Python 数据可视化之Seaborn详解
目录
安装
散点图
线图
条形图
直方图
总结
安装要安装 seaborn，请在终端中输入以下命令。
pip install seaborn
Seaborn 建立在 Matplotlib 之上，因此它也可以与 Matplotlib 一起使用。一起使用 Matplotlib 和 Seaborn 是一个非常简单的过程。我们只需要像之前一样调用 Seaborn Plotting 函数，然后就可以使用 Matplotlib 的自定义函数了。
注意： Seaborn 加载了提示、虹膜等数据集，但在本教程中，我们将使用 Pandas 加载这些数据集。
例子：
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
# 画线图
sns.lineplot(x="sex", y="total_bill", data=data)
# 使用 Matplotlib 设置标题
plt.title('Title using Matplotlib Function')
plt.show()
输出:
散点图是使用scatterplot() 方法绘制的。这类似于 Matplotlib，但需要额外的参数数据。
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
sns.scatterplot(x='day', y='tip', data=data,)
plt.show()
输出:
你会发现在使用 Matplotlib 时，如果你想根据sex为这个图的每个点着色会很困难。 但在散点图中，它可以在色调参数的帮助下完成。
例子：
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
sns.scatterplot(x='day', y='tip', data=data,
hue='sex')
plt.show()
输出:
Seaborn 中的 Line Plot 使用 lineplot() 方法绘制。 在这种情况下，我们也可以只传递 data 参数。
示例：
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
sns.lineplot(x='day', y='tip', data=data)
plt.show()
输出：
示例 2：
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
# 仅使用数据属性
sns.lineplot(data=data.drop(['total_bill'], axis=1))
plt.show()
输出：
Seaborn 中的条形图可以使用barplot()方法.
例子：
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
sns.barplot(x='day',y='tip', data=data,
hue='sex')
plt.show()
输出：
Seaborn 中的直方图可以使用histplot() 函数绘制。
例子：
# 导包
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
sns.histplot(x='total_bill', data=data, kde=True, hue='sex')
plt.show()
输出：
在浏览完所有这些绘图后，您一定已经注意到，使用 Seaborn 自定义绘图比使用 Matplotlib 容易得多。 它也是基于 matplotlib 构建的，那么我们也可以在使用 Seaborn 时使用 matplotlib 函数。下一节我们继续谈第三个库——Bokeh
总结本篇文章就到这里了，希望能够给你带来帮助，也希望您能够多多关注软件开发网的更多内容！
