Python可視化 | Seaborn5分鐘入門(一)——kdeplot和distplot

微信公衆號：「Python讀財」
若有問題或建議，請公衆號留言

Seaborn是基於matplotlib的Python可視化庫。 它提供了一個高級界面來繪製有吸引力的統計圖形。Seaborn實際上是在matplotlib的基礎上進行了更高級的API封裝，從而使得做圖更加容易，不須要通過大量的調整就能使你的圖變得精緻。

Seaborn的安裝

>>>pip install seaborn

安裝完Seaborn包後，咱們就開始進入接下來的學習啦，首先咱們介紹kdeplot的畫法。

注：全部代碼均是在IPython notebook中實現

---

 kdeplot(核密度估計圖)

核密度估計(kernel density estimation)是在機率論中用來估計未知的密度函數，屬於非參數檢驗方法之一。經過核密度估計圖能夠比較直觀的看出數據樣本自己的分佈特徵。具體用法以下：

seaborn.kdeplot(data,data2=None,shade=False,vertical=False,kernel='gau',bw='scott',gridsize=100,cut=3,clip=None,legend=True,cumulative=False,shade_lowest=True,cbar=False, cbar_ax=None, cbar_kws=None, ax=None, kwargs)

咱們經過一些具體的例子來學習一些參數的用法：

首先導入相應的庫

%matplotlib inline  #IPython notebook中的魔法方法，這樣每次運行後能夠直接獲得圖像，再也不須要使用plt.show()
import numpy as np  #導入numpy包，用於生成數組
import seaborn as sns  #習慣上簡寫成snssns.set()           
sns.set()#切換到seaborn的默認運行配置

繪製簡單的一維kde圖像

x=np.random.randn(100)  #隨機生成100個符合正態分佈的數sns.kdeplot(x)

cut：參數表示繪製的時候，切除帶寬往數軸極限數值的多少(默認爲3)

sns.kdeplot(x,cut=0)

cumulative ：是否繪製累積分佈

sns.kdeplot(x,cumulative=True)

shade：若爲True，則在kde曲線下面的區域中進行陰影處理，color控制曲線及陰影的顏色

sns.kdeplot(x,shade=True,color="g")

vertical：表示以X軸進行繪製仍是以Y軸進行繪製

sns.kdeplot(x,vertical=True)

二元kde圖像

y=np.random.randn(100)
sns.kdeplot(x,y,shade=True)

cbar：參數若爲True，則會添加一個顏色棒(顏色幫在二元kde圖像中才有)

sns.kdeplot(x,y,shade=True,cbar=True)

接下來，咱們接着學習功能更爲強大的distplot

---

distplot

displot()集合了matplotlib的hist()與核函數估計kdeplot的功能，增長了rugplot分佈觀測條顯示與利用scipy庫fit擬合參數分佈的新穎用途。具體用法以下：

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)

先介紹一下直方圖(Histograms)：

直方圖又稱質量分佈圖，它是表示資料變化狀況的一種主要工具。用直方圖能夠解析出資料的規則性，比較直觀地看出產品質量特性的分佈狀態，對於資料分佈情況一目瞭然，便於判斷其整體質量分佈狀況。直方圖表示經過沿數據範圍造成分箱，而後繪製條以顯示落入每一個分箱的觀測次數的數據分佈。

接下來仍是經過具體的例子來體驗一下distplot的用法：

sns.distplot(x,color="g")

經過hist和kde參數調節是否顯示直方圖及核密度估計(默認hist,kde均爲True)

import matplotlib.pyplot as pltfig,axes=plt.subplots(1,3) #建立一個一行三列的畫布
sns.distplot(x,ax=axes[0]) #左圖
sns.distplot(x,hist=False,ax=axes[1]) #中圖
sns.distplot(x,kde=False,ax=axes[2]) #右圖

bins：int或list，控制直方圖的劃分

fig,axes=plt.subplots(1,2) 
sns.distplot(x,kde=False,bins=20,ax=axes[0]) #左圖：分紅20個區間
sns.distplot(x,kde=False,bins=[x for x in range(4)],ax=axes[1]) #右圖：以0,1,2,3爲分割點，造成區間[0,1],[1,2],[2,3]，區間外的值不計入。

rag：控制是否生成觀測數值的小細條

fig,axes=plt.subplots(1,2)
sns.distplot(x,rug=True,ax=axes[0]) #左圖
sns.distplot(x,ax=axes[1]) #右圖

fit：控制擬合的參數分佈圖形，可以直觀地評估它與觀察數據的對應關係(黑色線條爲肯定的分佈)

from scipy.stats import *
sns.distplot(x,hist=False,fit=norm) #擬合標準正態分佈

hist_kws, kde_kws, rug_kws, fit_kws參數接收字典類型，能夠自行定義更多高級的樣式

sns.distplot(x,kde_kws={"label":"KDE"},vertical=True,color="y")

norm_hist：若爲True, 則直方圖高度顯示密度而非計數(含有kde圖像中默認爲True)

fig,axes=plt.subplots(1,2)
sns.distplot(x,norm_hist=True,kde=False,ax=axes[0]) #左圖
sns.distplot(x,kde=False,ax=axes[1]) #右圖

還有其餘參數就不在此一一介紹了，有興趣繼續深刻學習的同窗能夠查看Seaborn的官方文檔。以上內容是我結合官方文檔和本身的一點理解寫成的，有什麼錯誤你們能夠指出來並提提意見，共同交流、進步，也但願我寫的這些可以給閱讀完本文的你或多或少帶來一點幫助！

關注個人公衆號「Python讀財」，後臺回覆「py」便可獲取Python學習資源禮包，還有Python學習交流羣哦！