單變量分析繪製-學習筆記

import numpy as np
import pandas as pd
from scipy import stats,integrate #stats統計簡寫，integrate積分
import matplotlib.pyplot as plt

import seaborn as sns
sns.set_color_codes()
np.random.seed(sum(map(ord,'distributions')))

##例1
# x=np.random.normal(size=100)
# sns.distplot(x,bins =20,kde = False,fit=stats.gamma()) #distplot一般用於查看單變量的分佈，kde是核密度函數，以後會講

##例2 曲線擬合gamma分佈
# x = np.random.gamma(6,size=200)
# sns.distplot(x,kde=False,fit=stats.gamma) #重要fit擬合曲線重要

#例3 根據均值和協方差生成數據
mean, cov = [0,1],[(1,.5),(.5,1)]
data = np.random.multivariate_normal(mean,cov,200)#multivariate_normal多變量正態分佈
df= pd.DataFrame(data,columns=['x','y'])
# print(df)

##例4 觀察兩個變量之間的分佈關係最好用散點圖jointplot,優勢是既有散點圖又有直方圖，還有相關係數
# sns.jointplot(x='x',y='y',data=df)#x變量，y變量，傳入數據

##分塊散點圖hex參數，顏色深的表示出現的次數多
x,y=np.random.multivariate_normal(mean,cov,1000).T
with sns.axes_style('white'):
    sns.jointplot(x=x,y=y,kind='hex',color='k')


iris = sns.load_dataset('iris')
#sns.pairplot(iris)

##指定分類變量的散點圖
sns.pairplot(iris,hue='species')#hue參數是指定分類變量
##使用調色板palette='husl'
sns.pairplot(iris,hue='species',palette='husl')#palette='husl'是使用調色板的意思

##使用不同的形狀markers=["o", "s", "D"]
sns.pairplot(iris,hue='species',palette='husl',markers=["o", "s", "D"])
##改變對角圖，diag_kind='kde'
sns.pairplot(iris,diag_kind='kde',hue='species',palette='husl',markers=["o", "s", "D"])
##使用迴歸reg
sns.pairplot(iris,kind='reg',palette='husl')
##改變點的形狀使用參數，使用edgecolor
g7 = sns.pairplot(iris, diag_kind="kde", markers="+",
                  plot_kws=dict(s=50, edgecolor="b", linewidth=1),
                  diag_kws=dict(shade=True))
plt.show()