相信大家在開始python的使用後，便隨後接觸到了matplotlib這個與python兼容的很好的製圖庫。但是，如果想把圖做的更細，更上流，那麼則需要seaborn這個庫，比起matplotlib更容易上手，並且和pandas的兩種主要數據結構Series和DataFrame有着很強的兼容性。
1 . 安裝，工欲善其事，安裝 seaborn，有兩種方法。
pip install seaborn
conda install seaborn
在這裏我用的conda的客戶端版。
2. 對於seaborn的介紹，我們從最簡單也是最常用的"柱狀圖"開始。
barplot便是seaborn庫的柱狀圖方法。
seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
estimator=<function mean at 0x105c7d9e0>, ci=95, n_boot=1000, units=None,
seed=None, orient=None, color=None, palette=None, saturation=0.75,
errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs)
seaborn所做的柱狀圖
2.1 數據集介紹
在這裏我們使用seaborn自帶的數據集tips。
import seaborn as sns
tips = sns.load_dataset("tips")
print(tips.head())
>>>
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
Tips是Dataframe結構, 其矩陣爲（244, 7），一共有244條數據，7個屬性，分別爲
- total_bill: 賬單總額
- tip: 小費
- sex: 性別
- smoker: 是否抽菸
- day: 周幾（週一 至 週日）
- time: 上午下午
- size: 人數
2.2 seaborn.barplot 方法使用以及參數介紹
2.2.1: 嘗試 barplot
sns.barplot(x = 'day', y = 'total_bill', data = tips)
plt.show()
# 黑線表示置信區間（Confidence interval）
圖2.2.1
橫座標：周幾
縱座標：賬單金額
上圖黑線爲縱座標數據的統計數據的
，如果不改動的話默認爲平均數。
2.2.2 使用 hue 分類每一列數據,按性別來分
還是剛纔的數據，將賬單金額按男女性別劃分開來，使用到參數 hue 。
sns.barplot(x = 'day', y = 'total_bill', hue= 'sex',data= tips)
plt.show()
圖2.2.2
通過 hue 的設置，可以將圖2.2.1按性別更加細化。
2.2.3 畫一個horizontal （水平方向）的圖
sns.barplot(x = 'tip', y = 'day', data=tips)
plt.show()
圖2.2.3.1
在barplot 有一個參數爲orient, 參數包括 ’v' 和‘h’ ，分別對應垂直方向和水平方向，也可以通過這個函數將圖轉化爲水平或者豎直方向。
sns.barplot(x = 'day', y = 'tip', data = tips, orient='v')
plt.show()
圖2.2.3.2
2.2.4 顯性的控制bar的排列, 每一列的排序是默認的，但是可以通過參數 order 進行修改
fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
ax1.set_title("default")
ax2.set_title("after changing order")
sns.barplot(x='time', y = 'tip', data=tips, ax = ax1)
# lunch, dinner
sns.barplot(x='time', y = 'tip', data=tips, order=['Dinner', 'Lunch'], ax = ax2)
# become Dinner, lunch
plt.show()
2.2.5 通過修改 estimator 調整統計方式
estimator 可以引用 numpy中的方法，例如max, min, median等。更多的方法可以參考
Statistics - NumPy v1.17 Manualdocs.scipy.org
from numpy import median, max, min
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)
ax1.set_title('default average')
ax2.set_title('max')
ax3.set_title('median')
ax4.set_title('min')
sns.barplot(x="day", y="tip", data=tips, ax = ax1)
sns.barplot(x="day", y="tip", data=tips, estimator= max, ax = ax2)
sns.barplot(x="day", y="tip", data=tips, estimator= median, ax = ax3)
sns.barplot(x="day", y="tip", data=tips, estimator= min, ax = ax4)
plt.show()
2.2.6 通過修改 ci 調整置信區間的大小，默認爲95%
fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
ax1.set_title("default")
ax2.set_title("after changing ")
sns.barplot(x="day", y="tip", data=tips,ax = ax1)
sns.barplot(x="day", y="tip", data=tips, ci=45, ax = ax2)
plt.show()
ci爲45後，黑線明顯變短
2.2.7 ci 還有一個特殊的參數 ci = sd， 則直接使用標準差（standard deviation）進行統計
fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
ax1.set_title("default")
ax2.set_title("ci = sd ")
sns.barplot(x="day", y="tip", data=tips,ax = ax1)
sns.barplot(x="day", y="tip", data=tips, ci='sd', ax = ax2)
plt.show()
2.2.8 通過 capsize 調整 ”帽子寬度“, 默認是 None
fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
sns.barplot(x="day", y="tip", data=tips, capsize= 0.2, ax = ax1)
sns.barplot(x="day", y="tip", data=tips, capsize= 0.4, ax = ax2)
plt.show()
2.2.9 調整 palette 換一種其他的顏色調色板
可用的參數可以看
seaborn.color_palette - seaborn 0.10.1 documentationseaborn.pydata.org
着這裏只舉幾個常用的例子
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)
ax1.set_title("deep")
ax2.set_title('muted')
ax3.set_title('bright')
ax4.set_title('Blues_d')
sns.barplot("size", y="total_bill", data=tips, palette="deep", ax = ax1)
sns.barplot("size", y="total_bill", data=tips, palette="muted", ax = ax2)
sns.barplot("size", y="total_bill", data=tips, palette="bright", ax = ax3)
sns.barplot("size", y="total_bill", data=tips, palette="Blues_d", ax = ax4)
plt.show()
2.2.9 hue 的進一步使用
fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
tips['weekend'] = tips['day'].isin(['Sat','Sun'])
sns.barplot(x='day', y='tip', data=tips, hue='weekend', ax = ax1)
sns.barplot(x='day', y='tip', data=tips, hue='weekend', dodge=False, ax = ax2)
plt.show()
默認的hue使用後造成不美觀的現象，使用 dodge=False 可以將空白補齊。
2.2.10 顏色的精細化調整， color 和 saturation（飽和度）的使用
ax = sns.barplot("size", y="total_bill", data=tips,
color="salmon", saturation=.5)
plt.show()
總結，我們將barplot基本的常用參數都演示了一遍，當然seaborn還有直方圖和散點圖等工具。
可以關注我的公衆號 ： 平凡的科研生活，源代碼將附在原文中同時也會有其他的數據分析相關的文章分享。