关键词：
seaborn库
Seaborn是一种基于matplotlib的图形可视化库。他提前已经定义好了一套自己的风格。然后也封装了一系列的方便的绘图函数，之前通过matplotlib需要很多代码才能完成的绘图，使用seaborn可能就是一行代码的事情。总结一句话：使用seaborn绘图比matplotlib更好看，更简单！
安装：
- 通过
pip：pip install seaborn。 - 通过
anaconda：conda install seaborn。
官方文档：
https://seaborn.pydata.org/tutorial.html
Seaborn用起来还是很方便！
关系绘图
relplot
这个函数功能非常强大，可以用来表示多个变量之间的关联关系。默认情况下是绘制散点图，也可以绘制线性图，具体绘制什么图形是通过kind参数来决定的。
实际上以下两个函数就是relplot的特例：
scatterplot：relplot(kind='scatter')。lineplot：relplot(kind='line')。
1. 基本使用：
import seaborn as sns
tips = sns.load_dataset("tips",cache=True)
sns.relplot(x="total_bill",y="tip",data=tips)
效果图如下：
2. 添加hue参数：
hue参数是用来控制第三个变量的颜色显示的。比如我们在以上图的基础之上体现出星期几的参数，那么可以通过以下代码来实现：
sns.relplot(x="total_bill",y="tip",hue="day",data=tips)
效果图如下：
3. 添加col和row参数：
col和row，可以将图根据某个属性的值的个数分割成多列或者多行。比如在以上图的基础之上我们想要把Lunch(午餐)和Dinner(晚餐)分割成两个图来显示，那么可以通过以下代码来实现：
sns.relplot(x="total_bill",y="tip",hue="day",col="time",data=tips)
效果图如下：
也可以再在row上添加一个新的变量，比如把性别按照行显示出来，代码如下：
sns.relplot(x="total_bill",y="tip",hue="day",col="time",row="sex",data=tips)
效果图如下：
4. 指定具体的列：
有时候我们的图有很多，默认情况下会在一行中全部展示出来，那么我们可以通过col_wrap来指定具体多少列。示例代码如下：
sns.relplot(x="total_bill",y="tip",col="day",col_wrap=2,data=tips)
效果图如下：
5. 绘制折线图：
relplot通过设置kind="line"可以绘制折线图。并且他的功能比plt.plot更加强大。plot只能指定具体的x和y轴的数据（比如x轴是N个数，y轴也必须为N个数）。而relplot则可以在自动在两组数据中进行计算绘图。示例代码如下：
fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint",y="signal",kind="line",data=fmri)
效果图如下：
当然也可以添加其他的参数，用来控制整个图的样式和结构。示例代码如下：
# 设置hue为event，就会根据event来绘制不同的颜色
# 设置col为region，就会根据region值的个数来绘制指定个数的图
# 设置style为event，就会根据event来设置线条的样式
sns.relplot(x="timepoint",y="signal",kind="line",hue="event",col="region",style="event",data=fmri)
效果图如下：
分类绘图
分类图的绘制，采用的是sns.catplot来实现的。cat是category的简写。这个方法默认绘制的是分类散点图，如果想要绘制其他类型的图，同样也是通过kind参数来指定。并且分类绘图中，分成分类散点图，分类分布图，分类统计图。
1. 分类散点图：
分类散点图比较适合数据量不是很多的情况，他是用catplot来实现，但是也有以下两个特别的方法。
stripplot()：catplot(kind="strip")，默认的。swarmplot()：catplot(kind="swarm")。
1.1. stripplot：
示例代码如下：
sns.catplot(x="day",y="total_bill",data=tips,hue="sex")
示例图如下：
1.2. swarmplot：
以上图展示的是按照星期几的分类散点图，看起来这些点有点重合，如果想要散开来，那么可以使用catplot(kind="swarm")。示例代码如下：
sns.catplot(x="day",y="total_bill",kind="swarm",data=tips,hue="sex")
catplot方法不能使用size和style参数。
1.3. 横向分类散点图：
想要将垂直的分类散点图变成横向的，只需要把x和y对应的值进行互换即可。
sns.catplot(y="day",x="total_bill",kind="swarm",data=tips,hue="sex")
效果图如下：
2. 分类分布图：
分类分布图，主要是根据分类来看，然后在每个分类下数据的分布情况。也是通过catplot来实现，以下三个方法分别是不同的kind参数：
boxplot()：catplot(kind="box")。violinplot()：catplot(kind="violin")。
2.1. 箱线图：
示例代码如下：
athletes = pd.read_csv("athlete_events.csv")
countries =
'CHN':'中国',
'JPN':"日本",
'KOR':'韩国',
'USA':"美国",
'CAN':"加拿大",
'BRA':"巴西",
'GBR':"英国",
'FRA':"法国",
'ITA':"意大利",
'ETH':"埃塞俄比亚",
'KEN':"肯尼亚",
'NIG':"尼日利亚",
plt.rcParams['font.sans-serif'] = ['FangSong']
# print(plt.rcParams.keys())
need_athletes = athletes[athletes['NOC'].isin(list(countries.keys()))]
g = sns.catplot(x="NOC",y="Height",data=need_athletes,kind="box",hue="Sex")
g.fig.set_size_inches(20,5)
g.set_xticklabels(list(countries.values()))
效果图如下：
2.2. 小提琴图：
小提琴实际上就是两个对称的核密度曲线合并起来，然后中间是一个箱线图（也可以为其他图）组成的。通过小提琴图可以看出数据的分布情况。
示例代码如下：
sns.catplot(x="day",y="total_bill",data=tips,kind="violin",hue="sex",split=True)
效果图如下：
小提琴的中间默认绘制的是箱线图，也可以修改为其他类型的。可以通过inner参数修改，这个参数有以下几个选项：
-
box：默认的，箱线图。 -
quartile：四分位数。上下四分位数加中位数。
-
point：散点。
-
stick：线条。
3. 分类统计图：
分类统计图，则是根据分类，统计每个分类下的数据的个数或者比例。有以下几种方式：
barplot()：catplot(kind="bar")。pointplot()：catplot(kind="point")。countplot()：catplot(kind="count")。
3.1. 条形图：
seaborn中的条形图具有统计功能，可以统计出比例，平均数，也可以按照你想要的统计函数来统计。
示例代码如下：
1. 统计平均数：
# 统计星期三到星期天的消费总额的平均数
sns.catplot(x="day",y="total_bill",data=tips,kind="bar")
2. 统计比例：
# 统计男女中获救的比例
sns.catplot(data=titanic,kind="bar",x="sex",y="survived")
3. 自定义统计函数：
# 自定义统计函数，统计出每个性别下获救的人数
sns.barplot(x="sex",y="survived",data=titanic,estimator=lambda values:sum(values))
3.2. 柱状图：
柱状图是专门用来统计某个单一变量出现数量的图形。示例代码如下：
sns.catplot(x="sex",data=titanic,kind="count")
也可以通过使用hue参数来指定分组：
sns.catplot(x="day",kind="count",data=tips,hue="sex")
3.3. 点线图：
点线图可以非常方便的看到变量之间的趋势变化。示例代码如下：
sns.catplot(x="sex",y="survived",data=titanic,kind="point",hue="class")
效果图如下：
分布绘图
分布绘图分为单一变量分布，多变量分布，成对绘图。以下进行讲解。
单变量分布：
单一变量主要就是通过直方图来绘制。在seaborn中直方图的绘制采用的是distplot，其中dist是distribution的简写，不是histogram的简写。
示例代码如下：
sns.set(color_codes=True)
titanic = sns.load_dataset("titanic")
titanic = titanic[~np.isnan(titanic['age'])]
sns.distplot(titanic['age'])
效果图如下：
有以下常用参数：
kde（核密度曲线）：这个代表是否要显示kde曲线，默认是显示的，如果显示kde曲线，那么y轴表示的就是概率，而不是数量。也可以设置为False关掉。
示例代码如下：
sns.distplot(titanic['age'],kde=False)
bins：代表这个直方图显示的数量。也可以通过自己设置。
示例代码如下：
sns.distplot(titanic['age'],bins=30)
rug：代表是否需要显示底部的胡须下线，下面的胡须线越密集的地方，说明数据量越多。
示例代码如下：
sns.distplot(titanic['age'],rug=True)
二变量分布：
多变量分布图可以看出两个变量之间的分布关系。一般都是采用多个图进行表示。
多变量分布图采用的函数是jointplot。
散点图：
示例代码如下：
tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips)
效果图如下：
通过设置kind='reg'可以设置回归绘图和核密度曲线。
示例代码如下：
g = sns.jointplot(x="total_bill", y="tip", data=tips,kind="reg")
效果图如下：
六边形图：
对于一些数据量特别大的数据，用散点图不太利于观察，比如查看奥运会中国运动员的身高和体重分布情况，如果用散点图将会是以下的效果：
athletes = pd.read_csv("athlete_events.csv")
china_athletes = athletes[athletes['NOC']=='CHN']
sns.jointplot(x="Height",y="Weight",data=china_athletes)
针对这种数据量比较大的情况，可以采用六边形图来绘制，也就是将之前的散点变成六边形，六边形有一个区间大小，之前这些点落在这个六边形中越多颜色越深。
示例代码如下：
sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex")
默认情况，在x轴的区间内，可以展示100个六边形，所以默认情况下六边形的尺寸会比较小，如果想要展示得更大一点，那么可以设置减少六边形的个数，通过gridsize设置。
示例代码如下：
sns.jointplot(x="Height",y="Weight",data=china_athletes,kind="hex",gridsize=20)
更多请参考：
jointplot其他常用参数：
x,y,data：绘制图的数据。kind：scatter、reg、resid、kde、hex。color：绘制元素的颜色。height：图的大小，图会是一个正方形。ratio：主图和副图的比例，只能为一个整形。space：主图和副图的间距。dropna：是否需要删除x或者y值中出现了NAN的值。marginal_kws：副图的一些属性，比如设置bins、rug等。
成对绘图（pairplot）：
pairplot可以把某个数据集中某几个字段之间的关系图一次性绘制出来。比如iris鸢尾花数据，我们想要看到petal_width、petal_height、sepal_width以及sepal_height之间的关系，那么我们就可以通过pairplot来绘制。
示例代码如下：
sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'])
效果图如下：
默认情况下，对角线的图（x和y轴的列相同）是直方图，其他地方的图是散点图，如果想要修改这两种图，可以通过diag_kind和kind来实现。
其中这两个参数可取的值为：
diag_kind：auto,hist,kde。kind：scatter,reg。
示例代码如下：
sns.pairplot(iris,vars=['sepal_length',"sepal_width",'petal_length','petal_width'],diag_kind="kde",kind="reg")
线性回归绘图
线性回归图可以帮助我们看到数据的关系趋势。在seaborn中可以通过regplot和lmplot两个函数来实现。regplot的x和y可以为Numpy数组、Series等变量。而lmplot的x和y则必须为字符串，并且data的值不能为空：
regplot(x,y,data=None)。lmplot(x,y,data)。
示例代码如下：
sns.lmplot(x="total_bill",y="tip",data=tips)
也可以通过regplot来实现。示例代码如下：
sns.regplot(x=tips["total_bill"],y=tips["tip"])
更多请参考文档：https://seaborn.pydata.org/tutorial/regression.html
FacetGrid结构图
之前我们在绘图的时候，学了relplot、catplot、lmplot等，这些函数可以通过col、row等在一个Figure中绘制多个图。这些函数之所以有这些功能，是因为他们的底层使用了FacetGrid来组装这些图形。今天我们就来学习FacetGrid的使用。
普通的Axes绘图：
在学习FacetGrid绘图之前，先来了解一下，实际上seaborn的绘图函数中也有大量的直接使用Axes进行绘图的，凡是函数名中已经明确显示了这个图的类型，这种图都是使用Axes绘图的。
比如sns.scatterplot、sns.lineplot、sns.barplot等。Axes绘图可以直接使用之前matplotlib的一些方式设置图的元素。
示例代码如下：
fig,[ax1,ax2] = plt.subplots(2,1,figsize=(10,10))
sns.scatterplot(x="total_bill",y="tip",data=tips,ax=ax1)
sns.barplot(x="day",y="total_bill",data=tips,ax=ax2)
FacetGrid基本使用：
先创建一个FacetGrid对象，然后再调用这个对象的map方法。其中map方法的第一个参数是一个函数，后续map将调用这个函数来绘制图形。后面的参数就是传给这个函数的参数。
示例代码如下：
tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips)
g.map(plt.scatter,"total_bill","tip")
效果图如下：
其中第一个参数是可以绘制Axes图，并且可以接收color参数的函数。可以取的值如下：
| 参数 | 描述 | 对应使用了FacetGrid函数 |
|---|---|---|
plt.plot/sns.lineplot | 绘制折线图 | sns.relplot(kind="line") |
plt.hexbin | 绘制六边形图形 | sns.jointplot(kind="hex") |
plt.hist | 绘制直方图 | sns.distplot |
plt.scatter/sns.scatterplot | 绘制散点图 | sns.relplot(kind="scatter") |
sns.stripplot | 绘制分类散点图 | sns.catplot(kind="strip") |
sns.swarmplot | 绘制散开来的分类散点图 | sns.catplot(kind="swarm") |
sns.boxplot | 绘制箱线图 | sns.catplot(kind="box") |
sns.violinplot | 绘制小提琴图 | sns.catplot(kind="violin") |
sns.pointplot | 绘制点线图 | sns.catplot(kind="point") |
sns.barplot | 绘制条形图 | sns.catplot(kind="bar") |
sns.countplot | 绘制数量柱状图 | sns.catplot(kind="count") |
sns.regplot | 绘制带有回归线的散点图 | sns.lmplot |
绘制多个图形：
FacetGrid可以通过col和row参数，来在一个Figure上绘制多个图形，其中col和row都是数据集中的某个列的名字。只要指定这个名字，那么就会自动的按照指定列的值的个数绘制指定个数的图形。
示例代码如下：
g = sns.FacetGrid(tips,col="day",col_wrap=2)
g.map(sns.regplot,"total_bill","tip")
效果图如下：
添加颜色观察字段：
可以通过添加hue参数来控制每个图中元素的颜色来观察其他的字段。
示例代码如下：
g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")
也可以通过hue_kws参数来添加hue散点的属性，比如设置散点的样式等。
设置每个图形的尺寸：
使用FacetGrid绘制出图形后，有时候我们想设置每个图形的尺寸或者是宽高比，那么我们可以通过在FacetGrid中设置height和aspect来实现，其中height表示的是每个图形的尺寸（默认是宽高一致），aspect表示的是宽度/高度的比例。
示例代码如下：
g = sns.FacetGrid(tips,col="day",row="time",height=10,aspect=2)
g.map(sns.regplot,"total_bill","tip")
效果图如下：
设置图例：
默认情况下，不会添加图例，我们可以通过g.add_legend()来添加图例。
示例代码如下：
g = sns.FacetGrid(tips,col="day",hue="time")
g.map(sns.regplot,"total_bill","tip")
g.add_legend()
另外还可以：
- 通过
title来控制图例的标题。 - 通过
label_order来控制图例元素的顺序。
示例代码如下：
sns.set(rc="font.sans-serif":"simhei")
g3 = sns.FacetGrid(tips,col="day",hue="time")
g3.map(plt.scatter,"total_bill","tip")
new_labels = ['午餐','晚餐']
g3.add_legend(title="时间")
for t,l in zip(g3._legend.texts,new_labels):
t.set_text(l)
设置标题：
设置标题可以通过g.set_titles(template=None,row_template=None,col_template=None)来实现，这三个参数分别代表的意义如下：
template：给图设置标题，其中有row_var：绘制每行图像的名称，row_name：绘制每行图像的值，col_var：绘制每列图像的名称，col_name：绘制每列图像的值这几个参数可以使用。col_template：给图像设置列的标题。其中有col_var以及col_name可以使用。row_template：给图像设置行的标题。其中有row_var以及row_name可以使用。
示例代码如下：
g = sns.宝藏级全网最全的matplotlib详细教程-数据分析必备手册（4.5万字总结）(代码片段)
...】全网最全的Matplotlib详细教程（4.5万字总结）1.数据分析中常用图折线图：柱状图：直方图：散点图：饼状图：箱线图：更多参考：2.Matplotlib库安装：基本使用：设置图的信息：设置... 查看详情
宝藏级全网最全的pandas详细教程（2万字总结）(代码片段)
【回炉重造】Python之Pandas详细教程前言为什么要学习Pandas?什么是Pandas?1.Pandas的索引操作1.Series和DataFrame中的索引都是Index对象2.索引对象不可变，保证了数据的安全3.常见的Index种类3.1Series索引1.index指定行索引名2.行索引3.切片... 查看详情
宝藏级全网最全的pandas详细教程（2万字总结）(代码片段)
【回炉重造】Python之Pandas详细教程前言为什么要学习Pandas?什么是Pandas?1.Pandas的索引操作1.Series和DataFrame中的索引都是Index对象2.索引对象不可变，保证了数据的安全3.常见的Index种类3.1Series索引1.index指定行索引名2.行索引3.切片... 查看详情
❄️全网最详细的python入门基础教程，python最全教程（非常详细，整理而来）
📢前言前两天闲来无事唠嗑，听朋友说Python是世界上最好的语言~🤡我内心很疑惑，最好的语言不是“C酷”🙈吗(狗头保命)于是想要学一学他说的这个最好的语言😏原文是一篇大佬发的，但是很多网... 查看详情
全网首发图像可视化新利器seaborn-image保姆级教程(代码片段)
...常见，本次分享一个非常优质的Python图像可视化工具seaborn-image，代码量非常低。Seaborn-image灵感源自Seaborn，风格如同Seaborn亲儿子🐶，强烈建议对比着Seaborn用，比如下文一直提到的Axeslevel/Figurelevel概念... 查看详情
《java小白到资深开发之路-最全教程|寻找c站宝藏》
文章大纲一:IntelliJIDEA开发工具教程二:JAVA入门教程三:JAVA基础知识的使用四:数据库的认识和使用五:如何正确使用图形化界面操作数据库六:JAVAWeb教程-拥有属于自己的第一个网页七:SSM的入门到精通八:SpringBoot的正确用法九:微服务... 查看详情
全网最全的博客美化系列教程07.添加一个分享的按钮吧(代码片段)
全网最全的博客美化系列教程相关文章目录【全网最全的博客美化系列教程】01.添加Github项目链接【全网最全的博客美化系列教程】02.添加QQ交谈链接【全网最全的博客美化系列教程】03.给博客添加一只萌萌哒的小仓鼠【全网最... 查看详情
全网最全的博客美化系列教程08.自定义地址栏logo(代码片段)
全网最全的博客美化系列教程相关文章目录【全网最全的博客美化系列教程】01.添加Github项目链接【全网最全的博客美化系列教程】02.添加QQ交谈链接【全网最全的博客美化系列教程】03.给博客添加一只萌萌哒的小仓鼠【全网最... 查看详情
全网最全的博客美化系列教程05.公告栏个性时间显示的实现(代码片段)
全网最全的博客美化系列教程相关文章目录【全网最全的博客美化系列教程】01.添加Github项目链接【全网最全的博客美化系列教程】02.添加QQ交谈链接【全网最全的博客美化系列教程】03.给博客添加一只萌萌哒的小仓鼠【全网最... 查看详情
全网最全的博客美化系列教程06.推荐和反对炫酷样式的实现(代码片段)
全网最全的博客美化系列教程相关文章目录【全网最全的博客美化系列教程】01.添加Github项目链接【全网最全的博客美化系列教程】02.添加QQ交谈链接【全网最全的博客美化系列教程】03.给博客添加一只萌萌哒的小仓鼠【全网最... 查看详情
androidv1签名与校验原理分析(全网最全最详细)(代码片段)
【前言】 AndroidApkV1签名方式是一开始时使用的签名方案，不过V1签名方式也称作Jar签名，顾名思义，就是V1签名并不是Android独有的签名方式，而且在Android还没出来时候，Jar包也是用这种方式进行签名检... 查看详情
全网最全讲解最详细的ps教程（第一期：基础教程1.0）
...f0c;请耐心阅读，下面是视频链接，搭配使用链接:全网最详细最全面的PS教程.1.快捷键的使用：这是Photoshop基础中的基础，却也是提高工作效率的最佳方法。快捷键的使用，使你可以将精力更好的集中在你的作... 查看详情
转：typora入门：全网最全教程
Typora入门：全网最全教程 查看详情
全网最全最新的大数据系统学习路径
大数据是对海量数据进行存储、计算、统计、分析处理的一系列处理手段，处理的数据量通常是TB级，甚至是PB或EB级的数据，这是传统数据处理手段所无法完成的，其涉及的技术有分布式计算、高并发处理、高可用处理、集群、... 查看详情
全网最全无错误的cmake教程20篇
CMake基础教程（1）什么是cmakeCMake基础教程（2）在Linux下为一个最简单的工程写一个最简单的CMakeLists.txt生成MakefileCMake基础教程（3）cmake变量 查看详情
死磕：sql行转列汇总（全网最全最详细）
参考技术A阅读目录PIVOT用于将列值旋转为列名（即行转列），在SQLServer2000可以用聚合函数配合CASE语句实现PIVOT的一般语法是：PIVOT(聚合函数(列)FOR列in(…))ASP注意：PIVOT、UNPIVOT是SQLServer2005的语法，使用需修改数据库兼容级别(在... 查看详情
累积八年真题！全网超详细蓝桥杯试题解析|寻找c站宝藏
Hello，你好呀，我是灰小猿！一个超会写bug的程序猿！很多小伙伴私信我在软件开发中算法的知识应该怎么学习，对于算法的训练又应该去参加哪些比赛，有很多也问过我一些关于ACM和蓝桥杯的一些知识。... 查看详情
全网最详细的python入门基础教程（非常详细，赶紧收藏）(代码片段)
前言前两天闲来无事唠嗑，听朋友说Python是世界上最好的语言,我内心很疑惑，最好的语言不是“C酷”吗(狗头保命)。于是想要学一学他说的这个最好的语言，于是我足足整理了两天，才将它整理齐全，有可能... 查看详情