seaborn

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

fonts = ['Microsoft YaHei', 'SimHei', 'SimSun', 'sans-serif']

sns.set_theme(
    style="whitegrid", 
    context="notebook", 
    palette="muted",
    font=fonts,
    rc={
        "axes.unicode_minus": False,   # 解决负号乱码
        "lines.linewidth": 2.5         # 线条加粗，更有质感
    }
)
plt.figure(figsize=(10,6))

<Figure size 1000x600 with 0 Axes>

<Figure size 1000x600 with 0 Axes>

seaborn 接口返回值：

• ax: 表示单图，

• Grid: 表示多图。

• Figure：特例。聚类图不常见。 https://seaborn.pydata.org/tutorial.html

import seaborn as sns

ax = sns.scatterplot(x=[1, 2, 3], y=[4, 5, 6])  # 返回 Axes
print(ax)  # <AxesSubplot: ...>  

Axes(0.125,0.11;0.775x0.77)

import numpy as np
import pandas as pd
zz = np.random.randn(3,3)
df = pd.DataFrame(zz)
sns.pairplot(df)

<seaborn.axisgrid.PairGrid at 0x21e4c143f50>

4.16.1　Seaborn与Matplotlib

• 如果是ax-level接口,返回ax对象; 如histplot、scatterplt

• figure-level接口，返回网格对象，通过.figure, .axes获取; 如pairplot

import matplotlib.pyplot as plt 
plt.style.use('classic') 
%matplotlib inline 
import numpy as np 
import pandas as pd

# 创建一些数据 
rng = np.random.RandomState(0) 
x = np.linspace(0, 10, 500) 
y = np.cumsum(rng.randn(500, 6), 0) # 累积求和。  生成500*6矩阵，然后列聚合， 500*1

# 用Matplotlib默认样式画图 
plt.plot(x, y) 
plt.legend('ABCDEF', ncol=2, loc='upper left');

import seaborn as sns 
sns.set()

# 同样的代码，seaborn绘图
plt.plot(x, y) 
plt.legend('ABCDEF', ncol=2, loc='upper left');

更好看了seaborn

默认很多时候出发legend

1. 频次直方图、KDE和密度图：数据分布

data = np.random.multivariate_normal([0, 0], [[5, 2], [2, 2]], size=2000) # 生成2000个二维正太分布点
data = pd.DataFrame(data, columns=['x', 'y']) 

for col in 'xy':  # 遍历xy列，  绘制x和y两个方向的hist
   plt.hist(data[col], density=True, alpha=0.5) # density=True 直方图面积和1

for col in 'xy': 
    sns.kdeplot(data[col], fill=True) # KDE平滑图

sns.histplot (data['x'], kde=True) # 平滑图和直方图
sns.histplot (data['y'], kde=True);

二维图

sns.kdeplot(data=data, x='x', y='y', fill=True)

<Axes: xlabel='x', ylabel='y'>

# 使用 jointplot 绘制二维数据的关系，  会带有变量的分布
sns.jointplot(data=data, x='x', y='y', kind='kde', fill=True)

<seaborn.axisgrid.JointGrid at 0x200443227b0>

2. 矩阵图： 多组2变量关系

对多维数据可视化，常常需要所有两个变量的关系，探索不同维度之间的相关性。

iris = sns.load_dataset("iris") 
iris.head() 

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	setosa
1	4.9	3.0	1.4	0.2	setosa
2	4.7	3.2	1.3	0.2	setosa
3	4.6	3.1	1.5	0.2	setosa
4	5.0	3.6	1.4	0.2	setosa

sns.pairplot

• kind: 图类型。 scatter默认。 ‘kde’平滑曲线

• diag_kind=’kde’:对角线上的图用KDE代替直方图hist

• hue : 按类别着色， 值为一个列名

• palette: 调色方案. 如’deep’

• height: 每个子图大小

• aspect: 长宽比

sns.pairplot(iris, hue='species', height=2.5); # 直接一句代码即可

3. 分面频次直方图：按类别的直方图。 按类别分布

tips = sns.load_dataset('tips') 
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['tip_pct'] = 100 * tips['tip'] / tips['total_bill'] # 小费占总账单的百分比。
 
grid = sns.FacetGrid(tips, row="sex", col="time", margin_titles=True) # 用于根据指定的分类变量来拆分数据，并生成一个 面板（facet） 图。
grid.map(plt.hist, "tip_pct", bins=np.linspace(0, 40, 15)); 

4. 箱线图： 分位点

• 箱体：Q1-Q3分位点. 四分位距IQR = Q3 - Q1

• 箱体里面横线：median

• 须：非异常范围。端点默认为Q1 - 1.5 × IQR 和 Q3 + 1.5 × IQR

• 单独点：异常值

箱线图 缺点 在于盒子里看不到样本的数量. 使用stripplot 分类散点

catplot : categorical

with sns.axes_style(style='ticks'): 
    g = sns.catplot(x="day", y="total_bill", hue="sex", data=tips, kind="box") 
    g.set_axis_labels("Day", "Total Bill")

titanic = sns.load_dataset('titanic')
sns.boxplot(data=titanic, x = 'class', y='age', hue='sex')

<Axes: xlabel='class', ylabel='age'>

5. 联合分布

# 使用 jointplot 创建 hexbin 图
with sns.axes_style('white'): 
    sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')

sns.jointplot(x="total_bill", y="tip", data=tips, kind='reg'); # 带回归拟合

6. 条形图: 每个分类统计

planets = sns.load_dataset('planets') 
planets.head() 

	method	number	orbital_period	mass	distance	year
0	Radial Velocity	1	269.300	7.10	77.40	2006
1	Radial Velocity	1	874.774	2.21	56.95	2008
2	Radial Velocity	1	763.000	2.60	19.84	2011
3	Radial Velocity	1	326.030	19.40	110.62	2007
4	Radial Velocity	1	516.220	10.50	119.47	2009

# 使用 catplot 创建计数图
with sns.axes_style('white'): 
    g = sns.catplot(x="year", data=planets, aspect=2,  #aspect控制宽度
                    kind="count", color='steelblue')
    # 设置 x 轴标签的步长
    g.set_xticklabels(rotation=45, ha="right")

# 使用 catplot 创建计数图，根据method字段着色
with sns.axes_style('white'): 
    g = sns.catplot(x="year", data=planets, aspect=4.0, kind='count', 
                    hue='method', order=range(2001, 2015)) # 指定年份

    # 设置 y 轴标签
    g.set_ylabels('Number of Planets Discovered')

7. 热图

可以绘制相关系数矩阵

mat = np.random.rand(5, 5)
corrs = np.corrcoef(mat)
sns.heatmap(corrs)

<Axes: >

# 生成 5x5 矩阵
mat = np.random.rand(5, 5)

# 绘制热图
sns.heatmap(mat, 
            square=True, 
            annot=True, 
            cbar=False,
            cmap="coolwarm",
            yticklabels = False
           ) # 正方形，显示数字，不显示colorbar

<Axes: >

7. 等高线

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

# 生成数据
x = np.random.normal(size=1000)
y = np.random.normal(size=1000)

# 使用 seaborn 绘制等高线
sns.kdeplot(x=x, y=y, cmap='Blues', fill=True, thresh=0.05)
plt.title('Seaborn Contour Plot')
plt.show()

stripplot 条带/ 分类散点图

tips = sns.load_dataset("tips")

ax = sns.stripplot(data=tips, x="total_bill", y="day")

8. lineplot 折线图

import seaborn as sns
import matplotlib.pyplot as plt

# 示例数据
data = {
    'x': [1, 2, 3, 4, 5],
    'y': [5, 7, 6, 8, 7]
}

# 画折线图
sns.lineplot(x=data['x'], y=data['y'])

plt.title('简单折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.tight_layout()

KdePlot 核密度估计

• Kernel Density Estimate

• 平滑了样本直方图

• 支持单变量，双变量

  • 单变量就是线， 山丘

  • 双变量就是等高线， 圈越小越密集，概率越大

geyser = sns.load_dataset("geyser")
sns.kdeplot(data=geyser, x="waiting", y="duration")

<Axes: xlabel='waiting', ylabel='duration'>

sns.kdeplot(
    data=geyser, x="waiting", y="duration", hue="kind", fill=True,
)

<Axes: xlabel='waiting', ylabel='duration'>

注意的是如果 标签hue数量差别大，那么会导致数量少的特征不明显。

• 这往往不符合我们的本意

tips = sns.load_dataset('tips')
tips

	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
...	...	...	...	...	...	...	...
239	29.03	5.92	Male	No	Sat	Dinner	3
240	27.18	2.00	Female	Yes	Sat	Dinner	2
241	22.67	2.00	Male	Yes	Sat	Dinner	2
242	17.82	1.75	Male	No	Sat	Dinner	2
243	18.78	3.00	Female	No	Thur	Dinner	2

244 rows × 7 columns

sns.kdeplot(
    data = tips,
    x = 'total_bill',
    hue = 'time'
)

<Axes: xlabel='total_bill', ylabel='Density'>

sns.kdeplot(
    data = tips,
    x = 'total_bill',
    hue = 'time',
    common_norm = False
)

<Axes: xlabel='total_bill', ylabel='Density'>

barplot

分类的频率图, 显示误差。 看不到计数

flights = sns.load_dataset(name='flights')

flights.head()

	year	month	passengers
0	1949	Jan	112
1	1949	Feb	118
2	1949	Mar	132
3	1949	Apr	129
4	1949	May	121

sns.barplot(flights, x="passengers", y="year", orient="y")

<Axes: xlabel='passengers', ylabel='year'>

pointplot 点图

将每组数据转为一个点：均值及误差

penguins = sns.load_dataset(name='penguins')

penguins.head()

	species	island	bill_length_mm	bill_depth_mm	flipper_length_mm	body_mass_g	sex
0	Adelie	Torgersen	39.1	18.7	181.0	3750.0	Male
1	Adelie	Torgersen	39.5	17.4	186.0	3800.0	Female
2	Adelie	Torgersen	40.3	18.0	195.0	3250.0	Female
3	Adelie	Torgersen	NaN	NaN	NaN	NaN	NaN
4	Adelie	Torgersen	36.7	19.3	193.0	3450.0	Female

sns.pointplot(data=penguins, x="species", y="body_mass_g")

<Axes: xlabel='species', ylabel='body_mass_g'>

sns.pointplot(data=penguins, x="island", y="body_mass_g", hue="sex")

<Axes: xlabel='island', ylabel='body_mass_g'>

countplot 计数图

sns.countplot(titanic, x="class", hue="survived", stat="percent")

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[1], line 1
----> 1 sns.countplot(titanic, x="class", hue="survived", stat="percent")

NameError: name 'sns' is not defined

Pairgrid 成对关系网格

• 搭建了网格框架，需要调用map自行塞入

• map传递的是双变量函数。func(x,y)

penguins = sns.load_dataset('penguins')

g = sns.PairGrid(penguins)
g.map(sns.scatterplot)

<seaborn.axisgrid.PairGrid at 0x1cf49d42e40>

g = sns.PairGrid(penguins)
g.map_diag(sns.histplot) # 对角线
g.map_offdiag(sns.scatterplot) # 非对角线

<seaborn.axisgrid.PairGrid at 0x1cf8b839590>

g = sns.PairGrid(penguins, diag_sharey=False)
g.map_upper(sns.scatterplot) # 散点
g.map_lower(sns.kdeplot) # 分布
g.map_diag(sns.kdeplot) # 分布

<seaborn.axisgrid.PairGrid at 0x1cf8c75de50>

自定义函数

• func(x,y, **kwargs)

import numpy as np
import matplotlib.pyplot as plt
def plot_crr(x, y, **kwargs):
    r = np.corrcoef(x, y)[0][1]
    ax = plt.gca() # 获取当前坐标轴
    ax.annotate(f"r = {r:.2f}", xy=(0.5, 0.5), xycoords=ax.transAxes, 
                ha='center', fontsize=12, fontweight='bold')

penguins = penguins.dropna()
g = sns.PairGrid(penguins, diag_sharey=False)
g.map_upper(sns.scatterplot) # 散点
g.map_lower(plot_crr) # 相关系数
g.map_diag(sns.kdeplot) # 分布

<seaborn.axisgrid.PairGrid at 0x1cf8b2f32f0>

##　案例：探索马拉松比赛成绩数据

data = pd.read_csv('marathon-data.csv') 
data.head() 

	age	gender	split	final
0	33	M	01:05:38	02:08:51
1	32	M	01:06:26	02:09:28
2	31	M	01:06:49	02:10:42
3	38	M	01:06:16	02:13:45
4	31	M	01:06:32	02:13:59

data.dtypes

age        int64
gender    object
split     object
final     object
dtype: object

默认情况下， 时间都会转为字符串对象，我们需要转换位时间类型

def convert_time(s):
    # 分割并转换时、分、秒为整数
    h, m, s = map(int, s.split(':'))  
    # 将时分秒转换为timedelta格式
    return pd.to_timedelta(f"{h}h {m}m {s}s")
data = pd.read_csv('marathon-data.csv', converters={'split':convert_time, 'final':convert_time})  # 导入时，就传入转换函数
data.head() 

	age	gender	split	final
0	33	M	0 days 01:05:38	0 days 02:08:51
1	32	M	0 days 01:06:26	0 days 02:09:28
2	31	M	0 days 01:06:49	0 days 02:10:42
3	38	M	0 days 01:06:16	0 days 02:13:45
4	31	M	0 days 01:06:32	0 days 02:13:59

data.dtypes

age                 int64
gender             object
split     timedelta64[ns]
final     timedelta64[ns]
dtype: object

data['split_sec'] = data['split'].astype(int) / 1E9 
data['final_sec'] = data['final'].astype(int) / 1E9 
data.head() 

	age	gender	split	final	split_sec	final_sec
0	33	M	0 days 01:05:38	0 days 02:08:51	3938.0	7731.0
1	32	M	0 days 01:06:26	0 days 02:09:28	3986.0	7768.0
2	31	M	0 days 01:06:49	0 days 02:10:42	4009.0	7842.0
3	38	M	0 days 01:06:16	0 days 02:13:45	3976.0	8025.0
4	31	M	0 days 01:06:32	0 days 02:13:59	3992.0	8039.0

 with sns.axes_style('white'):
    g = sns.jointplot(x="split_sec", y="final_sec", data=data, kind='hex')
    g.ax_joint.plot(np.linspace(4000, 16000), np.linspace(8000, 32000), ':k') # 添加一条虚线： 

虚线表示这个人上半程时间和下半程时间一样。 但是显然，后半程更加耗时，越跑越慢。

现在衡量后半程加速的程度，小于0表示时后半程加速选手

data['split_frac'] = 1 - 2 * data['split_sec'] / data['final_sec'] 
data.head() 

	age	gender	split	final	split_sec	final_sec	split_frac
0	33	M	0 days 01:05:38	0 days 02:08:51	3938.0	7731.0	-0.018756
1	32	M	0 days 01:06:26	0 days 02:09:28	3986.0	7768.0	-0.026262
2	31	M	0 days 01:06:49	0 days 02:10:42	4009.0	7842.0	-0.022443
3	38	M	0 days 01:06:16	0 days 02:13:45	3976.0	8025.0	0.009097
4	31	M	0 days 01:06:32	0 days 02:13:59	3992.0	8039.0	0.006842

sns.displot(data['split_frac'], kde=False); 
plt.axvline(0, color="k", linestyle="--");

sum(data.split_frac < 0) 

251

可以看到，4万名仅仅有250名时后半程加速选手。

那探究这与其他变量是否有相关性

g = sns.PairGrid(data, vars=['age', 'split_sec', 'final_sec', 'split_frac'], 
                 hue='gender', palette='RdBu_r')  # pairplot自由版
g.map(plt.scatter, alpha=0.8) 
g.add_legend();

没看出什么相关性

对比男女选手差异：

sns.kdeplot(data.split_frac[data.gender=='M'], label='men', fill=True) 
sns.kdeplot(data.split_frac[data.gender=='W'], label='women', fill=True) 
plt.legend()

<matplotlib.legend.Legend at 0x2bd627f9f10>

男女的后半程加速系数 几乎都是双峰分布

分开来看

sns.violinplot(x="gender", y="split_frac", hue="gender", data=data, 
               palette=["lightblue", "lightpink"], legend=False)

<Axes: xlabel='gender', ylabel='split_frac'>

通过年龄段再看看

data['age_dec'] = data.age.map(lambda age: 10 * (age // 10)) 
data.head() 

	age	gender	split	final	split_sec	final_sec	split_frac	age_dec
0	33	M	0 days 01:05:38	0 days 02:08:51	3938.0	7731.0	-0.018756	30
1	32	M	0 days 01:06:26	0 days 02:09:28	3986.0	7768.0	-0.026262	30
2	31	M	0 days 01:06:49	0 days 02:10:42	4009.0	7842.0	-0.022443	30
3	38	M	0 days 01:06:16	0 days 02:13:45	3976.0	8025.0	0.009097	30
4	31	M	0 days 01:06:32	0 days 02:13:59	3992.0	8039.0	0.006842	30

men = (data.gender == 'M') 
women = (data.gender == 'W') 

with sns.axes_style(style=None): 
    sns.violinplot(x="age_dec", y="split_frac", hue="gender", data=data, split=True, inner="quartile", 
                   palette=["lightblue", "lightpink"], legend=True)

可以看到 20-50岁，男性选手 后半程加速系数的分布 更加松散。 80以上的女选手发挥比80以上男选手发挥好得多

(data.age > 80).sum() 

np.int64(7)

这是因为80以上样本太少了

观察是哪些选手的 后半程加速系数 小于0

# Lmplot绘制散点图，并拟合直线。  col表示根据gender划分两个子图，
g = sns.lmplot(x='final_sec',y= 'split_frac', col='gender', data=data, 
                       markers=".", scatter_kws=dict(color='c')) 
g.map(plt.axhline, y=0.1, color="k", ls=":");

发现后半程加速选手的成绩都在15000秒内。

https://seaborn.pydata.org/generated/seaborn.heatmap.html