2021年第一篇博客
1.Seaborn介绍
为了使用Python分析一组数据，我们使用了Matplotlib，这是一个广泛实现的2D绘图库。同样，Seaborn是Python中的可视化库。它建立在Matplotlib之上。
Seaborn有助于解决Matplotlib面临的两个主要问题; 问题是
- 默认的Matplotlib参数
- 使用数据框架
随着Seaborn对Matplotlib的称赞和扩展，学习曲线非常渐进。如果你知道Matplotlib，你已经在Seaborn的中途了。
Seaborn构建于Python的核心可视化库Matplotlib之上。它旨在作为补充，而不是替代。然而，Seaborn带有一些非常重要的功能。我们在这里看一些。这些功能有助于
- 内置主题的样式matplotlib图形
- 可视化单变量和双变量数据
- 拟合并可视化线性回归模型
- 绘制统计时间序列数据
- Seaborn与NumPy和Pandas数据结构配合良好
- 它内置了Matplotlib图形样式的主题
在大多数情况下，您仍然可以使用Matplotlib进行简单的绘图。建议使用Matplotlib的知识来调整Seaborn的默认图。
2.Seaborn环境配置
#pip安装
pip install seaborn
#或者anaconda安装
conda install seaborn
3.Seaborn自带数据集
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#打印seaborn自带的数据集名字
print(sns.get_dataset_names())
结果如下：
访问其中的数据集（很不稳定，经常因为网络原因访问失败）
#访问数据集
data=sns.load_dataset("dots")
print(data.head(10))
这里我们将数据集下载下来给大家
链接: 百度网盘seaborn数据集链接.
提取码：ytgb
4.Seaborn图样式
操作样式的界面是 set_style（） 。使用此功能可以设置绘图的主题。根据最新更新版本，以下是可用的五个主题。
- Darkgrid
- Whitegrid
- Dark
- White
- Ticks
例如：
import seaborn as sns
sns.set_style('Darkgrid')
5.Seaborn调色板
#Seaborn提供了一个名为 color_palette（） 的函数，可用于为图表添加颜色并为其添加更多美学价值。
seaborn.color_palette（palette = None，n_colors = None，desat = None）
参数解释：
| 参数 | 解释 |
|---|---|
| n_colors | 调色板中的颜色数。如果为None，则默认值取决于指定调色板的方式。默认情况下，n_colors的值为10种颜色。 |
| desat | 每种颜色去饱和的比例。 |
from matplotlib import pyplot as plt
import seaborn as sns
#实例化一个调色板
current_palette = sns.color_palette()
#seaborn.palplot（） 可将调色板颜色水平排列
sns.palplot(current_palette)
plt.show()
结果如下：
设置连续颜色的调色板
import seaborn as sns
from matplotlib import pyplot as plt
#设置连续颜色的调色板
current_palette = sns.color_palette()
sns.palplot(sns.color_palette("Greens"))
plt.show()
结果如下：
在画图中，函数 color_palette（） 有一个名为 set_palette（） 的伴侣，set_palette（）可以设置画图时的颜色
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import pyplot as plt
x = np.linspace(0, 14, 100)
y=np.sin(x)
#将线条的颜色设置为绿色，且深浅等级为4
sns.set_palette("Greens",4)
plt.plot(x,y)
plt.show()
结果如下：
6.Seaborn条形图
seaborn.distplot(data,bins,hist,kde)
| 变量 | 解释 |
|---|---|
| data | 1d数组或列表 |
| bins | 组织箱的规格 |
| hist | 布尔 |
| kde | 布尔 |
实现：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import pyplot as plt
data=pd.read_csv(r'C:\Users\Administrator\Desktop\seaborn-data-master\iris.csv')
#displot选择出数据单一变量，快速查看单变量
sns.displot(data['petal_length'],kde=False)
plt.show()
7.Seaborn核密度估计
核密度估计（KDE）是一种估计连续随机变量的概率密度函数的方法。它用于非参数分析。
seaborn.kdeplot(data, data2=None, shade=False,
vertical=False, kernel='gau', bw='scott',
gridsize=100, cut=3, clip=None,
legend=True, cumulative=False,
shade_lowest=True, cbar=False,
cbar_ax=None, cbar_kws=None, ax=None, **kwargs)
例：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import pyplot as plt
data=pd.read_csv(r'C:\Users\Administrator\Desktop\seaborn-data-master\iris.csv')
#displot选择出数据单一变量，快速查看单变量
sns.kdeplot(data['petal_length'])
plt.show()
结果如下：
8.Seaborn散点图
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None,
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,
size_order=None, size_norm=None, markers=True, style_order=None,
x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000,
alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
| 参数 | 解释 |
|---|---|
| x，y | 容易理解就是你需要传入的数据，一般为dataframe中的列； |
| hue | 也是具体的某一可以用做分类的列，作用是分类； |
| data | 是你的数据集，可要可不要，一般都是dataframe； |
| style | 绘图的风格（后面单独介绍）； |
| size | 绘图的大小（后面介绍）； |
| palette | 调色板（后面单独介绍）； |
| markers | 绘图的形状（后面介绍）； |
| ci | 允许的误差范围（空值误差的百分比，0-100之间），可为‘sd’，则采用标准差（默认95）； |
| n_boot（int） | 计算置信区间要使用的迭代次数； |
| alpha | 透明度； |
| x_jitter，y_jitter | 设置点的抖动程度。 |
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import pyplot as plt
data1=pd.read_csv(r'C:\Users\Administrator\Desktop\seaborn-data-master\iris.csv')
#displot选择出数据单一变量，快速查看单变量
sns.scatterplot('petal_length','petal_width',data=data1)
plt.show()
结果如下：