zoukankan      html  css  js  c++  java
  • Python图表数据可视化Seaborn:1. 风格| 分布数据可视化-直方图| 密度图| 散点图

    conda  install seaborn  是安装到jupyter那个环境的

    1. 整体风格设置

    对图表整体颜色、比例等进行风格设置,包括颜色色板等
    调用系统风格进行数据可视化

    set() / set_style() / axes_style() / despine() / set_context()

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    % matplotlib inline
    #创建正弦函数及图表
    def sinplot(flip = 1):
        x = np.linspace(0, 14, 100)
        for i in range(1, 7):
            plt.plot(x, np.sin(x + i * 5) * (7 - i) * flip)
    sinplot()
        

    1.1 set()

    sns.set() #设置风格之后就会固定住,唯一办法就是刷新重新设置下
    sinplot()
    plt.grid(linestyle = '--')

    1.2 set_style()

    fig = plt.figure(figsize=(6,6))
    ax1 = fig.add_subplot(2,1,1)
    sns.set_style("whitegrid")   sns.boxplot(data=data) 箱型图
    # 2、set_style()
    # 切换seaborn图表风格
    # 风格选择包括:"white", "dark", "whitegrid", "darkgrid", "ticks"
    
    fig = plt.figure(figsize=(6,6))
    ax1 = fig.add_subplot(2,1,1)
    sns.set_style(
    "whitegrid") data = np.random.normal(size=(20, 6)) + np.arange(6) / 2 sns.boxplot(data=data) plt.title('style - whitegrid') # 仍然可以使用matplotlib的参数 ax2 = fig.add_subplot(2,1,2) #sns.set_style("dark") sinplot() # 子图显示

    1.3 despine()

    sns.despine()会删除上、右坐标轴; sns.despine(offset=10, trim=True) sns.despine(left=True, right = False) #left=True是左边不显示;right=False是显示
    fig = plt.figure(figsize=(6,9)) plt.subplots_adjust(hspace=0.3) #创建图表 -->> ax1 = fig.add_subplot(3,1,1)
    sns.violinplot(data=data) 小提琴状 sns.boxplot(data=data, palette="deep")
    # 3、despine()
    # 设置图表坐标轴
    # seaborn.despine(fig=None, ax=None, top=True, right=True, left=False, 
    # bottom=False, offset=None, trim=False)
    
    sns.set_style("ticks")
    # 设置风格
    
    fig = plt.figure(figsize=(6,9))
    plt.subplots_adjust(hspace=0.3)
    # 创建图表
    
    ax1 = fig.add_subplot(3,1,1)  
    sinplot()
    sns.despine()
    # 删除了上、右坐标轴
    
    ax2 = fig.add_subplot(3,1,2)
    sns.violinplot(data=data) #小提琴图
    # sns.despine(offset=10, trim=True)  #offset坐标轴会偏移10; trim=False是坐标轴没有限制 
    # offset:与坐标轴之间的偏移
    # trim:为True时,将坐标轴限制在数据最大最小值
    
    ax3 = fig.add_subplot(3,1,3)
    sns.boxplot(data=data, palette="deep")
    sns.despine(left=True, right = False) #left=True是左边不显示;right=False是显示
    # top, right, left, bottom:布尔型,为True时不显示

    1.4 axes_style()

    with sns.axes_style("darkgrid"):
        plt.subplot(211)
        sinplot()
    # 4、axes_style() 设置局部图表风格,可学习和with配合的用法
    
    with sns.axes_style("darkgrid"):        #只在sns这个图表,这个代码块里边设置风格,外边的风格还是whitegrid
        plt.subplot(211)       
        sinplot()
    # 设置局部图表风格,用with做代码块区分
    
    sns.set_style("whitegrid")
    plt.subplot(212)
    sinplot()
    # 外部表格风格

    1.5 set_context()

    sns.set_context("paper") ; 因为你在不同屏幕中看到的不一样这里就可以设置
    # 5、set_context()
    # 设置显示比例尺度
    # 选择包括:'paper', 'notebook', 'talk', 'poster'
    
    sns.set_context("paper")
    sinplot()
    # 默认为notebook

    2. 调色盘

     对图表整体颜色、比例等进行风格设置,包括颜色色板等
     调用系统风格进行数据可视化

     color_palette()

     2.1 color_palette()

    sns.color_palette()
    # 默认6种颜色:deep, muted, pastel, bright, dark, colorblind
    
    
    # 1、color_palette()
    # 默认6种颜色:deep, muted, pastel, bright, dark, colorblind
    # seaborn.color_palette(palette=None, n_colors=None, desat=None)
    current_palette = sns.color_palette()
    sns.palplot(current_palette)

    # 一、其他颜色风格
    # 风格内容:Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, 
    # BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, 
    # Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples,
    # Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, 
    # Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, 
    # autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, 
    # cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, 
    # gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, 
    # hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, 
    # pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spectral, spectral_r, spring, 
    # spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r
    sns.palplot(sns.color_palette("inferno_r", 8))  #inferno 和 inferno_r 颜色反转了哦
    # 这里颜色风格为 hls
    # 颜色色块个数为8个
    # 风格颜色反转(不是所有颜色都可以反转):Blues/Blues_r

    #分组颜色设置 - “Paired”
    sns.palplot(sns.color_palette("Paired", 10)) #color_palette默认颜色

    2.2 sns.hls_palette(l=  ,s= ) 亮度、饱和度

    sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度;s--> 饱和度
    # 2、设置亮度,饱和度  可用方法:
    #husl_palette([n_colors, h, s, l])
    # hls_palette([n_colors, h, l, s])
    sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度;s--> 饱和度

    2.3 cubehelix_palette()按线性增长计算,设置颜色

    sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))
    # 3、cubehelix_palette()
    # 按照线性增长计算,设置颜色
    
    sns.palplot(sns.cubehelix_palette(8, gamma=2)) #gamma值越大越暗
    sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75)) #8个色带,从1.2颜色开始算,rot是旋转角度;start、rot起始终止颜色
    sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))
    # n_colors → 颜色个数
    # start → 值区间在0-3,开始颜色
    # rot → 颜色旋转角度
    # gamma → 颜色伽马值,越大颜色越暗
    # dark,light → 值区间0-1,颜色深浅
    # reverse → 布尔值,默认为False,由浅到深

    2.4 dark_palette() light_palette()颜色深浅

    sns.palplot(sns.light_palette("green"))
    sns.palplot(sns.dark_palette("red", reverse=True)) 
     #4、dark_palette(color[, n_colors, reverse, ...]) / light_palette(color[, n_colors, reverse, ...])
    # 颜色深浅
    
    sns.palplot(sns.light_palette("green"))   # 按照green做浅色调色盘
    #sns.palplot(sns.color_palette("Greens"))  # cmap为Greens风格
    
    sns.palplot(sns.dark_palette("red", reverse=True))   # 按照blue做深色调色盘
    # reverse → 转制颜色

    2.5 diverging_palette()创建分散颜色

    sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) 起始值、终止值、s为饱和度、l为亮度、n为个数
    cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘
    sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了
    # 5、diverging_palette() 创建分散颜色
    # seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6, 
    # center='light', as_cmap=False)¶
    
    sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) #第一个起始值和末尾颜色值,s和l是饱和度、亮度,n个数
    # h_neg, h_pos → 起始/终止颜色值
    # s → 值区间0-100,饱和度
    # l → 值区间0-100,亮度
    # n → 颜色个数
    # center → 中心颜色为浅色还是深色“light”,“dark”,默认为light

    # 5、diverging_palette() 创建分散颜色
    
    plt.figure(figsize = (8,6))
    x = np.arange(25).reshape(5, 5) #二维的组
    cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘
    sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了

    # 设置调色板后,绘图创建图表 
    
    sns.set_style("whitegrid")
    # 设置风格
    
    with sns.color_palette("PuBuGn_d"): #设置调色盘
        plt.subplot(211)
        sinplot()
    
    sns.set_palette("husl") #或者这样
    plt.subplot(212)
    sinplot()
    # 绘制系列颜色

    3. 分布数据可视化 - 直方图与密度图

    distplot() / kdeplot() / rugplot()

     3.1直方图distplot( )

    sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False,
                rug = True,vertical = False,
                color = 'y',label = 'distplot',axlabel = 'x')
    颜色设置:sns.distplot(s,rug = True, 
                rug_kws = {'color':'g'} ,   
                kde_kws={"color": "k", "lw": 1, "label": "KDE",'linestyle':'--'},   
                hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"})  
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    % matplotlib inline
    
    sns.set_style("darkgrid")
    sns.set_context("paper")
    # 设置风格、尺度
    
    import warnings
    warnings.filterwarnings('ignore') 
    # 不发出警告
    rs = np.random.RandomState(10)  # 设定随机数种子
    s = pd.Series(rs.randn(100) * 100)
    sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False,
                rug = True,vertical = False,
                color = 'y',label = 'distplot',axlabel = 'x')
    plt.legend()
    # bins → 箱数
    # hist、ked → 是否显示箱数/显示密度曲线
    # norm_hist → 直方图是否按照密度来显示
    # rug → 是否显示数据分布情况
    # vertical → 是否水平显示
    # color → 设置颜色
    # label → 图例
    # axlabel → x轴标注

    # 1、直方图 - distplot()
    # 颜色详细设置
    
    sns.distplot(s,rug = True, 
                rug_kws = {'color':'g'} ,   
                # 设置数据频率分布颜色
                kde_kws={"color": "k", "lw": 1, "label": "KDE",'linestyle':'--'},   
                # 设置密度曲线颜色,线宽,标注、线形
                hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"})  
                # 设置箱子的风格、线宽、透明度、颜色
                # 风格包括:'bar', 'barstacked', 'step', 'stepfilled'

     3.2密度图sns.kdeplot( )  sns.rugplot( )

    单个样本:sns.kdeplot(s,
               shade = False,  # 是否填充
               color = 'r',   # 设置颜色
               vertical = False  # 设置是否水平
               )
    sns.kdeplot(s,bw=5, label="bw: 0.2",
                linestyle = '-',linewidth = 1.2,alpha = 0.5)
    sns.rugplot(s,height = 0.1,color = 'k',alpha = 0.5)数据频率分布
    多个样本:
    sns.kdeplot(df['A'],df['B'],cbar = True, shade = True, cmap = 'Reds', shade_lowest=False,n_levels = 10 )两个维度数据生成曲线密度图,以颜色作为密度衰减
    plt.grid(linestyle = '--')
    plt.scatter(df['A'], df['B'], s=5, alpha = 0.5, color = 'k') #散点
    
    sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5)
    sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5)
    # 2、密度图 - kdeplot()
    # 单个样本数据密度分布图
    
    sns.kdeplot(s,
               shade = False,  # 是否填充
               color = 'r',   # 设置颜色
               vertical = False  # 设置是否水平
               )
    
    sns.kdeplot(s,bw=5, label="bw: 0.2",
                linestyle = '-',linewidth = 1.2,alpha = 0.5)
    sns.kdeplot(s,bw=20, label="bw: 2",
                linestyle = '-',linewidth = 1.2,alpha = 0.5)
    # bw → 控制拟合的程度,类似直方图的箱数,设置的数量越大越平滑,越小越容易过度拟合
    
    sns.rugplot(s,height = 0.1,color = 'k',alpha = 0.5)
    # 数据频率分布图

    # 2、密度图 - kdeplot()
    # 两个样本数据密度分布图
    
    rs = np.random.RandomState(2)  # 设定随机数种子
    df = pd.DataFrame(rs.randn(100,2),
                     columns = ['A','B'])
    sns.kdeplot(df['A'],df['B'], #两个样本的数据密度图
               cbar = True,    # 是否显示颜色图例
               shade = True,   # 是否填充
               cmap = 'Reds',  # 设置调色盘
               shade_lowest=False,  # 最外围颜色是否显示
               n_levels = 10   # 曲线个数(如果非常多,则会越平滑)
               )
    # 两个维度数据生成曲线密度图,以颜色作为密度衰减显示
    plt.grid(linestyle = '--')
    plt.scatter(df['A'], df['B'], s=5, alpha = 0.5, color = 'k') #散点
    
    sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5)
    sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5)
    # 注意设置x,y轴

    # 2、密度图 - kdeplot()
    # 两个样本数据密度分布图
    # 多个密度图
    
    rs1 = np.random.RandomState(2)  
    rs2 = np.random.RandomState(5)  
    df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = ['A','B'])
    df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = ['A','B'])
    # 创建数据
    
    sns.kdeplot(df1['A'],df1['B'],cmap = 'Greens',
                shade = True,shade_lowest=False)
    sns.kdeplot(df2['A'],df2['B'],cmap = 'Blues',
                shade = True,shade_lowest=False)
    # 创建图表

    4. 分布数据可视化 - 散点图

    分布数据可视化 - 散点图

    jointplot( ) / pairplot( )

    综合和矩阵散点图 

    散点图+分布图(直方)sns.jointplot(x=df['A'], y=df['B'], data=df,color = 'k',s = 50, edgecolor="w",linewidth=1,kind = 'scatter',space = 0.2, size = 5,
                  ratio = 4, marginal_kws=dict(bins=15, rug=True))  
    散点图+分布图(直方),点为六边形 sns.jointplot(x=df['A'], y=df['B'],data = df, kind="hex", color="k",
                             marginal_kws=dict(bins=20))
    散点图+分布图(密度)g = sns.jointplot(x=df['A'], y=df['B'],data = df,
                      kind="kde", color="k",
                      shade_lowest=False) 
    g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+") 在密度图上添加散点图
    综合散点图(可拆分) plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()
    g = sns.JointGrid(x="total_bill", y="tip", data=tips) g.plot_joint(plt.scatter, color ='m', edgecolor = 'white') # 设置框内图表,scatter,首先设置个内部的点图 g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,bins=np.arange(0, 60, 3))# 设置x轴直方图,注意bins是数组 g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6,orientation="horizontal",bins=np.arange(0, 12, 1))
    # plot_joint() + plot_marginals()
    g = sns.JointGrid(x="total_bill", y="tip", data=tips)
    g = g.plot_joint(sns.kdeplot,cmap = 'Reds_r') g.plot_marginals(sns.distplot, kde=True,color="g") 
    g.plot_marginals(sns.kdeplot, shade = True, color="r")
     

    3.1综合散点图 

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    % matplotlib inline
    
    sns.set_style("whitegrid")
    sns.set_context("paper")
    # 设置风格、尺度
    
    import warnings
    warnings.filterwarnings('ignore') 
    # 不发出警告
    # 1、综合散点图 - jointplot()
    # 散点图 + 分布图
    
    rs = np.random.RandomState(2)  
    df = pd.DataFrame(rs.randn(200,2),columns = ['A','B'])
    # 创建数据
    
    sns.jointplot(x=df['A'], y=df['B'],  # 设置xy轴,显示columns名称
                  data=df,   # 设置数据
                  color = 'k',   # 设置颜色
                  s = 50, edgecolor="w",linewidth=1,  # 设置散点大小、边缘线颜色及宽度(只针对scatter)
                  kind = 'scatter',   # 设置类型:“scatter”、“reg”、“resid”、“kde”、“hex”
                  space = 0.2,  # 设置散点图和布局图的间距
                  size = 5,   # 图表大小(自动调整为正方形)
                  ratio = 4,  # 散点图与布局图高度比,整型
                  marginal_kws=dict(bins=15, rug=True)  # 设置柱状图箱数,是否设置rug
                  )  

    # 1、综合散点图 - jointplot()
    # 散点图 + 分布图
    # 六边形图
    
    df = pd.DataFrame(rs.randn(500,2),columns = ['A','B'])
    # 创建数据
    
    with sns.axes_style("white"):
        sns.jointplot(x=df['A'], y=df['B'],data = df, kind="hex", color="k",
                     marginal_kws=dict(bins=20))

    # 1、综合散点图 - jointplot()
    # 散点图 + 分布图
    # 密度图
    
    rs = np.random.RandomState(15)
    df = pd.DataFrame(rs.randn(300,2),columns = ['A','B'])
    # 创建数据
    
    g = sns.jointplot(x=df['A'], y=df['B'],data = df,
                      kind="kde", color="k",
                      shade_lowest=False) #是否对外围做面积的覆盖
    # 创建密度图
    
    g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+")
    # 添加散点图

    # 1、综合散点图 - JointGrid()
    # 可拆分绘制的散点图
    # plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()
    
    sns.set_style("white")
    # 设置风格
    
    tips = sns.load_dataset("tips")
    print(tips.head())
    # 导入数据
    
    g = sns.JointGrid(x="total_bill", y="tip", data=tips)
    # 创建一个绘图表格区域,设置好x、y对应数据
    
    g.plot_joint(plt.scatter, color ='m', edgecolor = 'white')  # 设置框内图表,scatter,首先设置个内部的点图
    g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,
                     bins=np.arange(0, 60, 3))            # 设置x轴直方图,注意bins是数组
    g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6,
                     orientation="horizontal",
                     bins=np.arange(0, 12, 1))            # 设置x轴直方图,注意需要orientation参数
    
    from scipy import stats
    g.annotate(stats.pearsonr)    
    # 设置标注,可以为pearsonr,spearmanr
    
    plt.grid(linestyle = '--')

    # 1、综合散点图 - JointGrid()
    # 可拆分绘制的散点图
    # plot_joint() + plot_marginals()
    
    g = sns.JointGrid(x="total_bill", y="tip", data=tips)
    # 创建一个绘图表格区域,设置好x、y对应数据
    
    g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white")   # 绘制散点图
    plt.grid(linestyle = '--')
    
    g.plot_marginals(sns.distplot, kde=True, color="g")                # 绘制x,y轴直方图

    # 1、综合散点图 - JointGrid()
    # 可拆分绘制的散点图
    # plot_joint() + plot_marginals()
    # kde - 密度图
    
    g = sns.JointGrid(x="total_bill", y="tip", data=tips)
    # 创建一个绘图表格区域,设置好x、y对应数据
    
    g = g.plot_joint(sns.kdeplot,cmap = 'Reds_r')             # 绘制密度图
    plt.grid(linestyle = '--')
    
    g.plot_marginals(sns.kdeplot, shade = True, color="r")  # 绘制x,y轴密度图

    3.2矩阵散点图

    # 2、矩阵散点图 - pairplot()
    
    sns.set_style("white")
    # 设置风格
    
    iris = sns.load_dataset("iris")
    print(iris.head())
    # 读取数据
    
    sns.pairplot(iris,
                kind = 'scatter',  # 散点图/回归分布图 {‘scatter’, ‘reg’}  
                diag_kind="hist",  # 直方图/密度图 {‘hist’, ‘kde’}
                hue="species",   # 按照某一字段进行分类
                palette="husl",  # 设置调色板
                markers=["o", "s", "D"],  # 设置不同系列的点样式(这里根据参考分类个数)
                size = 1,   # 图表大小
                )

    # 2、矩阵散点图 - pairplot()
    # 只提取局部变量进行对比
    
    sns.pairplot(iris,vars=["sepal_width", "sepal_length"],
                 kind = 'reg', diag_kind="kde", 
                 hue="species", palette="husl")

    # 2、矩阵散点图 - pairplot()
    # 其他参数设置
    
    sns.pairplot(iris, diag_kind="kde", markers="+",
                 plot_kws=dict(s=50, edgecolor="b", linewidth=1),
                 # 设置点样式
                 diag_kws=dict(shade=True)
                 # 设置密度图样式
                )

    # 2、矩阵散点图 - PairGrid()
    # 可拆分绘制的散点图
    # map_diag() + map_offdiag()
    
    g = sns.PairGrid(iris,hue="species",palette = 'hls',
                    vars = ['sepal_length','sepal_width','petal_length','petal_width'],  # 可筛选
                    )
    # 创建一个绘图表格区域,设置好x、y对应数据,按照species分类
    
    g.map_diag(plt.hist, 
               histtype = 'barstacked',   # 可选:'bar', 'barstacked', 'step', 'stepfilled'
               linewidth = 1, edgecolor = 'w')           
    # 对角线图表,plt.hist/sns.kdeplot
    
    g.map_offdiag(plt.scatter,
                  edgecolor="w", s=40,linewidth = 1,   # 设置点颜色、大小、描边宽度
                 )     
    # 其他图表,plt.scatter/plt.bar...
    
    g.add_legend()
    # 添加图例

    # 2、矩阵散点图 - PairGrid()
    # 可拆分绘制的散点图
    # map_diag() + map_lower() + map_upper()
    
    g = sns.PairGrid(iris)
    g.map_diag(sns.kdeplot, lw=3)   # 设置对角线图表
    g.map_upper(plt.scatter, color = 'r')     # 设置对角线上端图表
    g.map_lower(sns.kdeplot, cmap="Blues_d")      # 设置对角线下端图表

  • 相关阅读:
    解决 Response GZIP Chunked 引发的异常
    已知Random.Next(1,10),产生1至100不重复的随机数据
    EntLib Validation Application Block 01 通过配置文件,自行指定对象自身方法进行验证
    梅花雪日历限制只可以小于等于当前日期的功能
    缓存Linq的mappingSource,提高Linq To SQL的性能,(20%的性能都不至哟)
    系统数据源连接对话框
    新浪还是明码保存密码?
    MVVM:ViewModel片段
    利用Microsoft.ReportingServices.RdlObjectModel.dll文件对rdl进行动态更改
    《软件架构师应该知道的97件事》
  • 原文地址:https://www.cnblogs.com/shengyang17/p/9693991.html
Copyright © 2011-2022 走看看