​Seaborn变量分析绘图

%matplotlib inlineimport numpy as npimport pandas as pdfrom scipy import stats, integrateimport matplotlib.pyplot as pltimport seaborn as snssns.set(color_codes=True)np.random.seed(sum(map(ord, "distributions")))

x = np.random.normal(size=100)sns.distplot(x,kde=False) #distplot()函数会根据输入数据自动绘制直方图

<matplotlib.axes._subplots.AxesSubplot at 0x1a1fb2a240>

你也可以通过bins自己划分直方图的切分粒度

sns.distplot(x, bins=20, kde=False)

<matplotlib.axes._subplots.AxesSubplot at 0x1a202ebdd8>

通过fit查看数据分布的情况

x = np.random.gamma(6, size=200)sns.distplot(x, kde=False, fit=stats.gamma)

<matplotlib.axes._subplots.AxesSubplot at 0x1a204df5f8>

观测两个变量之间的分布关系最好用散点图

#生成数据mean, cov = [0, 1], [(1, .5), (.5, 1)] #自定义均值与协方差data = np.random.multivariate_normal(mean, cov, 200) #生成200个数据df = pd.DataFrame(data, columns=["x", "y"]) #通过pandas读入数据print(df.head())

          x         y0  0.585042  1.1626821  0.722117  2.1415802  0.120990  0.4988213 -0.795773  2.0852614 -0.614260  2.215906

sns.jointplot(x="x", y="y", data=df)

<seaborn.axisgrid.JointGrid at 0x1a206a5b00>

通过kind="hex"使散点图具备透视性，更加容易查看数据的散点分布密度情况

x, y = np.random.multivariate_normal(mean, cov, 1000).Twith sns.axes_style("white"):    sns.jointplot(x=x, y=y, kind="hex", color="k")

两不同变量比较绘制散点图，变量自身比较绘制直方图

iris = sns.load_dataset("iris") #载入鸢尾花数据集sns.pairplot(iris) #绘制

<seaborn.axisgrid.PairGrid at 0x1a20ef4588>

[Style functions]

[Color palettes]

[Distribution plots]

[Categorical plots]

[Regression plots]

[Axis grid objects]

[10分钟python图表绘制]

相关人工智能与异构计算的知识分享，欢迎关注我的公众号【AI异构】