Python可視化seaborn練習題

seaborn —— 課後練✋

%matplotlib inline
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib as mpl
from matplotlib import pyplot as plt
import seaborn as sns

練習1：鳶尾花花型尺寸分析

• 鳶尾花萼片（sepal）和花瓣（petal）的大小關係（散點圖）
• 不同種類（species）鳶尾花萼片和花瓣的分佈情況（箱圖或者提琴圖）
• 鳶尾花萼片和花瓣大小的聯合分佈情況（六角箱圖或者核密度估計）

data = sns.load_dataset("iris")
data.head()
# 萼片長度，萼片寬度，花瓣長度，花瓣寬度，種類

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

data['sepal_size']=data['sepal_length']*data['sepal_width']
data['petal_size']=data['petal_length']*data['petal_width']

萼片與花瓣

sns.lmplot(x='sepal_size',y='petal_size',data=data)

<seaborn.axisgrid.FacetGrid at 0x7fea04b37550>

不同種類 萼片與花瓣分佈

g = sns.PairGrid(data,
                 x_vars=["species"],
                 y_vars=["sepal_size", "petal_size"],
                 aspect=2, size=4)
g.map(sns.violinplot, palette="pastel");

萼片與花瓣大小聯合分佈

# your code
sns.jointplot(x='sepal_length',y='petal_length',data=data,kind='kde')

/opt/ds/local/lib/python2.7/site-packages/numpy/ma/core.py:6385: MaskedArrayFutureWarning: In the future the default for ma.minimum.reduce will be axis=0, not the current None, to match np.minimum.reduce. Explicitly pass 0 or None to silence this warning.
  return self.reduce(a)
/opt/ds/local/lib/python2.7/site-packages/numpy/ma/core.py:6385: MaskedArrayFutureWarning: In the future the default for ma.maximum.reduce will be axis=0, not the current None, to match np.maximum.reduce. Explicitly pass 0 or None to silence this warning.
  return self.reduce(a)





<seaborn.axisgrid.JointGrid at 0x7fe9fc6fd250>

練習2：餐廳小費情況分析

• 小費和總消費之間的關係（散點圖+迴歸分析）
• 男性顧客和女性顧客，誰更慷慨（箱圖或者提琴圖）
• 抽菸與否是否會對小費金額產生影響（箱圖或者提琴圖）
• 工作日和週末，什麼時候顧客給的小費更慷慨（箱圖或者提琴圖）
• 午飯和晚飯，哪一頓顧客更願意給小費（箱圖或者提琴圖）
• 就餐人數是否會對慷慨度產生影響（箱圖或者提琴圖）
• 性別+抽菸的組合因素對慷慨度的影響（統計柱狀圖）

data = sns.load_dataset("tips")
data.head()
# 總消費，小費，性別，吸菸與否，就餐星期，就餐時間，就餐人數

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

小費與總消費

sns.lmplot(x='total_bill',y='tip',data=data)

<seaborn.axisgrid.FacetGrid at 0x7fe9ff3afed0>

小費：男性vs女性

sns.boxplot(y='tip',x='sex',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ff1651d0>

小費：抽菸vs不抽菸

sns.boxplot(y='tip',x='smoker',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fd4dac10>

小費：工作日vs週末

day=data['day'].unique()
day

[Sun, Sat, Thur, Fri] Categories (4, object): [Sun, Sat, Thur, Fri]

data_week=pd.DataFrame(('weekend' if x in ['Sun','Sat'] else 'weekday' for x in data.day),index=data.index,columns=['week'])
data_expand=pd.merge(data,data_week,left_index=True,right_index=True)
data_expand.head()

	total_bill	tip	sex	smoker	day	time	size	week
0	16.99	1.01	Female	No	Sun	Dinner	2	weekend
1	10.34	1.66	Male	No	Sun	Dinner	3	weekend
2	21.01	3.50	Male	No	Sun	Dinner	3	weekend
3	23.68	3.31	Male	No	Sun	Dinner	2	weekend
4	24.59	3.61	Female	No	Sun	Dinner	4	weekend

sns.boxplot(y='tip',x='week',data=data_expand)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ff533c10>

小費：午餐vs晚餐

sns.violinplot(x='time',y='tip',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ffcd35d0>

小費：就餐人數

sns.violinplot(x='size',y='tip',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ffef5650>

小費：性別+抽菸

# your code
sns.barplot(x='sex',y='tip',hue='smoker',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9ff4e3d10>

練習3：泰坦尼克號海難倖存狀況分析

• 不同倉位等級中倖存和遇難乘客的分佈（箱圖或者提琴圖）
• 倖存和遇難乘客的票價分佈（箱圖或者提琴圖）
• 倖存和遇難乘客的年齡分佈（箱圖或者提琴圖）
• 不同上船港口的乘客倉位等級分佈（箱圖或者提琴圖）
• 倖存和遇難乘客堂兄弟姐妹的數量分佈（箱圖或者提琴圖）
• 倖存和遇難乘客父母子女的數量分佈（箱圖或者提琴圖）
• 單獨乘船與否和倖存之間的關係（統計柱狀圖）
• 乘客年齡和船票價格之間的關係（線性迴歸模型）
• 乘客性別和倉位等級之間的關係（統計柱狀圖）
• 乘客年齡和倉位等級之間的關係（帶抖動的散點圖）

data = sns.load_dataset("titanic")
data.head()
# 倖存與否，倉位等級，性別，年齡，堂兄弟姐妹數，父母子女數，票價，上船港口縮寫，倉位等級，人員分類，是否成年男性，所在甲板，上船港口，是否倖存，是否單獨乘船

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

倖存or遇難：不同倉位影響？

sns.violinplot(x='class',y='survived',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcdcea50>

倖存or遇難：票價分佈？

sns.violinplot(x='alive',y='fare',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcd213d0>

倖存or遇難：年齡分佈？

sns.violinplot(x='alive',y='age',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcbd83d0>

不同上船港口的倉位等級分佈

sns.violinplot(x='embark_town',y='pclass',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fcaa7690>

倖存or遇難：堂兄弟姐妹數量分佈？

sns.violinplot(x='alive',y='sibsp',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc9f41d0>

倖存or遇難：父母子女數量分佈？

sns.violinplot(x='alive',y='parch',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc944d10>

倖存or遇難：是否單獨乘船？

# your code
sns.barplot(x='alone',y='survived',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc632ad0>

年齡與票價的關係

sns.lmplot(x='age',y='fare',data=data)

<seaborn.axisgrid.FacetGrid at 0x7fe9fc5ba110>

性別與倉位等級

sns.barplot(x='sex',y='pclass',data=data)

<matplotlib.axes._subplots.AxesSubplot at 0x7fe9fc508c10>

乘客年齡與倉位等級的關係

sns.lmplot(x='pclass',y='age',data=data,x_jitter=0.2)

<seaborn.axisgrid.FacetGrid at 0x7fe9fc499150>