- Relational plots(关系图)
- 1、scatterplot
- 2、lineplot
- 3、relplot
seaborn 库函数使用汇总
Relational plots(关系图)用来表示两个连续变量的关系。
当然,不是连续型变量,也可以画,就是图形表现不好
预备数据
import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt sns.set(style='white') # 指定画板底色 tips = pd.read_csv(r'../input/seaborn-data/tips.csv') tips.head()
1、scatterplot
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
- x,y:容易理解就是你需要传入的数据,一般为dataframe中的列;
- hue:也是具体的某一可以用做分类的列,作用是分类;
- data:是你的数据集,可要可不要,一般都是dataframe数据格式
- style:绘图的风格
- size:绘图的大小
- palette:调色板
- markers:绘图的形状
- ci:允许的误差范围(空值误差的百分比,0-100之间),可为‘sd’,则采用标准差(默认95);
- n_boot(int):计算置信区间要使用的迭代次数;
- alpha:透明度;
- x_jitter,y_jitter:设置点的抖动程度。
sns.scatterplot(x='total_bill', y='tip', data=tips)
2、lineplot
seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
sns.lineplot(x='total_bill', y='tip', data=tips)
3、relplot
可以看做是lineplot和scatterplot的归约,可以通过kind参数来指定画什么图形
seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)
- kind:默认scatter(散点图),也可以选择kind=‘line’(线图);
- sizes:List、dict或tuple,可选,简单点就是图片大小,注意和size区分;
- col、row:将决定网格的面数的分类变量,具体看实例;
sns.relplot(x='total_bill', y='tip', data=tips)
seaborn 库函数使用汇总



