数学建模--Seaborn库绘图基础的Python实现

news2025/1/12 23:11:22

目录

1.绘图数据导入

2. sns.scatterplot绘制散点图

3.sns.barplot绘制条形图

4.sns.lineplot绘制线性图

 5.sns.heatmap绘制热力图

 6.sns.distplot绘制直方图

 7.sns.pairplot绘制散图

 8.sns.catplot绘制直方图

9.sns.countplot绘制直方图 

10.sns.lmplot绘回归图


1.绘图数据导入

"""1.数据获取介绍:
Seaborn库函数中有很多的数据集,只要我们安装之后就可以直接使用.
这样就大大方便了我们进行数据分析.
只要执行sns.get_dataset_names()就可以知道我们可以使用那些数据集了
Ps:seaborn我们一般简写为sns
"""
import seaborn as sns
sns.get_dataset_names()

"""数据描述理解:
接下来我们可以查看具体的数据表中有什么类型的数据
直接输出表头就行data.head(50),这样就输出了前50个数据
当然你也可用到pandas中的一些操作也可以!
"""
import seaborn as sns
# 导出iris数据集
data = sns.load_dataset('iris')
data.head(50)

2. sns.scatterplot绘制散点图

#1.sns.scatterplot绘制散点图
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline

sns.set(style="white")
data1=sns.load_dataset('tips')
#x='total_bill'就是列表中的名称,不允许修改
fig=sns.scatterplot(x='total_bill',y='tip',data=data1,color='r',marker='*')
plt.title("Scatterplot Figure",color='black')
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Scatterplot.png', dpi=500, bbox_inches='tight')
plt.show()

3.sns.barplot绘制条形图

#2.sns.barplot绘制条形图
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
sns.set(style="white")
data1=sns.load_dataset('tips')
#x='total_bill'就是列表中的名称,不允许修改
fig=sns.barplot(x='day',y='total_bill',data=data1)
plt.title("Barplot Figure",color='black')
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Barplot.png', dpi=500, bbox_inches='tight')
plt.show()

4.sns.lineplot绘制线性图

#3.sns.lineplot绘制线性图
#绘制折线图和对应的置信区间
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
sns.set(style='white')
fmri = sns.load_dataset("fmri")
ax = sns.lineplot(x="timepoint", y="signal", data=fmri,color='r')
plt.title("Lineplot Figure",color='black')
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Lineplot.png', dpi=500, bbox_inches='tight')
plt.show()

 

 5.sns.heatmap绘制热力图

#4.sns.heatmap绘制热力图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
np.random.seed(0)#设置种子
sns.set(style='white')
test_data=np.random.rand(10,12)
fig=sns.heatmap(test_data, cmap="rainbow")
plt.title("HeayMap_Rain Figure",color='black')
plt.xlabel("x range from 0 to 11")
plt.ylabel("y range from 0 to 9")
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/HeayMap_Rain Figure.png', dpi=500, bbox_inches='tight')
plt.show()

 6.sns.distplot绘制直方图

#5.sns.distplot绘制直方图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
np.random.seed(0)#设置种子
sns.set(style='white')
x=np.random.randn(10000)
fig=sns.distplot(x, color='green')
plt.title("Distplot Figure",color='black')
plt.xlabel("x range from -inf to inf")
plt.ylabel("y range from 0 to 0.40")
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Distplot Figure.png', dpi=500, bbox_inches='tight')
plt.show()

 7.sns.pairplot绘制散图

#6.sns.pairplot绘制散图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
np.random.seed(0)#设置种子
sns.set(style='white')
x=sns.load_dataset("iris")
fig=sns.pairplot(x)
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Pairplot Figure.png', dpi=500, bbox_inches='tight')
plt.show()

 8.sns.catplot绘制直方图

#8.sns.catplot绘制直方图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
np.random.seed(0)#设置种子
sns.set(style='white')
x1=sns.load_dataset("exercise")
fig=sns.catplot(x='time',y='pulse',hue='kind',data=x1)
plt.title("Catplot Figure",color='b')
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Catplot Figure.png', dpi=500, bbox_inches='tight')
plt.show()

 

9.sns.countplot绘制直方图 

#9.sns.countplot绘制直方图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
np.random.seed(0)#设置种子
sns.set(style='white')
x1=sns.load_dataset("titanic")
fig=sns.countplot(x='class',data=x1)
plt.title("Countplot Figure",color='b')
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Countplot Figure.png', dpi=500, bbox_inches='tight')
plt.show()

 

10.sns.lmplot绘回归图

#10.sns.lmplot绘回归图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
np.random.seed(0)#设置种子
sns.set(style='white')
x1=sns.load_dataset("tips")
fig=sns.lmplot(x='total_bill',y='tip',data=x1,scatter_kws={'color':'green'},line_kws={'color': 'red'})
plt.title("Lmplot Figure",color='b')
plt.savefig('C:/Users/Zeng Zhong Yan/Desktop/Lmplot Figure.png', dpi=500, bbox_inches='tight')
plt.show()

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/968901.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【C++】原子类型非线程安全

原子类型非线程安全 #include <iostream> #include <thread>int main() {int num 0;int count 100000;std::thread thread1([&](){for(int i 0; i < count; i){num;}});std::thread thread2([&](){for(int i 0; i < count; i){num;}});std::thr…

数学建模--多项式拟合方法Python实现

目录 1.算法设计思路 2.算法核心代码 3.算法效果展示 1.算法设计思路 算法关键步骤:(主要是利用到多项式拟合的库包) 1.将数据进行导入 2.进行曲线拟合返回值为各项系数 3.获得多项式拟合之后的函数表达式 4.将x代入表达式求出对应的y值(这样就能够表示出拟合的差别如何) 5.进…

数学建模--三维图像绘制的Python实现

目录 1.绘制三维坐标轴的方法 2.绘制三维函数的样例1 3.绘制三维函数的样例2 4.绘制三维函数的样例3 5.绘制三维函数的样例4 6.绘制三维函数的样例5 1.绘制三维坐标轴的方法 #%% #1.绘制三维坐标轴的方法 from matplotlib import pyplot as plt from mpl_toolkits.mplot3…

构建知识库:一文解决跨平台科研文献及笔记同步问题

文章目录 需求及目标现有方案调研文献管理方案云存储方案Markdown编辑器Windows端Ipad端 图床管理方案 最终方案操作流程最后 作为一个十级懒人&#xff0c;要么躺着要么在探寻提效工具的路上。 开始打工生涯之后&#xff0c;除了正常工作时间&#xff0c;总想利用业余时间提升…

postgres数据库设置id自增

postgres数据库设置id自增 1. 使用SQL语句建立自增序列 CREATE SEQUENCE id_seq START 1;执行结果 ng) 2. 在设计表中使用该序列 nextval(id_seq::regclass)

面试题 ⑤

1、TCP与UDP的区别 UDPTCP是否连接无连接&#xff0c;即刻传输面向连接&#xff0c;三次握手是否可靠不可靠传输&#xff0c;网络波动拥堵也不会减缓传输可靠传输&#xff0c;使用流量控制和拥塞控制连接对象个数支持一对一&#xff0c;一对多&#xff0c;多对一和多对多交互通…

Kubernetes之舞:微服务的交响乐团

Kubernetes与微服务&#xff1a;缘起 微服务的崛起 微服务架构已经成为现代软件开发的标准。与传统的单体应用相比&#xff0c;微服务提供了更高的模块化&#xff0c;使得团队可以独立地开发、部署和扩展各个服务。这种架构模式的主要优势在于其灵活性和可扩展性&#xff0c;允…

数学建模:拟合算法

&#x1f506; 文章首发于我的个人博客&#xff1a;欢迎大佬们来逛逛 数学建模&#xff1a;拟合算法 文章目录 数学建模&#xff1a;拟合算法拟合算法多项式拟合非线性拟合cftool工具箱的使用 拟合算法 根据1到12点间的温度数据求出温度与时间之间的近似函数关系 F ( t ) F(…

windows主机和Ubuntu虚拟机共享设置

参考文章 Ubuntu Linux 与主机共享文件夹 vim 修改文件出现错误 “ E45: ‘readonly’ option is set (add to override)“ vim退出时报错“E212: Cant open file for writing”的解决办法 VMware 安装后&#xff0c;安装Ubuntu 20.04一路顺利。 1&#xff0c;在VMware设置…

数学建模--G(1,1)型的灰色预测模型的Python实现

目录 1.算法适用情况 2.算法推演步骤 3.算法核心代码 4.算法效果展示 1.算法适用情况 #1.灰色预测模型简介 """ 1.灰色预测是对既含有已知信息又含有不确定信息的系统进行预测&#xff0c;就是对在一定范围内变化的、与时间有关的灰色过程进行预测。 2.灰色预测…

智能合约安全分析,针对 ERC777 任意调用合约 Hook 攻击

智能合约安全分析&#xff0c;针对 ERC777 任意调用合约 Hook 攻击 Safful发现了一个有趣的错误&#xff0c;有可能成为一些 DeFi 项目的攻击媒介。这个错误尤其与著名的 ERC777 代币标准有关。此外&#xff0c;它不仅仅是众所周知的黑客中常见的简单的重入问题。 这篇文章对 …

数学建模--粒子群算法(PSO)的Python实现

目录 1.开篇提示 2.算法流程简介 3.算法核心代码 4.算法效果展示 1.开篇提示 """ 开篇提示: 这篇文章是一篇学习文章,思路和参考来自:https://blog.csdn.net/weixin_42051846/article/details/128673427?utm_mediumdistribute.pc_relevant.none-task-blog-…

Android 12 源码分析 —— 应用层 四(SystemUI的基本布局设计及其基本概念)

Android 12 源码分析 —— 应用层 四&#xff08;SystemUI的基本布局设计及其基本概念&#xff09; 在上两篇文章中&#xff0c;我们介绍SystemUI的启动过程&#xff0c;以及基本的组件依赖关系。基本的依赖关系请读者一定要掌握&#xff0c;因为后面的文章&#xff0c;将会时…

数学建模--主成分分析法(PCA)的Python实现(

目录 1.算法核心思想&#xff1a; 2.算法核心代码&#xff1a; 3.算法分类效果&#xff1a; 1.算法核心思想&#xff1a; 1.设置降维后主成分的数目为2 2.进行数据降维 3.设置main_factors1个划分类型 4.根据组分中的值进行分类 5.绘制出对应的图像 2.算法核心代码&#xff1a…

使用多线程std::thread发挥多核计算优势(解答)

使用多线程std::thread发挥多核计算优势&#xff08;题目&#xff09; 单核无能为力 如果我们的电脑只有一个核&#xff0c;那么我们没有什么更好的办法可以让我们的程序更快。 因为这个作业限制了你修改算法函数。你唯一能做的就是利用你电脑的多核。 使用多线程 由于我们…

C语言练习8(巩固提升)

C语言练习8 编程题 前言 奋斗是曲折的&#xff0c;“为有牺牲多壮志&#xff0c;敢教日月换新天”&#xff0c;要奋斗就会有牺牲&#xff0c;我们要始终发扬大无畏精神和无私奉献精神。奋斗者是精神最为富足的人&#xff0c;也是最懂得幸福、最享受幸福的人。正如马克思所讲&am…

无涯教程-JavaScript - CUBESETCOUNT函数

描述 CUBESETCOUNT函数返回集合中的项目数。 语法 CUBESETCOUNT (set)争论 Argument描述Required/Optionalset Microsoft Excel表达式的文本字符串,其输出为由CUBESET函数定义的集合。 OR CUBESET功能。 OR 对包含CUBESET函数的单元格的引用。 Required Notes 求值CUBESE…

【个人博客系统网站】统一处理 · 拦截器

【JavaEE】进阶 个人博客系统&#xff08;2&#xff09; 文章目录 【JavaEE】进阶 个人博客系统&#xff08;2&#xff09;1. 统一返回格式处理1.1 统一返回类common.CommonResult1.2 统一返回处理器component.ResponseAdvice 2. 统一异常处理3. 拦截器实现3.1 全局变量SESSI…

Mariadb高可用(四十)

目录 一、概述 &#xff08;一&#xff09;概念 &#xff08;二&#xff09;组成 &#xff08;三&#xff09;特点 &#xff08;四&#xff09;工作原理 二、实验要求 三、构建MHA &#xff08;一&#xff09;ssh免密登录 &#xff08;二&#xff09;安装mariadb数据库…