python機器學習與數據分析實戰——seaborn

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

x=np.linspace(0,14,100)
for i in range(1,7):
    plt.plot(x,np.sin(x+i*5)*(7-i))

seaborn提供了衆多模板來進行畫圖

x=np.linspace(0,14,100)
for i in range(1,7):
    plt.plot(x,np.sin(x+i*5)*(7-i))
sns.despine()#把右邊和上邊的軸去掉

x=np.random.normal(size=100)
sns.distplot(x,bins=20,kde=False)
#bins指定所有的區間數

import pandas as pd
x=np.random.normal(size=100)
y=np.random.normal(size=100)
data=(np.array([x,y])).T
df=pd.DataFrame(data,columns=['x','y'])

	x	y
0	-1.460665	0.905045
1	0.372133	-0.335283
2	-0.265784	0.438242
3	-0.581121	0.285796
4	0.425756	1.126307
...	...	...
95	0.242196	1.846179
96	0.148028	-0.224977
97	2.069828	-1.490572
98	0.425617	-0.774978
99	-2.048330	0.141839

100 rows × 2 columns

觀測兩個變量之間的散點圖

sns.jointplot(x='x',y='y',data=df)

當數據量很大，需要畫一個隊員的核密度圖來表示顏色深淺

import pandas as pd
x=np.random.normal(size=1000)
y=np.random.normal(size=1000)
data=(np.array([x,y])).T
df=pd.DataFrame(data,columns=['x','y'])
sns.jointplot(x='x',y='y',data=df,kind='hex',color='k')

調用seaborn畫單點圖矩陣
對角線上是單個變量的分佈，其餘的地方就是兩個兩個變量之間的關係

import pandas as pd
x=np.random.normal(size=1000)
y=np.random.normal(size=1000)
a=np.random.normal(size=1000)
b=np.random.normal(size=1000)
data=(np.array([x,y,a,b])).T
df=pd.DataFrame(data,columns=['x','y','a','b'])
sns.pairplot(df)

sns.set(style="ticks", color_codes=True)
iris=pd.read_csv(r'F:\jypternotebook\seaborn-data-master\iris.csv')
#iris = sns.load_dataset('iris')
g = sns.pairplot(iris,hue="species")#hue可以指定每個數據集所屬類別

seaborn畫熱度圖heatmap

#sns.set(rc={'figure.figsize':(11.7,8.27)})
flights=pd.read_csv(r'F:\jypternotebook\seaborn-data-master\flights.csv')
#print(flights.head(5))
flights = flights.pivot("month", "year", "passengers")
#ax = sns.heatmap(flights)
ax1= sns.heatmap(flights, annot=True, fmt="d",linewidths=.5)
#annot設置顯示格子中數據，fmt用來設置顯示的格式，一般用d,linwirdth用來設置每個方框之間的間隔