seaborn可以說是matplotlib的升級版，使用seaborn繪製折線圖時參數數據可以傳遞ndarray或者pandas，方便又好看！本篇用繪製強化學習中的rewards舉例，實際上也可以用來機器學習中的loss曲線，原理類似。
從一個簡單示例開始
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns # 導入模塊
sns.set() # 設置美化參數，一般默認就好
rewards = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
plt.plot(rewards)
plt.show()
如上首先導入seaborn模塊，並設置美化參數(aesthetic parameters)sns.set()，使用matplotlib.pyplot as plt就可以繪製一個基本的圖像:
使用sns.lineplot或者sns.relplot
實際上relplot包含lineplot和scatterplot，並通過kind傳參可以轉換爲lineplot，
relplot(kind="line")等價於lineplot
relplot(kind="scatter")等價於scatterplot
然後再進行適當的調整並加上x，y軸的label，如下：
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns; sns.set() # 因爲sns.set()一般不用改，可以在導入模塊時順便設置好
rewards = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
sns.lineplot(x=range(len(rewards)),y=rewards)
# sns.relplot(x=range(len(rewards)),y=rewards,kind="line") # 與上面一行等價
plt.xlabel("episode")
plt.ylabel("reward")
plt.show()
最後呈現效果如下：
繪製rewards聚合圖
當我們對同一實驗作出多次得到一組rewards時，如下：
rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1])
rewards=np.vstack((rewards1,rewards2)) # 合併成二維數組
我們希望繪製出聚合圖，但是sns.lineplot無法輸入一維以上的數據，我們可以將它們全部轉爲一維，雖然有些難看：
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns; sns.set() # 因爲sns.set()一般不用改，可以在導入模塊時順便設置好
rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1])
rewards=np.concatenate((rewards1,rewards2)) # 合併數組
episode1=range(len(rewards1))
episode2=range(len(rewards2))
episode=np.concatenate((episode1,episode2))
sns.lineplot(x=episode,y=rewards)
plt.xlabel("episode")
plt.ylabel("reward")
plt.show()
結果如圖：
繪製出了帶聚合陰影的圖，實際上實際部分是seaborn默認對同一x軸的多個y值即rewards做了均值，陰影部分表示多組rewards的範圍，可以使用sns.lineplot(x=episode,y=rewards,ci=None)去掉。
使用pandas傳參
上面都是用ndarray傳參，這樣一方面免不了與matplotlib.pyplot混雜的成分比如plt.xlabel，另外繪製rewards聚合圖，也比較麻煩。既然使用pandas傳參，就需要先把array轉成DataFrame形式，如下：
import numpy as np
import pandas as pd
rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1])
rewards=np.vstack((rewards1,rewards2)) # 合併數組
df = pd.DataFrame(rewards).melt(var_name='episode',value_name='reward') # 推薦這種轉換方法
print(df)
推薦上述轉化方法，這樣無論rewards多少維都不影響最終的繪圖方式，其中melt方法將所有維合併成一列，var_name='episode',value_name='reward'則更改對應的列名，轉化結果如下：
episode reward
0 0 0.0
1 0 0.1
2 0 0.0
3 0 0.2
4 0 0.4
5 0 0.5
6 0 0.6
7 0 0.9
8 0 0.9
9 0 0.9
下面完整繪圖：
import seaborn as sns;sns.set()
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import pandas as pd
rewards1 = np.array([0, 0.1,0,0.2,0.4,0.5,0.6,0.9,0.9,0.9])
rewards2 = np.array([0, 0,0.1,0.4,0.5,0.5,0.55,0.8,0.9,1])
rewards=np.vstack((rewards1,rewards2)) # 合併數組
df = pd.DataFrame(rewards).melt(var_name='episode',value_name='reward')
sns.lineplot(x="episode", y="reward", data=df)
plt.show()
注意這裏的x,y不再傳入數組，而是傳入DataFrame中對應的列名，類似於python字典中的鍵，結果如下：
牛刀小試
最後繪製一個更爲複雜的可以用於paper的繪製方法：
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
def get_data():
'''獲取數據
'''
basecond = np.array([[18, 20, 19, 18, 13, 4, 1],[20, 17, 12, 9, 3, 0, 0],[20, 20, 20, 12, 5, 3, 0]])
cond1 = np.array([[18, 19, 18, 19, 20, 15, 14],[19, 20, 18, 16, 20, 15, 9],[19, 20, 20, 20, 17, 10, 0]])
cond2 = np.array([[20, 20, 20, 20, 19, 17, 4],[20, 20, 20, 20, 20, 19, 7],[19, 20, 20, 19, 19, 15, 2]])
cond3 = np.array([[20, 20, 20, 20, 19, 17, 12],[18, 20, 19, 18, 13, 4, 1], [20, 19, 18, 17, 13, 2, 0]])
return basecond, cond1, cond2, cond3
data = get_data()
label = ['algo1', 'algo2', 'algo3', 'algo4']
df=[]
for i in range(len(data)):
df.append(pd.DataFrame(data[i]).melt(var_name='episode',value_name='loss'))
df[i]['algo']= label[i]
df=pd.concat(df) # 合併
sns.lineplot(x="episode", y="loss", hue="algo", style="algo",data=df)
plt.title("some loss")
plt.show()
結果如下：
覺得還可以的話，不妨給個贊XD。