5.7 Seaborn图表

Seaborn是一个基于Matplotlib的高级可视化效果库，偏向于统计图表，主要针对的是数据挖掘和机器学习中的变量特征选取，相比Matplotlib，他的语法相对简单，但是具有一定的局限性，本节主要介绍线性回归模型，箱型图，核密度图，提琴图。

1.线性回归模型（seaborn.lmplot）

Seaborn可以直接绘制线性回归模型，用于描述线性关系。

1).语法：

seaborn.lmplot(x=None, y=None, data=None, hue=None, col=None, row=None,palette=None, col_wrap=3, size=5, markers="o")

参数说明:
x, y：x,y轴数据
data：数据集
hue：散点图中的分类字段
col：列分类变量，构成子集
row：行分类变量
col_wrap：控制每行子图的数量
size：控制子图的高度
markers：点的形状

2).示例：

Excel中的数据：
在这里插入图片描述
代码：

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

pd.set_option('display.unicode.east_asian_width', True)
df = pd.read_excel('F:\\Note\\清单.xlsx', sheet_name='Sheet9')
print(df)

sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False  # 解决负号不显示的问题

# 绘制线性回归模型
sns.lmplot(x='总收入（千元）', y='利润（千元）', data=df)

# 显示图像
plt.show()

结果展示:
在这里插入图片描述

2.箱型图（seaborn.boxplot）

1).语法：

seaborn.boxplot(x=None, y=None,data=None, hue=None,order=None,hue_order=None,orient=None, color=None, palette=None, saturation=.75, width=.8,notch=False)

参数说明:
x，y：x,y轴数据
data：数据集
hue：分类字段
width：箱形图的宽度
notch：中间箱体是否显示缺口，默认值False

2).示例：

Excel中的数据:
在这里插入图片描述
代码:

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

pd.set_option('display.unicode.east_asian_width', True)
df = pd.read_excel('F:\\Note\\清单.xlsx', sheet_name='Sheet9')
print(df)

sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False  # 解决负号不显示的问题

#绘制箱型图
sns.boxplot(x='是否为工作日', y='总收入（千元）',hue='是否为工作日', data=df)

# 显示图像
plt.show()

结果展示:
在这里插入图片描述
从上图得知，数据存在异常值(上图中的红色框框)。箱型图实际上就是利用数据的分位数来识别数据的异常点，这一特点使得箱型图在学术界和工业界的应用非常广泛

3.核密度图（seaborn.kdeplot）

核密度在概率论中用来估计未知的密度函数，属于非参数检验的方法之一，通过核密度图可以比较直观的看出数据本身的分布数据。

1).语法：

seaborn.kdeplot(x=None, y=None, data=None,hue=None,shade=True )

参数说明:
x，y：x,y轴数据
data：数据集
hue：分类字段
shade：是否带阴影，默认值为True

2).示例1：

代码：

import matplotlib.pyplot as plt
import seaborn as sns

sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False  # 解决负号不显示的问题

# 调用seaborn自带的数据集
df = sns.load_dataset('iris')

# 绘制多个变量的核密度图
p1 = sns.kdeplot(df['sepal_width'], shade=True, color='r')
p1 = sns.kdeplot(df['sepal_length'], shade=True, color='b')

# 显示图像
plt.show()

结果展示:
在这里插入图片描述

3).示例2：边际核密度图

代码：

import matplotlib.pyplot as plt
import seaborn as sns

# sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False  # 解决负号不显示的问题

# 调用seaborn自带的数据集
df = sns.load_dataset('iris')

# 绘制多个变量的核密度图
sns.jointplot(x=df['sepal_length'], y=df['sepal_width'], shade=True, kind='kde', space=0)

# 显示图像
plt.show()

结果展示:
在这里插入图片描述

4.提琴图（seaborn.violinplot）

提琴图结合了箱型图和核密度图的特性，用于展示数据的分布情况，粗黑线表示四分数范围，延长的细线表示95%的置信区间，白点为中位数。提琴图弥补了箱型图的不足，可是展示数据分布是双模还是多模

1).语法：

seaborn.violinplot(x=None, y=None,data=None,hue=None, order=None, hue_order=None)

参数说明:
x，y：x,y轴数据
data：数据集
hue：分类字段

2).示例：

Excel中的数据：
在这里插入图片描述
代码：

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

pd.set_option('display.unicode.east_asian_width', True)
df = pd.read_excel('F:\\Note\\清单.xlsx', sheet_name='Sheet9')
print(df)

sns.set_style('darkgrid')

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码
plt.rcParams['axes.unicode_minus'] = False  # 解决负号不显示的问题

# 绘制提琴图
sns.violinplot(x='是否为工作日', y='总收入（千元）',hue='是否为工作日', data=df)

# 显示图像
plt.show()