Matplotlib Toolkits：python高级绘图库seaborn

最新推荐文章于 2025-10-21 07:00:00 发布

原创最新推荐文章于 2025-10-21 07:00:00 发布 · 1.7w 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#python绘图 #seaborn #sns

Matplotlib小记专栏收录该内容

8 篇文章

订阅专栏

Seaborn是一款基于Matplotlib的高级数据可视化库，用于绘制统计图表。它简化了复杂数据集的可视化过程，提供了美观的默认样式，并且与Pandas紧密集成。本文介绍了Seaborn的基本使用方法，包括如何安装、配置样式以及绘制各种统计图表。

http://blog.youkuaiyun.com/pipisorry/article/details/49515745

Seaborn介绍

seaborn

(Not distributed with matplotlib)

seaborn is a highlevel interface for drawing statistical graphics with matplotlib. Itaims to make visualization a central part of exploring andunderstanding complex datasets.

[seaborn ¶]

Matplotlib是Python主要的绘图库。但是不建议你直接使用它，原因与不推荐你使用NumPy是一样的。虽然Matplotlib很强大，它本身就很复杂，你的图经过大量的调整才能变精致。因此，作为替代推荐一开始使用Seaborn。

Seaborn本质上使用Matplotlib作为核心库（就像Pandas对NumPy一样）。

seaborn的优点：

默认情况下就能创建赏心悦目的图表。（只有一点，默认不是jet colormap）
创建具有统计意义的图
能理解pandas的DataFrame类型，所以它们一起可以很好地工作。

安装pip install seaborn

Note: lz发现，就算你不用seaborn绘图，只要在matplotlib绘图中加上seaborn的import语句，就会以seaborn的图形方式展示图片，具有seaborn的效果。如：

import seaborn
import matplotlib.pyplot as plt

注意要显示出图形，需要引入matplotlib并plt.show()出来。

皮皮blog

Seaborn使用

Style functions: API | Tutorial

Color palettes: API | Tutorial

Distribution plots: API | Tutorial

Regression plots: API | Tutorial

Categorical plots: API | Tutorial

Axis grid objects: API | Tutorial

分布图绘制Distribution plots

`jointplot`(x, y[, data, kind, stat_func, ...])	Draw a plot of two variables with bivariate and univariate graphs.
`pairplot`(data[, hue, hue_order, palette, ...])	Plot pairwise relationships in a dataset.
`distplot`(a[, bins, hist, kde, rug, fit, ...])	Flexibly plot a univariate distribution of observations.
`kdeplot`(data[, data2, shade, vertical, ...])	Fit and plot a univariate or bivariate kernel density estimate.
`rugplot`(a[, height, axis, ax])	Plot datapoints in an array as sticks on an axis.

单变量绘制distplot

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)

Note:

1 如果想显示统计个数而不是概率，需要同时设置norm_hist=False, kde=False。

2 自己指定fit的函数from scipy import stats ... fit=stats.norm

>>> import seaborn as sns, numpy as np
>>> sns.set(rc={"figure.figsize": (8, 4)}); np.random.seed(0)
>>> x = np.random.randn(100)
>>> ax = sns.distplot(x)

双变量+单变量统一绘制jointplot

import seaborn as sns

# Load one of the data sets that come with seaborn

tips = sns . load_dataset ( "tips" )

sns . jointplot ( "total_bill" , "tip" , tips , kind = 'reg' ) ;

如你所见，仅通过一行代码，我们就创建了一个漂亮复杂的统计图，其中包含拥有置信区间的最拟合回归直线、边界图，以及相关系数。
使用matplotlib重新绘制这幅图的话需要相当多的（丑陋）代码，包括调用scipy执行线性回归并手动利用线性回归方程绘制直线（我甚至想不出怎么在边界绘图，怎么计算置信区间）。
[ the tutorial on quantitative linear models]

与Pandas的DataFrame很好地工作

数据有自己的结构。通常我们感兴趣的包含不同的组或类（这种情况下使用pandas中groupby的功能会让人感到很神奇）。比如tips（小费）的数据集是这样的：

tips . head ( )

Out[9]:

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

我们可能想知道吸烟者给的小费是否与不吸烟的人不同。没有seaborn的话，这需要使用pandas的groupby功能，并通过复杂的代码绘制线性回归直线。使用seaborn的话，我们可以给col参数提供列名，按我们的需要划分数据：

回归图绘制Regression plots

`lmplot`(x, y, data[, hue, col, row, palette, ...])	Plot data and regression model fits across a FacetGrid.
`regplot`(x, y[, data, x_estimator, x_bins, ...])	Plot data and a linear regression model fit.
`residplot`(x, y[, data, lowess, x_partial, ...])	Plot the residuals of a linear regression.
`interactplot`(x1, x2, y[, data, filled, ...])	Visualize a continuous two-way interaction with a contour plot.
`coefplot`(formula, data[, groupby, ...])	Plot the coefficients from a linear model.