seaborn可视化示例详解

目录

1、散点图

2、散点图+回归线

 3、折线图

 4、频数柱状图

 5、分组散点图

 6、箱型图

 7、数值分布柱状图

 8、频数分布图

 9、联合分布图

 10、数值分布柱状图

11、相关系数热力图

划重点

少走10年弯路


        Seaborn是一个基于Python的数据可视化库,Seaborn提供了许多用于绘制统计图形的高级界面,在Matplotlib的基础上,Seaborn进行了更高级的封装,使得作图更加方便快捷。即便是没有什么基础的人,也能通过极简的代码,做出具有分析价值而又十分专业的图形。

        虽然没有pyecharts的动态、交互功能,但是胜在便捷、代码量少、必须的配置也少,可以快速出图。

图片

        本文使用房价数据、房租数据、iris数据集进行展示,数据获取见文末

1、散点图

sns.scatterplot(x="面积(/㎡)", y="租金(元/月)",data=data.sample(1000,random_state=1));

图片

添加分类的散点图,仅需要添加一个hue参数指定分组列名即可

sns.scatterplot(x="面积(/㎡)", y="租金(元/月)",data=data.sample(1000,random_state=1),hue="近地铁");

图片

设置样式

sns.scatterplot(x="面积(/㎡)", y="租金(元/月)",data=data.sample(1000,random_state=1),style='近地铁')

图片

 

2、散点图+回归线

sns.lmplot(x="面积(/㎡)", y="租金(元/月)",data=data.sample(1000,random_state=1))

图片

sns.lmplot(data=data.sample(1000,random_state=2), x="面积(/㎡)", y="租金(元/月)",hue="近地铁",)

图片

 3、折线图

sns.lineplot(x="面积(/㎡)", y="租金(元/月)",data=data.head(100))

图片

sns.lineplot(x="面积(/㎡)", y="租金(元/月)",data=data.sample(100,random_state=1),hue="近地铁")

添加col参数按照列进行分组展示子图

sns.lmplot(data=data.sample(1000,random_state=2), x="面积(/㎡)", y="租金(元/月)",col="所在区", hue="近地铁",col_wrap=2, palette="muted", ci=None,height=4, scatter_kws={"s": 30, "alpha": 1}
)

图片

图片

 4、频数柱状图

sns.countplot(x='所在区',data=data)

图片

频数图设置排序

color_order=['海淀', '朝阳', '丰台', '昌平', '西城', '房山', '通州', '顺义', '大兴', '东城', '石景山', '亦庄','门头沟', '密云']
sns.countplot(x='所在区',order=color_order,data=data)

图片

 5、分组散点图

sns.stripplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=1))

图片

sns.stripplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=1),hue="近地铁")

图片

 6、箱型图

sns.boxplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=2))

图片

sns.boxenplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=2),color="b",)

图片

sns.boxplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=2),hue="近地铁")

图片

 7、数值分布柱状图

柱状图用矩形条表示估计点和置信区间

sns.barplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=2))

图片

sns.barplot(x="所在区", y="面积(/㎡)",data=data.sample(1000,random_state=2),hue="近地铁")

图片

 8、频数分布图

sns.histplot(x=data['租金(元/月)'],kde=True)

图片

 9、联合分布图

sns.jointplot(x="面积(/㎡)", y="租金(元/月)",data=data.sample(1000,random_state=1),height=5)

图片

 10、数值分布柱状图

sns.pairplot(iris)

图片

sns.pairplot(iris, hue="class", markers=["o", "s", "D"])

图片

sns.pairplot(iris,kind='reg')

图片

11、相关系数热力图

import seaborn as sns
correlation = df2.drop(['ID','sale_date'],axis=1).corr()
plt.figure(figsize=(16, 8),dpi=100) 
sns.heatmap(correlation,square = True, annot=True, fmt='0.2f',vmax=0.8)

图片

只显示半个矩阵

mask=np.zeros_like(correlation)
mask[np.triu_indices_from(mask)]=True
plt.figure(figsize=(12, 8),dpi=100) 
sns.heatmap(correlation,cmap="YlGnBu",annot=True,mask=mask)

图片

划重点

少走10年弯路

        关注威信公众号 Python风控模型与数据分析,回复 seaborn 获取本篇数据及代码

        还有更多理论、代码分享等你来拿

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.mzph.cn/news/639134.shtml

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email:809451989@qq.com,一经查实,立即删除!

相关文章

8-Docker网络命令之ls

1.ls介绍 docker网络命令ls是用来列出当前docker中默认的及自定义的网络 2.ls用法 docker network ls [参数] [root@centos79 ~]# docker network ls --helpUsage: docker network ls [OPTIONS]List networksAliases:docker network ls, docker network listOptions:-f, -…

链表|数据结构|C语言深入学习

什么是链表 离散,就是“分离的、散开的” 链表是什么样子的: 有限个节点离散分配 彼此间通过指针相连 除了首尾节点,每个节点都只有一个前驱节点和一个后继节点 首节点没有前驱结点,尾节点没有后继节点 基本概念术语&#xf…

C 练习实例38

题目&#xff1a;求一个3*3矩阵对角线元素之和 程序分析&#xff1a;利用双重for循环控制输入二维数组&#xff0c;再将a[i][i]累加后输出。 代码&#xff1a; #include <stdio.h> int main() {int a[3][3];int i; //行序列int j; //列序列int k; //对角线序列int cnt…

1.使用分布式文件系统Minio管理文件

分布式文件系统DFS分类 文件系统 文件系统是操作系统用于组织管理存储设备(磁盘)或分区上文件信息的方法和数据结构,负责对文件存储设备空间进行组织和分配,并对存入文件进行保护和检索 文件系统是负责管理和存储文件的系统软件&#xff0c;操作系统通过文件系统提供的接口去…

Docker五部曲之五:通过Docker和GitHub Action搭建个人CICD项目

文章目录 项目介绍Dockerfile解析compose.yml解析Nginx反向代理到容器以及SSL证书设置MySQL的准备工作Spring和环境变量的交互 GitHub Action解析项目测试结语 项目介绍 该项目是一个入门CICD-Demo&#xff0c;它由以下几部分组成&#xff1a; Dockerfile&#xff1a;用于构建…

「 典型安全漏洞系列 」05.XML外部实体注入XXE详解

1. XXE简介 XXE&#xff08;XML external entity injection&#xff0c;XML外部实体注入&#xff09;是一种web安全漏洞&#xff0c;允许攻击者干扰应用程序对XML数据的处理。它通常允许攻击者查看应用程序服务器文件系统上的文件&#xff0c;并与应用程序本身可以访问的任何后…

【ARM 嵌入式 编译系列 3.6 -- 删除lib中的某个文件】

请阅读【嵌入式开发学习必备专栏 之 ARM GCC 编译专栏】 文章目录 删除lib中的某个文件 删除lib中的某个文件 比如&#xff0c;如果要删除 libc.a 静态库中的特定对象文件并重新使用这个静态库&#xff0c;在终端中可以使用 ar 命令。ar 是一个归档工具&#xff0c;它可以创建…

【Unity小技巧】3D人物移动脚步和跳跃下落音效控制

文章目录 单脚步声多脚步声&#xff0c;跳跃落地音效播放不同材质的多脚步声完结 单脚步声 public AudioClip walkingSound; public AudioClip runningSound;//移动音效 public void MoveSound() {// 如果在地面上并且移动长度大于0.9if (isGround && moveDirection.s…

动物免疫(羊驼免疫)-泰克生物

在过去几十年里&#xff0c;抗体研究和应用的领域已经经历了革命性的变化。在这个进程中&#xff0c;一种特殊来源的抗体 —— 来自骆驼科动物&#xff08;包括羊驼&#xff09;的单链抗体&#xff08;也称纳米抗体&#xff09;引起了全球科学家的广泛关注。 羊驼等骆驼科动物…

Java NIO (四)NIO Selector类

1 选择器与注册 选择器是什么&#xff1f;选择器和通道关系是什么&#xff1f; 简单的说&#xff0c;选择器的使用是完成IO的多路复用&#xff0c;其主要工作是通道的注册、监听、事件查询。一个通道代表一条连接通路&#xff0c;通过选择器可以同时监听多个通道的IO(输入输出)…

长拖尾数据的采样方法

以下内容来自于ChatGPT长拖尾数据的采样方式&#xff1a; 对于具有长拖尾&#xff08;长尾&#xff09;分布的数据&#xff0c;通常使用传统的随机抽样方法可能不太适用&#xff0c;因为这样的分布意味着有一些极端值&#xff08;outliers&#xff09;会对整体分布产生较大影响…

【Linux】python版本控制和环境管理

文章目录 1.查看目前python的版本2.添加软件源并更新3.选择你想要下载的版本4.警示&#xff1a;没必要设置默认版本误区千万千万不要覆盖python3软链接解决办法 5.pip软件包管理最省心稍微麻烦换源 网上有很多教程都是教导小白去官方下载之后编译安装。但是&#xff0c;小白连c…

4.go 基础类型及类型转换

目录 概述basic types总结例子 Zero values总结例子 类型转换总结例子 结束 概述 go 版本&#xff1a; go1.20.13 basic types 总结 基本类型如下&#xff1a; boolstringint int8 int16 int32 int64 uint uint8 uint16 uint32 uint64 uintptrbyte // alias for uint8…

[pytorch入门] 2. tensorboard

tensorboard简介 TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中.但是也可以独立安装&#xff0c;服务Pytorch等其他的框架 可以常常用来观察训练过程中每一阶段如何输出的 安装pip install tensorboard启动tensorboard --logdir<d…

蓝桥杯理历年真题 —— 数学

1. 买不到的数目 这道题目&#xff0c;考得就是一个日常数学的积累&#xff0c;如果你学过这个公式的话&#xff0c;就是一道非常简单的输出问题&#xff1b;可是如果没学过&#xff0c;就非常吃亏&#xff0c;在考场上只能暴力求解&#xff0c;或是寻找规律。这就要求我们什么…

Python图像处理【19】基于霍夫变换的目标检测

基于霍夫变换的目标检测 0. 前言1. 使用圆形霍夫变换统计图像中圆形对象2. 使用渐进概率霍夫变换检测直线2.1 渐进霍夫变换原理2.2 直线检测 3. 使用广义霍夫变换检测任意形状的对象3.1 广义霍夫变换原理3.2 检测自定义形状 小结系列链接 0. 前言 霍夫变换 (Hough Transform,…

H5112C PWM调光 无频闪 高性价比 支持12V 24V 36V 48V 60V 72V 内置MOS

PWM调光芯片是一种常用于LED调光控制的芯片&#xff0c;其工作原理如下&#xff1a; 脉冲宽度调制&#xff08;PWM&#xff09;&#xff1a;PWM是一种调制技术&#xff0c;通过改变信号的脉冲宽度来控制输出信号的平均功率。在PWM调光中&#xff0c;芯片会以一定的频率产生一系…

SpringCloud Alibaba 深入源码 - Nacos 和 Eureka 的区别(健康检测、服务的拉取和订阅)

目录 一、Nacos 和 Eureka 的区别 1.1、以 Nacos 注册流程来解析区别 一、Nacos 和 Eureka 的区别 1.1、以 Nacos 注册流程来解析区别 a&#xff09;首先&#xff0c;我们的服务启动时。都会把自己的信息提交给注册中心&#xff0c;然后注册中心就会把信息保存下来. 注册的…

Midjourney常见参数列表(极速版)

前言 参数是添加到提示词末尾的选项&#xff0c;可以改变图片的生成方式。参数可以改变图片的长宽比&#xff08;Aspect Ratios&#xff09;&#xff0c;切换不同的Midjourney模型版本&#xff08;Model Versions&#xff09;&#xff0c;改变使用的放大器&#xff08;Upscaler…

Leetcode 3016. Minimum Number of Pushes to Type Word II

Leetcode 3016. Minimum Number of Pushes to Type Word II 1. 解题思路2. 代码实现 题目链接&#xff1a;3016. Minimum Number of Pushes to Type Word II 1. 解题思路 这道题的话思路其实还是蛮简单的&#xff0c;显然我们的目的是要令对给定的word在键盘上敲击的次数最小…