🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972
个人介绍: 研一｜统计学｜干货分享
擅长Python、Matlab、R等主流编程软件
累计十余项国家级比赛奖项，参与研究经费10w、40w级横向
文章目录
- 1 Pandas和Seaborn可视化
- 2 Pandas可视化
- 3 Seaborn可视化
- 3.1 折线图
- 3.2 核密度图
- 3.3 散点图矩阵
- 3.4 联合分布图
- 3.5 直方图
【Python进阶（十一）】—— Pandas和Seaborn可视化，建议收藏！
该篇文章主要讲解了Python的Pandas和Seaborn可视化，通过实例演示对Pandas和Seaborn绘图方法进行熟悉，演示了常见绘图图形：折线图、核密度图等，同时部分图形进行美化。
1 Pandas和Seaborn可视化
上一节我们演示了Matplotlib基础可视化，这一节，我们将进一步探索Python中另外两个强大的可视化工具：Pandas和Seaborn，它们各自在数据处理和美化图表方面有着独特的优势。
Pandas绘图的优势：
- 集成性：Pandas的绘图功能紧密集成在其DataFrame和Series对象上，使得数据分析和可视化可以无缝衔接。用户可以直接在数据处理后，利用Pandas的绘图函数快速生成图表，无需将数据转换到其他可视化库中。
- 便捷性：Pandas提供了多种快速生成图表的函数，如
.plot(),.hist(),.boxplot()等，这些函数默认参数就能满足大部分基础需求，同时也支持高度自定义，以满足复杂的数据可视化需求。 - 灵活性：Pandas的绘图功能基于matplotlib构建，因此用户可以轻松地将matplotlib的样式和功能应用到Pandas生成的图表上，实现图表的美化和功能的扩展。
- 数据驱动的绘图：Pandas的绘图功能是基于数据的，它会自动处理数据索引、标签等，使得绘图过程更加直观和方便。用户无需手动设置图表的x轴、y轴标签等，这些都会根据DataFrame或Series的索引和列名自动生成。
Seaborn绘图的优势：
- 统计绘图：Seaborn是一个基于matplotlib的高级绘图库，它提供了更多面向统计学的绘图功能，如分布图、关系图、时间序列图等。这些功能使得Seaborn特别适合用于数据分析和统计建模的可视化。
- 美化效果：Seaborn通过提供丰富的样式和颜色主题，以及自动调整图表的美学参数（如字体大小、颜色搭配等），使得生成的图表更加美观和具有吸引力。这有助于在报告和演示中更好地展示数据。
- 集成性：尽管Seaborn是基于matplotlib构建的，但它提供了更高级别的接口，使得用户可以用更少的代码实现更复杂的数据可视化。同时，Seaborn也支持与Pandas的DataFrame对象直接交互，进一步增强了其集成性和便捷性。
- 数据探索：Seaborn的绘图功能特别适合用于数据探索，它可以帮助用户快速发现数据中的模式和关系。通过生成各种统计图表，用户可以直观地了解数据的分布情况、相关性等，从而为后续的数据分析和建模提供有力支持。
综上所述，Pandas和Seaborn在绘图方面各有优势，Pandas更适合于快速生成基础图表和数据处理后的即时可视化，而Seaborn则更适合于统计绘图、数据探索和生成美观的图表。在实际应用中，用户可以根据具体需求选择适合的库进行可视化操作。
2 Pandas可视化
运行程序：
import pandas as pd
women = pd.read_csv('women.csv',index_col =0)
women.plot(kind="bar")#柱状图
plt.show()
women.plot(kind="barh") #横向柱状图
plt.show()
women.plot(kind="bar",x="height",y="weight",color="g") #横轴为身高，纵轴为体重，颜色为g
plt.show()
women.plot(kind="kde")#核密度估计曲线
plt.show()
women.plot(kind="bar",x="height",y="weight",color="g")
plt.legend(loc="best")#图例位置为“最优”
plt.show()
运行结果：
3 Seaborn可视化
3.1 折线图
运行程序：
#导入包
import matplotlib.pyplot as plt
plt.style.use("classic")
%matplotlib inline
#数据准备
import numpy as np
import pandas as pd
rng= np.random.RandomState(0)
x=np.linspace(0,10,500)
y=np.cumsum(rng.randn(500,6),0) #计算各行数组累加值
plt.plot(x,y)
plt.legend("abcded",ncol=2,loc="upper left")
运行结果：
运行程序：
import seaborn as sns#seaborn绘图更加美观
sns.set()
plt.plot(x,y)
plt.legend("abcdef",ncol=2,loc="upper left")#设置图例参数；ncol：图例列数
运行结果：
3.2 核密度图
运行程序：
sns.kdeplot(women.height, shade=True) #核密度估计图
运行结果：
运行程序：
sns.distplot(women.height)#displot图：直方图+kdeplot图
运行结果：
3.3 散点图矩阵
运行程序：
sns.pairplot(women) #绘制散点图矩阵
运行结果：
3.4 联合分布图
运行程序：
sns.jointplot(women.height,women.weight,kind="reg")#联合分布图
运行结果：
运行程序：
with sns.axes_style("white"):
sns.jointplot(women.height,women.weight,kind="reg")#加入with语句，使设置更美观
运行结果：
3.5 直方图
运行程序：
for x in ["height","weight"]:
plt.hist(women[x],normed=True,alpha=0.5)#利用循环绘制直方图
运行结果：
