數據可視化Seaborn從零開始學習教程（一） 風格選擇

做者：xiaoyu

微信公衆號：Python數據科學

知乎：python數據分析師

---

最近在作幾個項目的數據分析，每次用到seaborn進行可視化繪圖的時候老是忘記具體操做。雖然seaborn的官方網站已經詳細的介紹了使用方法，可是畢竟是英文，並且查找不是很方便。所以博主想從零開始將seaborn學習一遍，作一個總結，也但願供你們使用參考。

Seaborn簡介

seaborn同matplotlib同樣，也是Python進行數據可視化分析的重要第三方包。但seaborn是在 matplotlib的基礎上進行了更高級的API封裝，使得做圖更加容易，圖形更加漂亮。

博主並不認爲seaborn能夠替代matplotlib。雖然seaborn能夠知足大部分狀況下的數據分析需求，可是針對一些特殊狀況，仍是須要用到matplotlib的。換句話說，matplotlib更加靈活，可定製化，而seaborn像是更高級的封裝，使用方便快捷。

應該把seaborn視爲matplotlib的補充，而不是替代物。

Seaborn學習內容

seaborn的學習內容主要包含如下幾個部分：

1. 風格管理
   • 繪圖風格設置
   • 顏色風格設置
2. 繪圖方法
   • 數據集的分佈可視化
   • 分類數據可視化
   • 線性關係可視化
3. 結構網格
   • 數據識別網格繪圖

本次將主要介紹風格管理的使用。

風格管理 - 繪圖風格設置

除了各類繪圖方式外，圖形的美觀程度多是咱們最關心的了。將它放到第一部分，由於風格設置是一些通用性的操做，對於各類繪圖方法都適用。

讓咱們先看一個例子。

%matplotlib inline
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
np.random.seed(sum(map(ord, "aesthetics")))
複製代碼

咱們定義了一個簡單的方程來繪製一些偏置的正弦波，用來幫助咱們查看不一樣的圖畫風格是什麼樣子的。

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)
複製代碼

matplotlib默認參數下繪製結果是這樣的：

sinplot()
複製代碼

轉換爲seaborn默認繪圖，能夠簡單的用set()方法。

sns.set()
sinplot()
複製代碼

Seaborn 將 matplotlib 的參數劃分爲兩個獨立的組合。第一組是設置繪圖的外觀風格的，第二組主要將繪圖的各類元素按比例縮放的，以致能夠嵌入到不一樣的背景環境中。

操控這些參數的接口主要有兩對方法：

• 控制風格：axes_style(), set_style()
• 縮放繪圖：plotting_context(), set_context()

每對方法中的第一個方法（axes_style(), plotting_context()）會返回一組字典參數，而第二個方法（set_style(), set_context()）會設置matplotlib的默認參數。

Seaborn的五種繪圖風格

有五種seaborn的風格，它們分別是：darkgrid, whitegrid, dark, white, ticks。它們各自適合不一樣的應用和我的喜愛。默認的主題是darkgrid。

sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data);
複製代碼

sns.set_style("dark")
sinplot()
複製代碼

sns.set_style("white")
sinplot()
複製代碼

sns.set_style("ticks")
sinplot()
複製代碼

移除軸脊柱

white 和 ticks兩個風格都可以移除頂部和右側的沒必要要的軸脊柱。經過matplotlib參數是作不到這一點的，可是你可使用seaborn的despine()方法來移除它們：

sinplot()
sns.despine()
複製代碼

一些繪圖也能夠針對數據將軸脊柱進行偏置，固然也是經過調用despine()方法來完成。而當刻度沒有徹底覆蓋整個軸的範圍時，trim參數能夠用來限制已有脊柱的範圍。

f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(offset=10, trim=True);
複製代碼

你也能夠經過despine()控制哪一個脊柱將被移除。

sns.set_style("whitegrid")
sns.boxplot(data=data, palette="deep")
sns.despine(left=True)
複製代碼

臨時設置繪圖風格

雖然來回切換風格很容易，可是你也能夠在一個with語句中使用axes_style()方法來臨時的設置繪圖參數。這也容許你用不一樣風格的軸來繪圖：

with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)
複製代碼

覆蓋seaborn風格元素

若是你想定製化seaborn風格，你能夠將一個字典參數傳遞給axes_style()和set_style()的參數rc。並且你只能經過這個方法來覆蓋風格定義中的部分參數。

若是你想要看看這些參數都是些什麼，能夠調用這個方法，且無參數，這將會返回下面的設置：

sns.axes_style()
{'axes.axisbelow': True,
 'axes.edgecolor': '.8',
 'axes.facecolor': 'white',
 'axes.grid': True,
 'axes.labelcolor': '.15',
 'axes.linewidth': 1.0,
 'figure.facecolor': 'white',
 'font.family': [u'sans-serif'],
 'font.sans-serif': [u'Arial',
  u'DejaVu Sans',
  u'Liberation Sans',
  u'Bitstream Vera Sans',
  u'sans-serif'],
 'grid.color': '.8',
 'grid.linestyle': u'-',
 'image.cmap': u'rocket',
 'legend.frameon': False,
 'legend.numpoints': 1,
 'legend.scatterpoints': 1,
 'lines.solid_capstyle': u'round',
 'text.color': '.15',
 'xtick.color': '.15',
 'xtick.direction': u'out',
 'xtick.major.size': 0.0,
 'xtick.minor.size': 0.0,
 'ytick.color': '.15',
 'ytick.direction': u'out',
 'ytick.major.size': 0.0,
 'ytick.minor.size': 0.0}
複製代碼

而後，你能夠設置這些參數的不一樣版本了。

sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()
複製代碼

繪圖元素比例

有一套的參數能夠控制繪圖元素的比例。 首先，讓咱們經過set()重置默認的參數：

sns.set()
複製代碼

有四個預置的環境，按大小從小到大排列分別爲：paper, notebook, talk, poster。其中，notebook是默認的。

sns.set_context("paper")
sinplot()
複製代碼

sns.set_context("talk")
sinplot()
複製代碼

sns.set_context("poster")
sinplot()
複製代碼

你能夠經過使用這些名字中的一個調用set_context()來設置參數，而且你能夠經過提供一個字典參數值來覆蓋參數。當改變環境時，你也能夠獨立的去縮放字體元素的大小。

sns.set_context("notebook", font_scale=1.5, rc={"lines.linewidth": 2.5})
sinplot()
複製代碼

一樣的，你能夠經過嵌入with語句臨時的控制繪圖的比例。

總結

介紹了Seaborn的5中繪圖風格

• 移除軸脊柱
• 臨時設置繪圖風格
• 覆蓋Seaborn風格元素
• 繪圖元素比例縮放

下一節將會介紹顏色風格的使用。

---

關注微信公衆號Python數據科學，獲取 120G 人工智能 學習資料。