数据分析——seaborn可视化（笔记自用）

 参考内容

 【Python】一小时带你掌握seaborn可视化_哔哩哔哩_bilibili

---

目录

一、变量分布 

1、查看异常值 

2、观察变量分布 

3、figure-level functions具有FacetGrid特性 

二、数值变量的关系分析 

1、sns.relplot():

2、sns.lmplot():分析两个变量的线性关系

3、sns.displot():绘制两个变量的联合分布

4、sns.jointplot():绘制两个变量的联合分布和各自分布

 （1）sns.jointplot()

（2）jointplot的升级版：JointGrid，可通过g.plot自定义函数

 （3）sns.pairplot():成对绘制所有数值变量的联合分布

 （4）pairplot的升级版：PairGrid，可通过g.map自定义函数

  （5）data.corr()+sns.heatmap():成对绘制所有数值变量的相关系数

 三、类别变量的分析

 1、类别变量的分布：sns.countplot()，类似sns.histplot()

 2、类别变量与数值变量的关系

（1）不同类别中数值变量的均值/中值估计：barplot, pointplot

（2）不同类别中数值变量的取值范围：boxplot, boxenplot

（3）不同类别中数值变量的分布图：stripplot, swarmplot, violinplot

 四、FacetGrid, PairGrid中自定义绘制函数

1、FacetGrid

 2、PairGrid

---

 seaborn的函数结构通常可按照上图划分为：图绘制函数（紫红色）和轴绘制函数（天蓝色）。

每一类图绘制函数聚合了对应的轴绘制函数的功能，还提供相应的接口。

一、变量分布 

拿到一个数据，首先要查看变量的分布： 

• 变量取值范围，是否有异常值（outliers）？
• 变量分布是否近似正态分布？如果不是，那么是否有偏移？是否有双峰分布（bimodality）？
• 如果依据类别变量对数据集进行划分，各子集上变量的分布是否有很大的差异？

1、查看异常值 

（1）用seaborn中自带的数据集

print(sns.get_dataset_names())

penguin_df = sns.load_dataset('penguins')
penguin_df

（2）sns.boxplot()：查看数值变量的取值范围，观察是否有异常值（箱型图） 

sns.boxplot(data=penguin_df, x='bill_length_mm')    # 定义数据和变量名

 

图中 箱子中间的线是数据的中值；箱体左右两个边界是四分位数（75%的值是小于49的，25%的值小于39）；箱体外的两条线是表示合理范围内的最大值和最小值（用公式计算出来的），超出这个范围的话，数据就是不合理的，有可能是异常值，需要具体情况具体分析。

1、boxplot对应catplot(类别变量分析)，因此箱体图也可以用catplot绘制：

sns.catplot(data=penguin_df, x='bill_length_mm',kind='box')  # 需要定义kind

 2、也可以将所有变量的箱型图放到一个图中，但往往会因为数据不是一个数量级而效果不好:

sns.boxplot(data=penguin_df)

（3）观察异常值情况

sns.boxplot(data=tip_df)

图中红色圈的部分可能是异常值的点（具体问题具体分析）。

2、观察变量分布 

（1）sns.displot()：查看变量的分布

sns.displot(data=penguin_df, x='bill_length_mm')

 

# 通过设置bins来控制直方图的划分 
sns.displot(data=penguin_df, x='bill_length_mm', bins=50)

 bins划分过粗可能会忽略数据的分布特征，但有时划分过细又会导致过分解读。可以看到上图呈现双峰分布。

1、displot也可以对类别变量进行分析：

sns.displot(data=penguin_df, x='species')

 

2、对比用countplot对类别变量进行分析：

sns.countplot(data=penguin_df, x='species')

sns.displot(data=penguin_df, x='species', hue='species', shrink=0.7)

displot可以通过hue参数进行颜色区分，通过shink对柱状图进行放缩

（2）sns.displot()：看kde曲线

用核函数对数据的分布进行拟合，默认使用高斯核函数.

• 方法一：

sns.displot(data=penguin_df, x='bill_length_mm', kind='kde')

• 方法二：

sns.kdeplot(data=penguin_df, x='bill_length_mm')

rugplot是不占空间的，可以直接叠加在displot的图像上：

sns.displot(data=penguin_df, x='bill_length_mm', kind='kde', rug=True)

 

 虽然kde曲线更容易观察数据的分布规律，但可能在图像边缘部分的绘制超出取值范围。

• 解决方案一：(令cut=0)

sns.displot(data=penguin_df, x='bill_length_mm', kind='kde', rug=True, cut=0)

但是这种方法可能会改变数据分布。

• 解决方案二:（在直方图上叠加绘制kde）

sns.displot(data=penguin_df, x='bill_length_mm', kde=True)

 （3）分析双峰分布

sns.displot(data=penguin_df, x='bill_length_mm', kind='kde', hue='species')

 从图中可以看到，企鹅的最长在不同的种类上的kde分布是不一样的，它们之间有一定的差距。所以叠加起来会呈现双峰分布的特点。

 （4）分析偏移情况  

可以对数据进行对数处理

（5）经验分布函数（acdfplot）  

sns.displot(data=penguin_df, x='bill_length_mm', kind='ecdf')

 

 图中55对应的比例是0.97，表示数据中低于55的数据占75%。功能与箱型图比较类似，只是用不同的形式表现出来了。

3、figure-level functions具有FacetGrid特性 

FacetGrid将行和列设置成类别变量，根据数据变量的不同类别，将数据划分成不同的子集，在各个子集上分析各个变量的分布。（相当于绘制了变量的条件概率分布）

sns.displot(data=penguin_df, x='bill_length_mm', row='sex', col='island', kind='kde', hue='species')

 将行设置为性别（有两个类别），列设置为岛屿（有三个类别），绘制企鹅的嘴长的kde曲线（bill_length_mm）。

二、数值变量的关系分析 

1、sns.relplot():

• 绘制散点图

sns.relplot(data=tip_df, x='total_bill', y='tip', hue='time', style='time', markers=['o', '^'])

 markers可以自定义图中点的样式

sns.relplot(data=tip_df, x='total_bill', y='tip', hue='size', size='size')

 

 当类别较多时，会采用渐进色表示，通过size还可以设置大小。

• 绘制连线图

sns.relplot(data=tip_df, x='total_bill', y='tip',kind='line')

 

 上面的图有点乱，因为连线图适合分析时序数据、股价的波动等等。

# 股价分析
stock_df = pd.DataFrame(dict(time=np.arange(500), price=np.random.randn(500).cumsum()+np.ones(500)*50))
sns.relplot(data=stock_df, x='time', y='price', kind='line')

 随机数产生500个数，用累计和函数（cumsum）达到连续变化的效果来模拟股价变化。

2、sns.lmplot():分析两个变量的线性关系

 前面对tip_df绘制散点图时可以看到数据具有一定的相关性，因此可以用lmplot 取绘制回归线。

sns.lmplot(data=tip_df, x='total_bill', y='tip')

 

regplot和lmplot 绘制回归线的效果一样：

sns.regplot(data=tip_df, x='total_bill', y='tip')

 

 通过residplot绘制残差图：

sns.residplot(data=tip_df, x='total_bill', y='tip')

 

 理性情况下（拟合好的话），残差应该是随机分布的，而这里的残差还呈现一定的发散分布，肯定是两个变量之间的关系还没挖掘出来。

• lmplot也可以和relplot一样添加类别变量

sns.lmplot(data=tip_df, x='total_bill', y='tip', hue='time')

 

•  lmplot也具有FacetGrid特性

sns.lmplot(data=tip_df, x='total_bill',row='smoker', col='time', y='tip', hue='time')

 

3、sns.displot():绘制两个变量的联合分布

直方图形式： 

sns.displot(data=penguin_df, x='bill_length_mm', y='bill_depth_mm')

 

 kde曲线形式：

sns.displot(data=penguin_df, x='bill_length_mm', y='bill_depth_mm', kind='kde')

 可以通过设置thresh（0-1）来控制图形显示的范围、level控制线的疏密程度。

也可以用displot绘制类别变量的联合分布：

sns.displot(data=penguin_df, x='island', y='species')

 从图中可以看到，Gentoo只在Biscore island上，在Biscore island上，Gentoo占大多数，但还是有一部分的Adelie。

4、sns.jointplot():绘制两个变量的联合分布和各自分布

 （1）sns.jointplot()

默认情况下，联合分布是散点图，可以通过kind进行设置。`kind` is one of ['scatter', 'hist', 'hex', 'kde', 'reg', 'resid']

sns.jointplot(data=tip_df, x='total_bill', y='tip')

 

 还可以通过hue加入一个类别变量：

与displot相同，jointplot也可以绘制两个类别变量。 

（2）jointplot的升级版：JointGrid，可通过g.plot自定义函数

g = sns.JointGrid(data=tip_df, x='total_bill', y='tip')
g.plot(sns.histplot, sns.boxplot)  # 中间用直方图，边缘用箱型图

 自定义部分也可以更加具体：

g = sns.JointGrid(data=tip_df, x='total_bill', y='tip')
g.plot_joint(sns.kdeplot)  # 联合分布
g.plot_marginals(sns.histplot, kde=True)  # 边缘各自的分布

 （3）sns.pairplot():成对绘制所有数值变量的联合分布

sns.pairplot(data=tip_df, kind='kde')

 当变量较多时，可以选择自己所需的关键变量进行分析：

 （4）pairplot的升级版：PairGrid，可通过g.map自定义函数

g = sns.PairGrid(data=car_df, x_vars=['total', 'speeding', 'alcohol'], y_vars=['total', 'speeding', 'alcohol'])
g.map_upper(sns.scatterplot)
g.map_diag(sns.histplot, kde=True)
g.map_lower(sns.regplot)

  （5）data.corr()+sns.heatmap():成对绘制所有数值变量的相关系数

首先求出每对变量的相关系数 ：

car_cor = car_df.corr()
car_cor

 然后用热力图的方式把求到的相关系数表示出来：

sns.heatmap(car_cor, cmap='Blues', annot=True, fmt='.2f', linewidth=0.5)

 其中annot用来显示数值，fmt='.2f'表示浮点型，保留到小数点后两位。

 三、类别变量的分析

 1、类别变量的分布：sns.countplot()，类似sns.histplot()

sns.catplot(data=tip_df, x='time', kind='count')

 2、类别变量与数值变量的关系

（1）不同类别中数值变量的均值/中值估计：barplot, pointplot

sns.catplot(data=penguin_df, x='species', y='bill_length_mm', kind='bar', estimator=np.median, hue='island')

sns.catplot(data=penguin_df, x='species', y='bill_length_mm', kind='point')

 

（2）不同类别中数值变量的取值范围：boxplot, boxenplot

sns.catplot(data=penguin_df, x='species', y='bill_length_mm', kind='box')

 

 一般情况下boxplot就够用了，当变量取值范围很大时，可以用boxenplot（适合大数据集）。boxenplot可以逐级地绘制箱型图。

（3）不同类别中数值变量的分布图：stripplot, swarmplot, violinplot

 带状图结合了散点图和直方图的特点：

sns.catplot(data=penguin_df, x='species', y='bill_length_mm', kind='strip',jitter=0.3)

 通过jitter可以设置带状图的宽度，取值范围[0,1] 

 

 swarmplot:

violinplot:

 

 可以将swarmplot 叠加到violinplot上：

sns.catplot(data=penguin_df, x='species', y='bill_length_mm', kind='violin')
sns.swarmplot(data=penguin_df, x='species', y='bill_length_mm', color='w') # 这里要用axes-level

 四、FacetGrid, PairGrid中自定义绘制函数

1、FacetGrid

g = sns.FacetGrid(data=tip_df, row='time', col='smoker')  # 定义的行列需要是类别变；出来的图只有框线
# 自定义部分
g.map(sns.kdeplot, 'tip')

 绘制联合分布

g = sns.FacetGrid(data=tip_df, row='time', col='smoker') 
# 也可以绘制两个变量的联合分布
g.map(sns.scatterplot,'total_bill', 'tip')

 2、PairGrid

用法与pairplot类似 

g = sns.PairGrid(data=penguin_df,hue='species')
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.scatterplot)