影音先锋AV在线资源,亚洲一二三四五区,天天色天天干天天日,美女扒开粉嫩尿囗给男生桶,日批在线观看,天天艹,一区二区三区免费播放,三级电影久久麻豆

本篇文章主要研究 Seaborn 庫——Seaborn 是一個統(tǒng)計繪圖庫，建立在 Matplotlib 基礎(chǔ)之上。它具有非常漂亮的默認(rèn)繪圖樣式，并且也與 Pandas DataFrames 配合得很好。

Seaborn 可以像安裝任何其他 Python 包一樣使用“pip”進(jìn)行安裝。

pip install seaborn

Seaborn 的官方文檔地址如下：

https://seaborn.pydata.org/

另一個重要的地址是官方 API，它引用了各種可用的繪圖類型。

https://seaborn.pydata.org/api.html

我將嘗試將 Seaborn 的功能分解為不同的類別——并從使我們能夠可視化數(shù)據(jù)集分布的圖開始。

讓我們從導(dǎo)入開始并加載數(shù)據(jù) - 我將使用“Financial Sample.xlsx”數(shù)據(jù)。excel文件可以長按掃碼文末二維碼后進(jìn)入寬客量化俱樂部下載：

Financial Sample.xlsx

import pandas as pdimport seaborn as sns#如果使用 Jupyter Notebooks，下面的行允許我們在瀏覽器中顯示圖表%matplotlib inline
#在 Pandas DataFrame 中加載我們的數(shù)據(jù)df = pd.read_excel('Financial Sample.xlsx') #打印前 5 行數(shù)據(jù)以確保正確加載df.head()

讓我們首先看看“distplot”——這讓我們可以看到一組單變量觀測值的分布——單變量只是意味著一個變量。

#繪制 DataFrame "Profit" 列的分布
sns.displot(df['Profit'])

我們現(xiàn)在有一個感興趣的分布圖——但作為一個快速入門，風(fēng)格看起來有點平淡。讓我們給它一個更常見的“Seaborn”樣式，試圖讓它看起來更好一點……

#設(shè)置我們希望用于繪圖的樣式sns.set_style("darkgrid")
#繪制 DataFrame "Profit" 列的分布sns.displot(df['Profit'])

我們已經(jīng)設(shè)法用一行代碼繪制 DataFrame 數(shù)據(jù)的直方圖以及“KDE”線——即核密度估計圖。如果我們在 plot 調(diào)用中添加“kde=False”，我們可以刪除 KDE。我們還可以按如下方式更改直方圖中“bins”的數(shù)量——在本例中，它們被設(shè)置為 50：

sns.displot(df['Profit'],kde=False,bins=50)

現(xiàn)在讓我們看一個“聯(lián)合圖”——這允許我們組合兩個 distplots 并處理雙變量數(shù)據(jù)。讓我們創(chuàng)建一個快速的聯(lián)合圖。為此，我們需要通過傳入列名來指定我們想要繪制的 DataFrame 列，以及我們從中提取列的實際 DataFrame。這可以按如下方式完成：假設(shè)我想繪制“Profit”列與“Units Sold”列。

sns.jointplot(x='Profit',y='Units Sold',data=df)

我們現(xiàn)在有一個圖，顯示了兩個變量列之間的散點圖，以及它們在任一側(cè)的相應(yīng)分布圖（它甚至在右上角為我們提供了皮爾遜相關(guān)系數(shù)和 p 分?jǐn)?shù)。）

Jointplot 還允許我們設(shè)置一個名為“kind”的附加參數(shù)。這允許您影響主圖表的表示方式。目前它是一個“散點”，因為這是默認(rèn)值，但是如果我們將其更改為“十六進(jìn)制”，例如，我們將得到以下圖，它將圖表上的點表示為密度六邊形 - 即包含更多數(shù)據(jù)點的六邊形顯示為比包含較少點的那些更暗。

sns.jointplot(x='Profit',y='Units Sold',data=df,kind='hex')

我們可以為“kind”添加的另一個參數(shù)是“reg”，它代表回歸。這看起來很像散點圖，但這次將添加線性回歸線。

sns.jointplot(x='Profit',y='Units Sold',data=df,kind='reg')

我們可以規(guī)定的另一種類型是“kde”，它將繪制一個二維 KDE 圖，它基本上只顯示數(shù)據(jù)點最常出現(xiàn)的位置的密度。

sns.jointplot(x='Profit',y='Units Sold',data=df,kind='kde')

讓我們從jointplots繼續(xù)看“pairplots”。這些使我們能夠查看整個數(shù)據(jù)幀（對于數(shù)值數(shù)據(jù)）的成對關(guān)系，并且還支持分類數(shù)據(jù)點的“色調(diào)”參數(shù)。所以 pairplot 本質(zhì)上是為 DataFrame 中數(shù)字列的每個可能組合創(chuàng)建一個聯(lián)合圖。我將快速創(chuàng)建一個新的 DataFrame，它刪除“Month Number”和“Year”列，因為這些并不是我們連續(xù)數(shù)字?jǐn)?shù)據(jù)的一部分，例如“利潤”和“COGS”（銷售成本）。我還將刪除其他幾列以縮小我們的 DataFrame，這樣我們的輸出圖就不會過于擁擠。

#刪除不需要的列new_df = df.drop(['Month Number','Year','Manufacturing Price','Sale Price'],axis=1)
sns.pairplot(new_df)

請注意，我們基本上對每對列都有一個配對圖，并且在對角線上我們有一個分布的直方圖，因為將數(shù)據(jù)與自身進(jìn)行聯(lián)合圖是沒有意義的。這是快速可視化數(shù)據(jù)的好方法。我們還可以添加一個“色調(diào)”——這是我們指定一個用于分割數(shù)據(jù)的分類變量的地方。讓我們添加“Segment”列作為我們的“色調(diào)”。

sns.pairplot(new_df,hue='Segment')

現(xiàn)在數(shù)據(jù)點根據(jù)分類數(shù)據(jù)著色——顏色圖例顯示在圖的右側(cè)邊緣。我們還可以通過設(shè)置“調(diào)色板”參數(shù)來更改繪圖使用的調(diào)色板。以下是使用“巖漿”配色方案的示例。所有可用的方案都可以在 Matplotlib 站點上找到。

sns.pairplot(new_df,hue='Segment',palette='magma')

我們將看到的下一個圖是一個“rugplot”——這將幫助我們構(gòu)建和解釋我們之前創(chuàng)建的“kde”圖是什么——無論是在我們的 distplot 中還是當(dāng)我們傳遞“kind=kde”作為我們的參數(shù)時。

sns.rugplot(df['Profit'])

如上所示，對于 rugplot，我們將要繪制的列作為參數(shù)傳遞 - rugplot 的作用是為分布中的每個點繪制一個破折號。所以 rugplot 和 distplot 之間的區(qū)別在于 distplot 涉及“bins”的概念，并將把每個 bin 中的所有數(shù)據(jù)點相加，并繪制這個數(shù)字，而 rugplot 只是在每個數(shù)據(jù)點繪制一個標(biāo)記。

所以現(xiàn)在讓我們將 rugplot 轉(zhuǎn)換為 KDE 圖。KDE 代表“核密度估計”。下圖是解釋如何將 rugplots 構(gòu)建到 KDE 圖中的。

如果我們愿意的話，我們可以從一組數(shù)據(jù)和 rugplot 中構(gòu)建我們自己的 KDE 圖，看看它是否與使用內(nèi)置的“kdeplot”直接創(chuàng)建的 KDE 圖相匹配.

#設(shè)置一組 30 個取自正態(tài)分布的數(shù)據(jù)點x = np.random.normal(0, 1, size=30)
#設(shè)置 KDE 點的帶寬bandwidth = 1.06* x.std() * x.size ** (-1/ 5.)
#設(shè)置 y 軸的限制support = np.linspace(-4, 4, 200)
#遍歷數(shù)據(jù)點并為每個點創(chuàng)建內(nèi)核，然后繪制內(nèi)核kernels = []for x_i in x:
    kernel = stats.norm(x_i, bandwidth).pdf(support)    kernels.append(kernel)    plt.plot(support, kernel, color="r")
sns.rugplot(x, color=".2", linewidth=3)

#使用復(fù)合梯形規(guī)則沿給定軸積分并創(chuàng)建 KDE 圖from scipy.integrate import trapzdensity = np.sum(kernels, axis=0)density /= trapz(density, support)plt.plot(support, density)

現(xiàn)在讓我們使用內(nèi)置的“kdeplot”繪制 KDE 圖。

sns.kdeplot(x, shade=True)

我們可以看到兩個圖是相同的，我們已經(jīng)正確地創(chuàng)建了我們的 KDE 圖。本文已經(jīng)涵蓋了大部分分布圖功能。

掃描本文最下方二維碼獲取全部完整源碼、數(shù)據(jù)和Jupyter Notebook 文件打包下載。

↓↓長按掃碼獲取完整源碼↓↓

Python 數(shù)據(jù)科學(xué)中的 Seaborn 繪圖可視化