 31) + np.random.randn(10, 1)

print(data.shape)

print(pd.DataFrame(data).head()) #每一行数据是一个变量，31列是代表有31天或31种情况下的观测值。

# 创建数

sns.tsplot(data=data,

           err_style="ci_band",   # 误差数据风格，可选：ci_band, ci_bars, boot_traces, boot_kde, unit_traces, unit_points

           interpolate=True,      # 是否连线

           ci = [40,70,90],       # 设置误差 置信区间

           color = 'g'            # 设置颜色

          )

# 1、时间线图表 - tsplot()

# 简单示例

sns.tsplot(data=data, err_style="boot_traces",

           n_boot=300   # 迭代次数，就是有多少个线；

          )

# 1、时间线图表 - tsplot()

# 参数设置

gammas = sns.load_dataset("gammas")

print(gammas.head())

print('数据量为：%i条' % len(gammas))

print('timepoint为0.0时的数据量为：%i条' % len(gammas[gammas['timepoint'] == 0]))

print('timepoint共有%i个唯一值' % len(gammas['timepoint'].value_counts()))

# print(gammas['timepoint'].value_counts())  # 查看唯一值具体信息

# 导入数据

sns.tsplot(time="timepoint",     # 时间数据，x轴

           value="BOLD signal",  # y轴value

           unit="subject",       #

           condition="ROI",      # 分类

           data=gammas)

# gammas[['ROI', 'subject']]

# 2、热图 - heatmap()

# 简单示例

df = pd.DataFrame(np.random.rand(10,12))

# 创建数据 - 10*12图表

sns.heatmap(df,    # 加载数据

            vmin=0, vmax=1   # 设置图例最大最小值

            )

# 2、热图 - heatmap()

# 参数设置

flights = sns.load_dataset("flights")

flights = flights.pivot("month", "year", "passengers")

print(flights.head())

# 加载数据

sns.heatmap(flights,

            annot = True,      # 是否显示数值

            fmt = 'd',         # 格式化字符串

            linewidths = 0.2,  # 格子边线宽度

            #center = 100,      # 调色盘的色彩中心值，若没有指定，则以cmap为主

            #cmap = 'Reds',     # 设置调色盘

            cbar = True,       # 是否显示图例色带

            #cbar_kws={"orientation": "horizontal"},   # 是否横向显示图例色带

            #square = True,     # 是否正方形显示图表

           )

flights.head()

# 2、热图 - heatmap()   绘制半边热图

sns.set(style="white")

# 设置风格

rs = np.random.RandomState(33)

d = pd.DataFrame(rs.normal(size=(100, 26)))

corr = d.corr() #26*26的一个正方数据；     # 求解相关性矩阵表格

# 创建数据

mask = np.zeros_like(corr, dtype=np.bool)

mask[np.triu_indices_from(mask)] = True

# 设置一个“上三角形”蒙版

cmap = sns.diverging_palette(220, 10, as_cmap=True)

# 设置调色盘

sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,

            square=True, linewidths=0.2)

# 生成半边热图