关于ide:8k-Star基于-Matplotlib-的数据可视化利器

【导语】：Seaborn 是一个能够实现数据可视化的 Python 库，它是基于 matplotlib 库封装而成的，同时还能兼容 pandas 数据结构。咱们能够应用 Seaborn 来制作丑陋的数据图表，操作简略，易于上手。

提醒：Seaborn 反对 Python 3.7+，已不再反对 Python 2。

简介

1、数据可视化的工具介绍

数据可视化是一种数据科学家将原始数据转化为图表的技术，这些图表能产生许多有价值的信息。图表升高了原始数据的复杂性，使用户更易了解。

有许多实现数据可视化的工具，例如 Tableau、Power BI、ChartBlocks 以及其余的无代码工具。这些工具有着各自的用户，也都很弱小。然而当咱们须要一个良好的平台来解决原始数据时，python 不失为一个好的抉择。

尽管这种办法较为简单，须要的编程常识也更多，但 python 能通过许多操作和转换来实现数据可视化，因而对数据科学家来说是一个现实的抉择。Python 最大的一个长处就是它领有弱小的第三方库，来解决数据，比方 numpy、pandas、matplotlib、tensorflow。

Matplotlib 可能是目前最受认可的绘图库了，不仅实用于 python，还实用于 R 语言 等。它的定制化和可操作性使其坐上了头把交椅。然而当应用 matplotlib 时，有些定制化和操作性能很难实现。

基于 matplotlib，开发者发明了一个叫 seaborn 的库。seaborn 与 matplotlib 一样弱小，在带来一些新个性的同时还能简化绘图。

在本文中，咱们次要关注如何应用 seaborn 绘制高级的图表。你能够根据这些例子创立本人的图表。

### 2. Seaborn 是什么？

Seaborn 是 python 中一个能够制作数据图表的库。它是 matplotlib 库的高级封装，同时还能兼容 pandas 数据结构。

Seaborn 能让你疾速摸索并了解数据。seaborn 的工作形式为：首先捕获蕴含所有数据的整个数据结构或数组，随后通过执行绘图和统计数据须要的所有外部函数，将数据转换为信息图。

当你依据本身需要设计图表时，seaborn 能缩小复杂性。

Seaborn 的 Github 主页：
https://github.com/mwaskom/se…

装置

pip install seaborn

当装置 seaborn 时，也会主动装置其余绘图所须要的库，例如 matplotlib,pandas、numpy 和 scipy。此外，在写代码绘图前，咱们须要导入一些模块。

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

简略应用

### 1. 绘制你的第一个图表

因为网络问题，在国内应用 seaborn 的数据集时，留神启用代理，免得无奈加载数据集。

在咱们开始画图之前，须要应用数据。seaborn 的不便之处在于它兼容 pandas 数据结构。此外，该库自带了
一些内建数据集，你能够间接用代码加载，无需手动下载文件。让咱们一起来看看如何加载一个蕴含航班信息的数据集：

flights_data = sns.load_dataset("flights")
res = flights_data.head()
print(res)

输入后果如下：

当调用 load_dataset 函数并写入数据集的名称后，神奇的事件产生了，控制台返回了一个数据结构。
所有的数据集在这里可见：

Github 链接：

https://github.com/mwaskom/se…

2. 散点图

散点图是一个基于二维数据来显示点的图表。用 seaborn 库来绘制一个散点图只须要几行代码，非常简单。scatterplot 须要的参数是咱们绘图须要的数据集，以及 x，y 轴别离代表什么数据。

flights_data = sns.load_dataset("flights")
sns.scatterplot(data=flights_data, x="year", y="passengers")
plt.show()

绘制的图表如下：

3. 线条图

依据间断或分类数据的变动，画出线条图。它是一种风行且广为人知的图表，易于绘制。与之前类似，咱们应用 lineplot 函数，
指定数据集，以及 x,y 轴别离代表哪一列数据。seaborn 会实现残余的工作：

flights_data = sns.load_dataset("flights")
sns.lineplot(data=flights_data, x="year", y="passengers")
plt.show()

绘制的图表如下:

4. 条形图

正如你所揣测的那样，条形图可能是最闻名的图表类型了。与散点图和线条一样，咱们能够用 barplot 函数绘制条形图：

flights_data = sns.load_dataset("flights")
sns.barplot(data=flights_data, x="year", y="passengers")
plt.show()

绘制的图表如下:

5. 用 matplotlib 扩大

seaborn 建设在 matplotlib 之上，扩大了它的性能，减少了复杂性。如其所述，却并没有限 matplotlib 的性能。任何 seaborn 图表都能够用 matplotlib 的函数绘制。seaborn 在特定的操作中能够提供帮忙，容许 seaborn 利用 matplotlib 的力量而无需重写函数。例如你如果想用 seaborn 来主动绘制多个图表，你就能够利用 matplotlib 中的 subplot 函数:

diamonds_data = sns.load_dataset('diamonds')
plt.subplot(1, 2, 1)
sns.countplot(x='carat', data=diamonds_data)
plt.subplot(1, 2, 2)
sns.countplot(x='depth', data=diamonds_data)
plt.show()

绘制的图表如下:

应用 subplot 性能，咱们能够在一个图上绘制多个图表。该函数有三个参数，第一个是行数，第二个是列数，最初一个是图号。咱们应用 matplotlib 与 seaborn 中的函数，seaborn 在每个 subplot 中绘制一个 seaborn 图表。

6. 绘制不同格调的丑陋图形

seaborn 使咱们能够更改图形界面，它提供了五种不同的格调：darkgrid,whitegrid,dark,white, 和 ticks.

第一个例子深色网格图：

flights_data = sns.load_dataset("flights")
sns.set_style("darkgrid")
sns.lineplot(data = flights_data, x = "year", y = "passengers")
plt.show()

绘制的图表如下:

另一个例子红色网格图：

flights_data = sns.load_dataset("flights")
sns.set_style("whitegrid")
sns.lineplot(data=flights_data, x="year", y="passengers")
plt.show()

绘制的图表如下:

很酷的用法

. 下载小费数据集

咱们理解 seaborn 的基本知识后，当初让咱们通过在同一数据集上构建多个图表，来进行练习。在咱们的例子中，咱们将
应用数据集“tips”，你能够应用 seaborn 间接下载。首先，加载数据集：

tips_df = sns.load_dataset('tips')
res = tips_df.head()
print(res)

输入后果如下：

我想打印出数据集的前几行，来理解列和数据自身。通常我会用一些 pandas 函数修复一些数据问题，比方 null 值，还可
以退出一些对数据集有用的信息。你能够在上面的链接中浏览更多信息：

pandas 使用指南:

https://livecodestream.dev/po…

让咱们在数据集中创立新的一列，以示意小费占总费用的百分比：

tips_df = sns.load_dataset('tips')
tips_df.head()
tips_df["tip_percentage"] = tips_df["tip"] / tips_df["total_bill"]
res = tips_df.head()
print(res)

新的数据结构如下：

2. 了解 tip_percentage

让咱们首先看看 tip_percentage 的散布。鉴于此，应用 hisplot 来产生柱状图：

tips_df = sns.load_dataset('tips')
tips_df["tip_percentage"] = tips_df["tip"] / tips_df["total_bill"]
sns.histplot(tips_df["tip_percentage"], binwidth=0.05)
plt.show()

绘制的图表如下:

咱们必须自定义 binwidth 属性以使其更具可读性，当初咱们能够疾速了解数据了。大多数客户会给 15%至 20%的小费，而有些状况下，小费超过 70%。这些值是异样的，应该进行查看，以确定这些值是否出错。

3. 察看 tip_percentage 是否与每天的不同时刻是否无关，也将会很乏味：

tips_df = sns.load_dataset('tips')
tips_df["tip_percentage"] = tips_df["tip"] / tips_df["total_bill"]
sns.histplot(data=tips_df, x="tip_percentage", binwidth=0.05, hue="time")
plt.show()

绘制的图表如下:

这次咱们加载了所有数据集到图表中，而不仅仅是一列，而后给 time 列设置了 hue 属性。这将会使图表给每一个 time 值设置不同的色彩，并为其增加图例。

4. 一周中某天的小费数

另一个乏味的度量规范是依据一周中的某天，晓得能够失去小费的总数：

tips_df = sns.load_dataset('tips')
tips_df["tip_percentage"] = tips_df["tip"] / tips_df["total_bill"]
sns.barplot(data=tips_df, x="day", y="tip", estimator=np.sum)
plt.show()

绘制的图表如下:

看起来星期五很适宜待在家里。

5. 桌子尺寸和日期对小费的影响

有时候咱们想要晓得多个变量如何独特影响输入。例如，星期几和桌子尺
寸怎么独特影响小费百分比？为了画出最终的图表，咱们首先用 pandas 中的 pivot 函数预处理数据，随后绘制一个热点图：

tips_df = sns.load_dataset('tips')
tips_df["tip_percentage"] = tips_df["tip"] / tips_df["total_bill"]
pivot = tips_df.pivot_table(index=["day"],
    columns=["size"],
    values="tip_percentage",
    aggfunc=np.average)
sns.heatmap(pivot)
plt.show()

绘制的图表如下:

论断

当然，咱们还能够用 seaborn 做很多事件，通过查看官网文档能看到更多例子。感激你的浏览！

官网文档地址：http://seaborn.pydata.org/

开源前哨 日常分享热门、乏味和实用的开源我的项目。参加保护 10 万 + Star 的开源技术资源库，包含：Python、Java、C/C++、Go、JS、CSS、Node.js、PHP、.NET 等。