python的seaborn用于可视化分析,python seaborn 散点图矩阵

　　矩阵图即用一张图绘制多个变量之间的关系，数据挖掘中常用于初期数据探索。本文介绍大蟒中seaborn.pairplot和海博恩。配对网格绘制矩阵图，需要的可以参考一下

目录

本文内容速览

1、绘图数据准备

　　还是使用鸢尾花虹膜数据集

　　#导入本帖要用到的库，声明如下：

　　将matplotlib.pyplot作为血小板计数导入

　　将数组作为铭牌导入

　　进口熊猫作为螺纹中径

　　来自熊猫进口系列，数据框架

　　从实例导入数据集

　　将海生的作为社交网站（Social Network Site的缩写）导入

　　#导入鸢尾花虹膜数据集(方法一)

　　#该方法更有助于理解数据集

　　iris=datasets.load_iris()

　　x，y=虹膜.数据，虹膜.目标

　　y _ 1=NP。数组([ setosa if I==0 else versicolor if I==1 else virginica for I in y])

　　pd_iris=pd .DataFrame(np.hstack((x，y _ 1。shape(150，1)))，columns=[萼片长度(厘米)，萼片宽度(厘米)，花瓣长度(厘米)，花瓣宽度(厘米)，类])

　　# a类型修改pd_iris中数据类型目标为float64

　　pd_iris[萼片长度(厘米)]=pd_iris[萼片长度(厘米)]。astype(float64 )

　　pd_iris[萼片宽度(厘米)]=pd_iris[萼片宽度(厘米)]。astype(float64 )

　　pd_iris[花瓣长度(厘米)]=pd_iris[花瓣长度(厘米)]。astype(float64 )

　　pd_iris[花瓣宽度(厘米)]=pd_iris[花瓣宽度(厘米)]。astype(float64 )

　　#导入鸢尾花虹膜数据集(方法二)

　　#将海生的作为社交网站（Social Network Site的缩写）导入

　　# iris _ SNS=SNS。load _ dataset( iris )

　　数据集简单统计

2、seaborn.pairplot

　　语法：seaborn.pairplot(data，hue=None，hue_order=None，palette=None，vars=None，x_vars=None，y _ vars=kind scatter ，diag_kind=auto ，markers=None，height=2.5，aspect=1，corner=False，dropna=True，plot_kws=None，diag_kws=None，grid_kws=None，size=None)

　　g=sns.pairplot(pd_iris)

　　g.fig.set_size_inches(12，12)#图大小

　　sns.set(sty

　　le=whitegrid,font_scale=1.5)#文本大小

　　对角线4张图是变量自身的分布直方图；

　　非对角线的 12 张就是某个变量和另一个变量的关系。

加上分类变量

g = sns.pairplot(pd_iris,
　　 hue=class#按照三种花分类
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)
　　

修改调色盘

　　可以使用Matplotlib、seaborn、颜色号list等色盘。

　　可参考：Python可视化学习之seaborn调色盘

import palettable 
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,#palettable颜色盘
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=Set1,#Matplotlib颜色
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=[#dc2624, #2b4750, #45a0a2],#使用传入的颜色list
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

x,y轴方向选取相同子集

import palettable
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
　　 vars=[sepal length(cm),sepal width(cm)],#x,y轴方向选取相同子集绘图
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,6)
　　sns.set(style=whitegrid,font_scale=1.5)

x,y轴方向选取不同子集

import palettable
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
　　 x_vars=[sepal length(cm),sepal width(cm)],#x,y轴方向选取不同子集
　　 y_vars=[petal length(cm),petal width(cm)],
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,6)
　　sns.set(style=whitegrid,font_scale=1.5)

非对角线散点图加趋势线

import palettable
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
　　 kind=reg,#默认为scatter,reg加上趋势线 
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

对角线上的四个图绘制方式

　　可选参数为‘auto’, ‘hist’（默认）, ‘kde’, None。

import palettable
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
　　 diag_kind=hist,#hist直方图 
　　 )
　　sns.set(style=whitegrid)
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

只显示网格下三角图形

import palettable
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=Set1,
　　 corner=True#图形显示左下角
　　 )
　　g.fig.set_size_inches(12,12)
　　sns.set(font_scale=1.5)

图形外观设置

import palettable
　　g = sns.pairplot(pd_iris,
　　 hue=class,
　　 palette=Set1,
　　 markers=[$\clubsuit$,.,+],#散点图的marker
　　 plot_kws=dict(s=50, edgecolor="r", linewidth=1),#非对角线上的图marker大小、外框、外框线宽
　　 diag_kws=dict(shade=True)#对角线上核密度图是否填充
　　 )
　　g.fig.set_size_inches(12,12)
　　sns.set(font_scale=1.5)

3、seaborn.PairGrid（更灵活的绘制矩阵图）

　　seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, corner=False, diag_sharey=True, height=2.5, aspect=1, layout_pad=0, despine=True, dropna=True, size=None)

每个子图绘制同类型的图

g = sns.PairGrid(pd_iris, 
　　 hue=class,
　　 palette=husl,)
　　g = g.map(plt.scatter)#map每个子图绘制一样类型的图
　　g = g.add_legend()
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

对角线和非对角线分别绘制不同类型图

g = sns.PairGrid(pd_iris, 
　　 hue=class,
　　 palette=Set1,)
　　g = g.map_diag(plt.hist)#对角线绘制直方图
　　g = g.map_offdiag(plt.scatter)#非对角线绘制散点图
　　g = g.add_legend()
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)

对角线上方、对角线、对角线下方分别绘制不同类型图

g = sns.PairGrid(pd_iris, hue=class,)
　　g = g.map_upper(sns.scatterplot)
　　g = g.map_lower(sns.kdeplot, colors="C0")
　　g = g.map_diag(sns.kdeplot, lw=2)3绘制核密度图
　　g = g.add_legend()#添加图例
　　sns.set(style=whitegrid,font_scale=1.5)

其它一些参数修改

g = sns.PairGrid(pd_iris, hue=class,
　　 palette=Set1,
　　 hue_kws={"marker": ["^", "s", "D"]},#设置marker
　　 diag_sharey=False,
　　 )
　　g = g.map_upper(sns.scatterplot,edgecolor="w", s=40)#设置点大小，外框颜色
　　g = g.map_lower(sns.kdeplot, colors="#01a2d9")#设置下三角图形颜色
　　g = g.map_diag(sns.kdeplot, lw=3)#对角图形颜色
　　g = g.add_legend()#添加图例
　　g.fig.set_size_inches(12,12)
　　sns.set(style=whitegrid,font_scale=1.5)
　　

　　以上就是Python可视化学习之seaborn绘制矩阵图详解的详细内容，更多关于Python seaborn矩阵图的资料请关注盛行IT软件开发工作室其它相关文章！

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。