Seaborn绘图
Seaborn是一个统计数据可视化的Python库，官方网站在这里：
https://seaborn.
它是基于Matplotlib库的可视化工具，提供了一些高级绘图API。也就是说，Seaborn库绘图相比matplotlib而言没有那么繁琐了，简洁的代码可以绘制一幅很好的图形。
Seaborn的绘图数据对象是DataFrame对象或者是array数组。一般我们使用DataFrame作为它的绘图对象。在正式地绘图之前，我们先来看下这个库的绘图风格和颜色模式吧。
绘图风格和颜色模式
绘图风格
先看绘图风格，我们之前说过matplotlib的绘图风格有很多种，其中一个就是seaborn风格。它正式Seaborn库中的绘图风格。那我们来看下具体的风格吧，以iris数据集的箱线图为例。
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('iris') # seaborn自带的iris数据集
fig, ax = plt.subplots(figsize=(6,6))
ax.boxplot(df.iloc[:50,:2])
plt.show()
程序输出的结果见下图。
这是普通的matplotlib绘图的风格，那么我们要是seaborn的绘图默认风格，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('iris') # seaborn自带的iris数据集
sns.set_theme() # 设置默认的Seaborn绘图风格
fig, ax = plt.subplots(figsize=(6,6))
ax.boxplot(df.iloc[:50,:2])
plt.show()
程序输出的结果见下图。
实际上，这个函数有一些选项可以调整的，第一个参数context，它的参数可以是字典或者是几个既定好的字符串，分别代表几个不同的风格，详细的参数取值可以参考这里
https://seaborn./generated/seaborn.plotting\_context.html
下面就不同的参数给出不同风格的图形，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('iris') # seaborn自带的iris数据集
sns.set_theme(context='notebook') # 默认风格
fig1 = plt.figure(1,figsize=(6,6))
ax1 = fig1.add_subplot()
ax1.boxplot(df.iloc[:50,:2])
sns.set_theme(context='paper')
fig2 = plt.figure(2,figsize=(6,6))
ax2 = fig2.add_subplot()
ax2.boxplot(df.iloc[:50,:2])
sns.set_theme(context='talk')
fig3 = plt.figure(3,figsize=(6,6))
ax3 = fig3.add_subplot()
ax3.boxplot(df.iloc[:50,:2])
sns.set_theme(context='poster')
fig4 = plt.figure(4,figsize=(6,6))
ax4 = fig4.add_subplot()
ax4.boxplot(df.iloc[:50,:2])
plt.show()
程序输出的结果分别见下图。
其实绘图风格不仅仅是有context这个参数决定的，还有一个比较重要的参数style，它是用来控制轴线样式的。它不同的取值有darkgrid(默认值)，whitegrid，dark，white，ticks，不同的取值搭配context='notebook'的绘图风格，执行下面的代码即可得知。
import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('iris') # seaborn自带的iris数据集
sns.set_theme(style='ticks') # 默认风格
fig1 = plt.figure(1,figsize=(6,6))
ax1 = fig1.add_subplot()
ax1.boxplot(df.iloc[:50,:2])
sns.set_theme(style='whitegrid')
fig2 = plt.figure(2,figsize=(6,6))
ax2 = fig2.add_subplot()
ax2.boxplot(df.iloc[:50,:2])
sns.set_theme(style='dark')
fig3 = plt.figure(3,figsize=(6,6))
ax3 = fig3.add_subplot()
ax3.boxplot(df.iloc[:50,:2])
sns.set_theme(style='white')
fig4 = plt.figure(4,figsize=(6,6))
ax4 = fig4.add_subplot()
ax4.boxplot(df.iloc[:50,:2])
plt.show()
程序输出的结果分别见下图。
你会发现，似乎指定style参数之后，context参数好像失效了？其实这个并不是很重要，我认为Seaborn默认的绘图风格是好看的，至少比matplotlib默认的绘图风格要好看。
颜色模式
所谓的绘图颜色模式，就是指定用哪个颜色来绘图，通过set_theme()函数的参数palette指定，它的具体取值有字符串：deep，muted，bright，pastel，dark，colorblind，或者是matplotlib的colormap的名称。如果你不记得了colormap有哪些，那么可以参考这里
https:///stable/tutorials/colors/colormaps.html
还有一些其他取值，可以参考这里
https://seaborn./generated/seaborn.color_palette.html
如果我们想要看一下具体颜色，可以通过下面的代码呈现：
import seaborn as sns
import matplotlib.pyplot as plt
sns.color_palette('deep')
sns.color_palette('muted')
sns.color_palette('bright')
sns.color_palette('pastel')
sns.color_palette('dark')
sns.color_palette('colorblind')
在notebook环境下逐行运行，部分结果见下图。
散点图
散点图是用来描述变量之间关系的统计图形。绘制散点图，在Seaborn中有两种方式，现在其实是三种方式。其一是使用Figure-level function，其二是使用Axes-level function，还有一个是新版本库新增的object方法。
按照我学习matplotlib的绘图习惯，这里的第二种方式Axes-level function我是比较容易理解的。它返回的是一个Axes对象，也可以传递一个Axes图形对象作为当前绘制的图形。
下面就绘制一幅散点图，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
fig, ax = plt.subplots(figsize=(6,6))
iris = sns.load_dataset('iris')
sns.scatterplot(data=iris,x=iris.iloc[:50,0],y=iris.iloc[:50,1], ax=ax)
plt.show()
程序输出的结果见下图。
这个函数返回的是仍然是ax对象。它可以很方便地绘制分组散点图，通过参数hue指定即可，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
fig, ax = plt.subplots(figsize=(6,6))
iris = sns.load_dataset('iris')
sns.scatterplot(data=iris,x='sepal_length',y='sepal_width', ax=ax, hue='species')
plt.show()
程序输出的结果见下图。
如果你想要对不同的分类变量下散点样式进行更改，可以通过参数style很方便地指定一个分类变量，作为不同的marker散点样式，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
fig, ax = plt.subplots(figsize=(6,6))
tips = sns.load_dataset('tips')
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='time', style='time')
plt.show()
程序输出的结果见下图。
这里的marker样式是随机指定的。还可以通过size来指定散点的大小，这就是绘制气泡图了，通过patelle来指定绘图颜色模式，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
fig, ax = plt.subplots(figsize=(6,6))
tips = sns.load_dataset('tips')
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='smoker',
size='size', palette='GnBu')
plt.show()
程序输出的结果见下图。
这是绘制散点图的方式之一，具体的参数请参见这里
https://seaborn./generated/seaborn.scatterplot.html
另外一个绘制散点图的方式就是使用Figure-level function，主要是函数relplot()实现。下面仍然是绘制散点图，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
tips = sns.load_dataset('tips')
fig = sns.relplot(kind='scatter', data=tips, x='total_bill', y='tip', hue='smoker',
palette='Oranges', height=6, aspect=1)
# height指定图形的高度（英寸），宽度为height*aspect
plt.show()
程序输出的结果见下图。
其他的参数指定和scatterplot函数是类似的，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
tips = sns.load_dataset('tips')
fig = sns.relplot(kind='scatter', data=tips, x='total_bill', y='tip', hue='smoker',
style='time', palette='YlGn', height=6,aspect=1)
# height指定图形的高度（英寸），宽度为height*aspect
plt.show()
程序输出的结果见下图。
再来看指定散点大小的气泡图，还是通过参数size，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
tips = sns.load_dataset('tips')
fig = sns.relplot(kind='scatter',data=tips, x='total_bill', y='tip', size='size',
hue='sex', palette='PRGn', height=6, aspect=1)
# height指定图形的高度（英寸），宽度为height*aspect
plt.show()
程序输出的结果见下图。
有关relplot函数的更多详细参数请参考这里
http://seaborn./generated/seaborn.relplot.html
前面介绍了两种绘制散点图的方法，是经典的绘制散点图API，还有一个Object方法，下面来看下，执行下面的代码：
import seaborn as sns
import seaborn.objects as so
sns.set_theme() # 设置seaborn绘图风格
penguins = sns.load_dataset('penguins')
(
so.Plot(data=penguins, x='bill_length_mm', y='bill_depth_mm')
.add(so.Dot()).layout(size=(6,6)).show()
)
# 设置图形是6英寸乘以6英寸的大小，so.Dot()表示绘制散点图
程序输出的结果见下图。
如果我们想要改变散点的颜色，可以执行下面的代码：
import seaborn as sns
import seaborn.objects as so
sns.set_theme() # 设置seaborn绘图风格
penguins = sns.load_dataset('penguins')
(
so.Plot
(
data=penguins, x='bill_length_mm', y='bill_depth_mm',
edgecolor='sex', edgewidth='body_mass_g'
)
.add(so.Dot(color='xkcd:plum',alpha=0.2))
.layout(size=(6,6))
.show()
)
# 通过参数color和alpha来指定颜色
程序输出的结果见下图。
有关函数so.Plot()的更多参数请参考这里
http://seaborn./generated/seaborn.objects.Plot.html
有关散点函数so.Dot()的更多参数请参考这里
http://seaborn./generated/seaborn.objects.Dot.html
但是这种绘制散点图的方式有一个缺点就是无法绘制分组散点图？这一点好像是的。而且它有一些详细的参数API，很类似于matplotlib绘制散点图的参数。可以说，它的封装性没有那么强，灵活性更强，便于修改。
线图
线图是一般是用来展示趋势性数据的，也可以用来展示两个变量之间的关系。
先看第一种绘制线图的方式，使用Axes-level function，lineplot()函数，展示时间序列数据最适合使用线图，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置Seaborn绘图风格
fig, ax = plt.subplots(figsize=(6,6))
dowjones = sns.load_dataset('dowjones')
sns.lineplot(data=dowjones, x='Date', y='Price',ax=ax)
plt.show()
程序输出的结果见下图。
还可以通过hue参数指定分组变量，绘制线图。执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置Seaborn绘图风格
fig, ax = plt.subplots(figsize=(6,6))
flights = sns.load_dataset('flights')
sns.lineplot(data=flights, x='year', y='passengers',ax=ax,hue='month',palette='Spectral')
plt.show()
程序输出的结果见下图。
有意思的是这个数据结果是一般的列变量形式，但是时间序列数据也可能是每一列都是一个单独的月份数据，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置Seaborn绘图风格
fig, ax = plt.subplots(figsize=(6,6))
flights = sns.load_dataset('flights')
flights_wide = flights.pivot(index='year', columns='month', values='passengers')
sns.lineplot(data=flights_wide, ax=ax ,palette='BuGn')
plt.show()
程序输出的结果见下图。
这种数据结果是以列作为每一个月份，行作为年份，中间的值就是上面数据中的passengers变量值，绘制线图也是以列作为一个变量绘制的，不需要指定参数hue了，直接给定一个数据即可。
单个线图是默认绘制置信区间的，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置Seaborn绘图风格
fig, ax = plt.subplots(figsize=(6,6))
flights = sns.load_dataset('flights')
sns.lineplot(data=flights, x='year', y='passengers', ax=ax,
color='xkcd:plum', alpha=0.3)
plt.show()
程序输出的结果见下图。
这里的置信区间是百分之95的置信区间，以置信带的形式呈现，通过参数errerbar指定，errstyle参数指定的是误差的呈现形式，有bars和band两种形式。有关具体的errerbar内容下面会介绍到。
如果我们并不希望绘制这个误差范围呢？使用参数estimator=None即可，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置Seaborn绘图风格
fig, ax = plt.subplots(figsize=(6,6))
flights = sns.load_dataset('flights')
sns.lineplot(data=flights, x='year', y='passengers', ax=ax,
color='xkcd:steel', alpha=0.3, estimator=None)
plt.show()
程序输出的结果见下图。
奇怪的是，它怎么和前面的线图不一样呢？这里多了很多折线，不是一条平坦的直线？实际上，指定参数estimator=None表示没有任何估计量，使用原始数据绘图，而这个原始数据正是这样子的，同一个年份对应不同的passengers数值。而参数estimator的默认值是mean，表示估计均值，因此上面绘制的图形中是一个趋于平坦的直线也是这个原因。
如果原始数据不是这样子的“分组”重复性数据，而是类似时间序列数据，那么estimator='mean'和指定为None是没有区别的。Seaborn线图是一个例子。
有关函数lineplot()的更多参数用法请参考这里
http://seaborn./generated/seaborn.lineplot.html
下面使用Figure-level的函数replot()来绘制线图，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme() # 设置默认风格
tips = sns.load_dataset('tips')
fig = sns.relplot(kind='line', data=tips, x='total_bill', y='tip', hue='smoker',
palette='binary', height=6,aspect=1)
# height指定图形的高度（英寸），宽度为height*aspect
plt.show()
程序输出的结果见下图。
使用Figure层面的绘制线图函数，尽管是分组线图，默认地也是会绘制置信带的，执行下面的代码：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme()
fmri = sns.load_dataset('fmri')
fig = sns.relplot(kind='line', data=fmri, x='timepoint', y='signal', hue='event',
height=6, aspect=1)
plt.show()
程序输出的结果见下图。
其实，使用Axes层面的线图绘制函数默认条件下也是绘制置信带的，那为什么上面有一张对应的图没有绘制置信带呢？
很简单，因为绘制置信带需要重复结构的数据，也就是说，在不同的分组条件下，需要在给定的X轴变量值下，有多个Y轴变量值，但是前者数据结构中，当分组给定了之后，每一个年份year值对应一个乘客数量passengers。如果不分组，就有多个对应值了。
下面我们使用第三种方式来绘制线图，执行下面的代码：
import seaborn as sns
import seaborn.objects as so
sns.set_theme() # 设置seaborn绘图风格
fmri = sns.load_dataset('fmri')
(
so.Plot(
fmri, x='timepoint', y='signal', color='region', linestyle='event')
.add(so.Line(color='xkcd:plum',alpha=0.2)).layout(size=(6,6)).show()
)
# 通过参数color和alpha来指定颜色
程序输出的结果见下图。
你可以看到这个数据完全是重复的，就是说在同一个X轴变量下，Y轴变量值不止一个，它完全绘制了每一个数据点。这里我们没有绘制聚合指标值，更没有绘制置信带。
函数so.Line()的更多参数请参考这里
http://seaborn./generated/seaborn.objects.Line.html
下面的代码会增加绘制聚合指标值的，比如均值或者方差等等，执行下面的代码：
import seaborn as sns
import seaborn.objects as so
sns.set_theme() # 设置seaborn绘图风格
fmri = sns.load_dataset('fmri')
(
so.Plot(
fmri, x='timepoint', y='signal', color='region', linestyle='event')
.add(so.Line(color='xkcd:plum',alpha=0.2), so.Agg()).layout(size=(6,6)).show()
)
# so.Agg()默认绘制均值
程序输出的结果见下图。
函数so.Agg()的用法请参考这里
http://seaborn./generated/seaborn.objects.Agg.html
下面我们就绘制标准差置信带，通过参数so.Est()
http://seaborn./generated/seaborn.objects.Est.html
执行下面的代码：
import seaborn as sns
import seaborn.objects as so
sns.set_theme() # 设置seaborn绘图风格
fmri = sns.load_dataset('fmri')
(
so.Plot
(
data=fmri, x='timepoint', y='signal', color='region', linestyle='event'
)
.add
(
so.Line(color='xkcd:plum',alpha=0.2), so.Agg('std')
)
.add(so.Band(), so.Est(func='std'))
.layout(size=(6,6))
.show()
)
# so.Est()指定估计量和置信水平，so.Band()绘制置信带
程序输出的结果见下图。
函数so.Band()的具体用法请参考这里
http://seaborn./generated/seaborn.objects.Band.html
