matplotlib中plot,python matplotlib 图例

　　联合分布图是查看两个或多个变量之间成对关系的一种可视化形式，常用于数据分析。一张好看的联合分布图，可以让我们的数据分析更加直观，让大家眼前一亮。

　　然后，本文将使用seaborn绘制联合分布图。Seaborn是一个基于matplotlib的Python数据可视化模块。有了它，我们可以通过简单的操作画出各种各样的动图。

　　首先，介绍所需的模块。

　　将panda导入为PD将seaborn导入为SNS接下来，导入存储绘制联合分布图所需数据的文件。因为我将数据存储在一个. csv文件中，所以我使用pd.read_csv来导入数据。我的数据如下图所示。csv文件，有107行，包括106行样本加上1个行和列标题；和10列。让我们只看前几行：

　　导入数据的代码如下：

　　data _ path= G:/black _ carbon _ paper/97 _ BC 2020 12 30/00 _ Original/all data 5 factor . CSV column _ names=[ FID ， ID ， X ， Y ， BC ， Temp ， Slope ， RoDen ， POI ，Gaia] my _ data=pd。read _ csv (data_path，names=column_names，header=0)，其中data_path是的存储位置和文件名。csv文件，而column_names是我希望导入的数据在Python中显示的名称(为什么在原始数据有列标题的情况下还要再次设置这个column _ names？This article Header=0表示。csv文件(一般就是我们的第一行)是列头；如果您的初始数据没有列标题，即第一行是数据本身，那么您需要设置header=None。

　　执行上面的代码，我们将打印导入的数据，看看它在Python中是什么样子。

　　打印(我的数据)

　　大家可以看到，导入Python后的第七列数据，原来的名字是“Slope_1”，但是在设置了我们自己命名的column_names后，就把原来数据的列标题改成了我们自己设置的标题“Slope”。如果我们不设置column_names，导入的数据如下所示：

　　可以看到，如果我们不使用column_names，数据导入Python后列名就是原来的“Slope_1”。

　　我们继续。其实用seaborn绘制联合分布图很简单(这是seaborn对matplotlib的改进，让我们在绘制复杂的地图时不需要太多麻烦)，只用下面两个代码：

　　Joint _ columns=[bc ， temp ， slope ， roden ， poi ， Gaia ]SNS . pailplot(my _ data[joint_columns]，kind= reg ，diag _ kind= kde )如你所见，因为我的数据有数字列“ID”，而且可以确定数字不需要参与抽奖，那么我们就不把它放在joint _ column中。

　　第二句是drawing ~kind表示联合分布图中非对角图的类型。你可以选择 reg 和 scatter ， kde 和 hist 。‘reg’表示给图形添加一条拟合直线，‘scatter’表示不添加这条直线，‘kde’是等高线的形式，‘hist’是类似于光栅地图的形式；Diag_kind表示联合分布图中对角线图的类型， hist 和 kde 可选。“hist”代表直方图，“kde”代表直方图曲线。

　　以kind和diag_kind分别选择‘reg’和‘kde’为例。绘图结果如下：

　　以kind和diag_kind分别选择 scatter 和 hist 为例，绘制结果如下：

　　个人觉得第一张图比较好看~

　　但由于图中涉及的变量较多，图中字体有点难以辨认。您可以在代码sns.pairplot的顶部添加代码：

　　Sns.set(font_scale=1.2)，其中font_scale是字体的大小。后面的数字越大，字体越大。以font_scale=1.2为例，我们来看看效果：

　　这让字体变大了~

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。