包含调色板工具
- flatui = ["#9b59b6", "#3498db", "#95a5a6", "#e74c3c", "#34495e", "#2ecc71"]
- sns.palplot(sns.color_palette(flatui))
seaborn 功能初探
- # 导入库
- import numpy as np
- import pandas as pd
- import seaborn as sns
单变量可视化
查看 seaborn 中的单变量分布的最便捷方法是 distplot()函数. 默认情况下, 将绘制直方图并拟合核密度估计(KDE, kernel density estimate).
- # 生成数据
- x = np.random.normal(size=100)
- # 数据可视化
- sns.distplot(x)
双变量分布可视化
在 seaborn 中可视化双变量的方法是 jointplot()函数, 该函数创建一个多面板图形, 该图形同时显示两个变量之间的双变量 (或联合) 关系以及每个变量的单变量分布.
- # 生成二维数据
- mean, cov = [0, 1], [(1, .5), (.5, 1)]
- data = np.random.multivariate_normal(mean, cov, 200)
- df = pd.DataFrame(data, columns=["x", "y"])
- # 数据可视化
- sns.jointplot(x="x", y="y", data=df)
二维直方图
sns.jointplot(x=x, y=y, kind="hex")
核密度估计
sns.jointplot(x="x", y="y", data=df, kind="kde")
多变量数据可视化
要在多变量数据集中绘制成对的双变量分布, 可以使用 pairplot()函数. 这将创建轴矩阵, 并显示 DataFrame 中每列的关系. 默认情况下, 它还会在对角轴上绘制每个变量的单变量分布.
- # 读入内置数据
- iris = sns.load_dataset("iris")
- # 数据可视化
- sns.pairplot(iris)
来源: http://www.tuicool.com/articles/fEzmYvr