数据可视化 seaborn绘图(2)

统计关系可视化

最常用的关系可视化的函数是relplot

seaborn.relplot(x=Noney=Nonehue=Nonesize=Nonestyle=Nonedata=Nonerow=Nonecol=Nonecol_wrap=Nonerow_order=Nonecol_order=Nonepalette=Nonehue_order=Nonehue_norm=Nonesizes=Nonesize_order=Nonesize_norm=Nonemarkers=Nonedashes=Nonestyle_order=Nonelegend='brief'kind='scatter'height=5aspect=1facet_kws=None**kwargs)

Figure-level interface for drawing relational plots onto a FacetGrid.

详细的api解释在此

replot通过参数颜色/色调(hue),大小(size)和形状/风格(style)可以额外表达三个变量的信息.

  1. 散点图scatter plot
  2. 线图line plot

当数据类型都是numberic的时候,最常用的是scatterplot().

relplot的默认kind是‘scatter’,代表scatterplot。

import seaborn as sns
sns.set()
tips = sns.load_dataset("tips")

我们加载tips这个数据集.这是一个描述了客户用餐及小费的数据集.

下面简要的看一下这个数据集前几行.

数据可视化 seaborn绘图(2)

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

数据可视化 seaborn绘图(2)

这时候可以看到我们绘制出了total_bill,tip两种数据的散点图.

现在我们想再在图上添加这个就餐的顾客抽不抽烟.我们可以

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

数据可视化 seaborn绘图(2)

为了进一步增加辨识度,可以进一步改进如下:

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

数据可视化 seaborn绘图(2)

此时,颜色和形状表达的都是是否为smoker这一信息.

你也可以用hue和style分别表示不同的信息.

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

数据可视化 seaborn绘图(2)

此时,既有蓝色的圆(顾客抽烟,吃的午饭),也有黄色的圆(顾客不抽烟,吃的午饭).蓝色的×(顾客抽烟,吃的晚饭),黄色的×(顾客不抽烟,吃的晚饭).

上面的图hue=‘smoker’.smoker是一个分类变量(categorical),当hue=‘size’时,size是一个numeric变量.着色方案会更改.

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

数据可视化 seaborn绘图(2)

你可以定制化自己的着色方案.

sns.relplot(x="total_bill", y="tip", hue="size", palette="ch:r=-.5,l=.75", data=tips);

数据可视化 seaborn绘图(2)

size参数可以改变大小.

数据可视化 seaborn绘图(2)

下面讲线图

有的数据集,你可能想探索一下连续变量的变化情况.这时候线图就派上用场了.

你可以用lineplot()或者relplot(kind='line')

df = pd.DataFrame(dict(time=np.arange(500),
value=np.random.randn(500).cumsum()))

数据可视化 seaborn绘图(2)

看一下这个数据集,time是递增的time,value是浮点数.

对于x变量的相同值,更复杂的数据集将具有多个测量值。seaborn中的默认行为是通过绘制均值和围绕均值的95%置信区间来聚合每个x值上的多个测量值:

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

数据可视化 seaborn绘图(2)

数据可视化 seaborn绘图(2)

可以通过ci参数控制是否绘制这个区间,因为大数据集下区间的绘制比较耗时.

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

类似于点图,也可以利用颜色,形状之类的参数来表达变量信息.

sns.relplot(x="timepoint", y="signal", hue="region", style="event",
dashes=True, markers=True, kind="line", data=fmri);

数据可视化 seaborn绘图(2)

用facets表达多变量之间的关系

relplot()是基于FacetGrid的,所以很容易做到这一点.那么,你可以在多个轴上绘制数据集.

比如对tips数据集,time的值有Lunch和Dinner。之前我们是用hue/style来表示这个信息的.现在我们可以这么做:

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

数据可视化 seaborn绘图(2)

从更多的facet绘制数据:

sns.relplot(x="timepoint", y="signal", hue="subject",
col="region", row="event", height=3,
kind="line", estimator=None, data=fmri);

数据可视化 seaborn绘图(2)

sns.relplot(x="timepoint", y="signal", hue="event", style="event",
col="subject", col_wrap=5,
height=3, aspect=.75, linewidth=2.5,
kind="line", data=fmri.query("region == 'frontal'"));

col_wrap表示一行展示几个图.

数据可视化 seaborn绘图(2)

上一篇:javaCV开发详解之6:本地音频(话筒设备)和视频(摄像头)抓取、混合并推送(录制)到服务器(本地)


下一篇:[翻译]Review——How to do Speech Recognition with Deep Learning