123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136
# 一、单变量分析绘图import numpy as npimport pandas as pdfrom scipy import stats, integrateimport matplotlib.pyplot as pltimport seaborn as snssns.set(color_codes= True)np.random.seed(sum(map(ord,"distributions")))# 1、绘制直方图x = np.random.normal(size = 100)sns.distplot(x,bins = 20,kde=False,fit=stats.gamma) # x 数据 ，bins 间隔，kde 是否和密度估计，fit 绘制当前变化的指标plt.show()# 2、根据均值和协方差绘图mean,cov = [0,1],[(1, .5),(.5, 1)]data = np.random.multivariate_normal(mean, cov, 200)df = pd.DataFrame(data, columns=["x","y"])# 3、绘制散点图### 观测两个变量之间的关系最好用 散点图sns.jointplot(x="x",y="y", data = df) # jointplot()绘制散点图 x 第一维度 y 第二维度 data 数据plt.show()# 4、绘制hex图 六边形图 适用于数据量大的x,y = np.random.multivariate_normal(mean, cov, 1000).Twith sns.axes_style("white"): sns.jointplot(x=x,y=y,kind="hex",color="k") # kin指定格式为hexplt.show()# 5、绘制四个特征(变量)散点图 展示两两之间的关系iris = sns.load_dataset("iris")sns.pairplot(iris)plt.show()# ================================ ## 二、多变量分析绘图import numpy as npimport pandas as pdfrom scipy import stats, integrateimport matplotlib.pyplot as pltimport seaborn as snssns.set(style="shitefrid",color_codes=True)np.random.seed(sum(map(ord,"categorical")))titanic = sns.load_dataset("titanic")tips = sns.load_dataset("tips")iris = sns.load_dataset("iris")# 1、绘制 stripplot 图sns.stripplot(x="day", y="total_bill",data=tips) # 这样绘图 点太集中 不好分析sns.stripplot(x="day", y="total_bill",data=tips, jitter=True) # 添加jitter 更适合分析plt.show()# 2、绘制 swarmplot 图sns.swarmplot(x="day", y="total_bill",data=tips, hue="sex") # hue="sex" 绘制图例sns.swarmplot(x="total_bill", y="day",data=tips, hue="time") # hue="time" 绘制图例plt.show()# 3、绘制 boxplot 图（盒图）## IQR即统计学概念四分位距，第一/四分位与第三/四分位之间的距离 如100个样本 则去25 和 75 之间距离## N = 1.5IQR 如果一个值>Q3+N 或 < Q1-N,则为离群点sns.boxplot(x="day", y="total_bill", hue="time", data=tips)plt.show()## 图中 单独的菱形点为离群点 上下横线代表最大最小值## 横型盒图绘制sns.boxplot(data=iris,orient="h") # orient="h" 即指定横型plt.show()# 4、绘制 violinplot 图 （小提琴图）sns.violinplot(x="total_bill", y="day", hue="time", data=tips)plt.show()sns.violinplot(x="day", y="total_bill", hue="sex", data=tips,split=True)plt.show()# 5、多种图组合sns.violinplot(x="day", y="total_bill", data=tips, inner=None)sns.swarmplot(x="day", y="total_bill",data=tips, color="w", alpha=.5)plt.show()# 6、绘制 barplot 柱形图sns.barplot(x="sex", y="survived", hue="class",data=titanic)plt.show()# 7、绘制 pointplot 点图## 更好的描述变化差异sns.pointplot(x = "sex", y = "survived", hue="class", data=titanic)plt.show()## 比较好看的点图设置sns.pointplot(x="class", y="survived", hue="sex", data=titanic, palette={"male":"g","female":"m"},markers=["^","o"],linestyles=["-","--"])## palette调色板 markers 节点样式 linestyles 线条样式plt.show()# 8、绘制 factorplot 图 多层面板分类图sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips)plt.show()sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips, kind="bar")plt.show()sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips,col="time", kind="swarm")plt.show()sns.factorplot(x="time", y="total_bill", hue="smoker", data=tips,col="day", kind="box", size=4, aspect=.5)## col 指定对比类型 aspect 长宽比plt.show()"""### Parameters： ###* x,y,hue 数据集变量 变量名* date 数据集 数据集名* row,col 更多分类变量进行平铺显示 变量名* col_wrap 每行的最高平铺数 整数* estimator 在每个分类中进行矢量到标量的映射 矢量* ci 置信区间 浮点数或None* n_boot 计算置信区间时使用的引导迭代次数 整数* units 采样单元的标识符，用于执行多级引导和重复测量设计 数据变量或向量数据* order, hue_order 对应排序列表 字符串列表* row_order, col_order 对应排序列表 字符串列表* kind : 可选：point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点，swarm 分散点size 每个面的高度（英寸） 标量aspect 纵横比 标量orient 方向 "v"/"h"color 颜色 matplotlib颜色palette 调色板 seaborn颜色色板或字典legend hue的信息面板 True/Falselegend_out 是否扩展图形，并将信息框绘制在中心右边 True/Falseshare{x,y} 共享轴线 True/False"""
