Seaborn库绘制单变量分布和双变量分布

Matplotlib虽然已经是比较优秀的绘图库了,但是它有个今人头疼的问题,那就是API使用过于复杂,它里面有上千个函数和参数,属于典型的那种可以用它做任何事,却无从下手。

Seaborn基于 Matplotlib核心库进行了更高级的API封装,可以轻松地画出更漂亮的图形,而Seaborn的漂亮主要体现在配色更加舒服,以及图形元素的样式更加细腻。

不过,使用Seaborn绘制图表之前,需要安装和导入绘图的接口,具体代码如下:

#安装 pip3installseaborn
#导入 importseabornassns

Seaborn库的可视化数据分布

当处理一组数据时,通常先要做的就是了解变量是如何分布的。

对于单变量的数据来说采用直方图或核密度曲线是个不错的选择,对于双变量来说,可采用多面板图形展现,比如散点图、二维直方图、核密度估计图形等。

针对这种情况,Seaborn库提供了对单变量和双变量分布的绘制函数,如displot()函数、jointplot()函数,下面来介绍这些函数的使用。

绘制单变量分布

可以采用最简单的直方图描述单变量的分布情况。Seaborn中提供了distplot()函数,它默认绘制的是一个带有核密度估计曲线的直方图。distplot()函数的语法格式如下。

seaborn.distplot(a,bins=None,hist=True,kde=True,rug=False,fit=None,color=None)

上述函数中常用参数的含义如下:

(1)a:表示要观察的数据,可以是Series、一维数组或列表。

(2)bins:用于控制条形的数量。

(3)hist:接收布尔类型,表示是否绘制(标注)直方图。

(4)kde:接收布尔类型,表示是否绘制高斯核密度估计曲线。

(5)rug:接收布尔类型,表示是否在支持的轴方向上绘制rugplot。

通过distplot())函数绘制直方图的示例如下。

importnumpyasnpsns.set()np.random.seed(0)#确定随机数生成器的种子,如果不使用每次生成图形不一样arr=np.random.randn(100)#生成随机数组
ax=sns.distplot(arr,bins=10,hist=True,kde=True,rug=True)#绘制直方图

上述示例中,首先导入了用于生成数组的numpy库,然后使用seaborn调用set()函数获取默认绘图,并且调用random模块的seed函数确定随机数生成器的种子,保证每次产生的随机数是一样的,接着调用randn()函数生成包含100个随机数的数组,最后调用distplot()函数绘制直方图。

运行结果如下图所示。

上图中看出:

直方图共有10个条柱,每个条柱的颜色为蓝色,并且有核密度估计曲线。

根据条柱的高度可知,位于-1-1区间的随机数值偏多,小于-2的随机数值偏少。

通常,采用直方图可以比较直观地展现样本数据的分布情况,不过,直方图存在一些问题,它会因为条柱数量的不同导致直方图的效果有很大的差异。为了解决这个问题,可以绘制核密度估计曲线进行展现。

核密度估计是在概率论中用来估计未知的密度函数,属于非参数检验方法之一,可以比较直观地看出数据样本本身的分布特征。

通过distplot()函数绘制核密度估计曲线的示例如下。

#创建包含500个位于[0,100]之间整数的随机数组array_random=np.random.randint(0,100,500)#绘制核密度估计曲线sns.distplot(array_random,hist=False,rug=True)

上述示例中,首先通过random.randint()函数返回一个最小值不低于0、最大值低于100的500个随机整数数组然后调用displot()函数绘制核密度估计曲线。 运行结果如图所示。

从上图中看出,图表中有一条核密度估计曲线,并且在x轴的上方生成了观测数值的小细条。

本文来自投稿,不代表重蔚自留地立场,如若转载,请注明出处https://www.cwhello.com/367039.html

如有侵犯您的合法权益请发邮件951076433@qq.com联系删除

(0)
黑马程序员黑马程序员订阅用户
上一篇 2023年8月29日 16:08
下一篇 2023年8月29日 16:17

相关推荐

  • 今日分享python中+=的用法。

    在Python编程中,+= 是一个赋值运算符,它用于将右侧表达式的值加到左侧变量的当前值上,并将结果重新赋给左侧的变量,这种操作相当于执行了两个动作:首先对变量进行加法操作,然后将结果赋值给该变量,使用 += 可…

    2024年7月29日
    01
  • 如何快速使用urllib爬取网页?

    什么是urllib?urllib库是Python内置的HTTP请求库,它可以看做是处理URL的组件集合。urllib库包含了四大模块,具体如下:urllib.request:请求模块urllib.error:异常处理模块urllib.parse:URL解析模块urllib.robot…

    2023年5月6日
    014
  • Python教程:全局变量和局部变量

    变量的作用域始终是Python学习中一个必须理解掌握的环节,下面我们从局部变量和全局变量开始全面解析Python中变量的作用域。  所谓局部变量,指的是定义在函数内的变量。定义在函数内的变量,只能在函数内使用,…

    2023年7月13日
    00
  • 我来分享seo排名优化怎么巧用大数据。

      在做搜索排名的过程中,可能主要是许多站长或者企业的搜索排名人员来做搜索排名,目的就是希望自己的网站能够在搜索引擎上获得更好的表现,那么本文我们就来探索一下如何运用大数据分析来提高你搜索排名的效率。 …

    2023年6月28日
    00
  • 网站关于关键词数据的问题!

    数据主要是看哪些?在做seo优化的时候要重视网站的整体数据。数据包括很多的内容,比如说用户数据,关键词数据等等,我们在做网站关键词优化的时候一定要重视网站的个性化,如果网站不够个性化,没有任何的吸引力,…

    2022年5月26日
    0309
  • 教你python中函数变量。

    在Python中,函数是一等公民,这意味着函数可以像其他对象一样被赋值给变量、作为参数传递给其他函数、或者从其他函数返回,这种特性让Python的函数变得非常灵活,能够支持各种高级编程技术,如闭包和装饰器。 函数…

    2024年7月24日
    00
  • 小编教你网站数据分析对于网站的重要性,你知道几个。

    我们在做SEO优化的时候,对于网站流量的数据分析尤为重要,通过数据分析能够帮助站长了解到应该注重哪些流量渠道的建设来提升网站流量。获得提升网站用户体验度的一些意见,当然还有最为重要的一点,那就是能够帮助…

    2023年3月13日
    02
  • 小编教你seo转数据分析。

      做seo也好,转seo数据分析也罢,如果自身具备良好的职业技能,都能在各自的细分领域取得优异成绩。  就经验来看,seo与数据分析是密不可分的。seo是一个过程,是通过优化方法将关键词排名提升的一个动态过程…

    2022年12月4日
    00

联系我们

QQ:951076433

在线咨询:点击这里给我发消息邮件:951076433@qq.com工作时间:周一至周五,9:30-18:30,节假日休息