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。

        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));

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");

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')

 

2、散点图+回归线

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

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

 3、折线图

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

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}
)

 4、频数柱状图

sns.countplot(x='所在区',data=data)

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)

 5、分组散点图

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

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

 6、箱型图

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

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

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

 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))

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

 8、频数分布图

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

 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)

 10、数值分布柱状图

sns.pairplot(iris)

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

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

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)

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)

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