Python图表数据可视化Seaborn：3. 线性关系| 时间线| 热图，,1. 线性关系数据可

1. 线性关系数据可视化

lmplot()

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns% matplotlib inlinesns.set_style("darkgrid")sns.set_context("paper")# 设置风格、尺度import warningswarnings.filterwarnings(‘ignore‘) # 不发出警告

# 基本用法tips = sns.load_dataset("tips")print(tips.head())# 加载数据sns.lmplot(x="total_bill", y="tip", hue = ‘smoker‘,data=tips,palette="Set1",           ci = 70,   # 误差值           size = 5,  # 图表大小           markers = [‘+‘,‘o‘],  # 点样式           )

# 拆分多个表格sns.lmplot(x="total_bill", y="tip", col="smoker", data=tips)

# 多图表1sns.lmplot(x="size", y="total_bill", hue="day", col="day",data=tips,            aspect=0.6,    # 长宽比           x_jitter=.30,  # 给x或者y轴随机增加噪音点           col_wrap=4,    # 每行的列数          )

# 多图表2sns.lmplot(x="total_bill", y="tip", row="sex", col="time",data=tips, size=4)# 行为sex字段，列为time字段# x轴total_bill, y轴tip

# 非线性回归sns.lmplot(x="total_bill", y="tip",data=tips,           order = 2)

2. 时间线图表、热图

tsplot() / heatmap()

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns% matplotlib inlinesns.set_style("darkgrid")sns.set_context("paper")# 设置风格、尺度import warningswarnings.filterwarnings(‘ignore‘) # 不发出警告

# 1、时间线图表 - tsplot()# 简单示例x = np.linspace(0, 15, 31)data = np.sin(x) + np.random.rand(10, 31) + np.random.randn(10, 1)print(data.shape)print(pd.DataFrame(data).head())# 创建数sns.tsplot(data=data,           err_style="ci_band",   # 误差数据风格，可选：ci_band, ci_bars, boot_traces, boot_kde, unit_traces, unit_points           interpolate=True,      # 是否连线           ci = [40,70,90],       # 设置误差区间            color = ‘g‘            # 设置颜色          )

# 1、时间线图表 - tsplot()# 简单示例sns.tsplot(data=data, err_style="boot_traces",            n_boot=300   # 迭代次数          )

# 1、时间线图表 - tsplot()# 参数设置gammas = sns.load_dataset("gammas")print(gammas.head())print(‘数据量为：%i条‘ % len(gammas))print(‘timepoint为0.0时的数据量为：%i条‘ % len(gammas[gammas[‘timepoint‘] == 0]))print(‘timepoint共有%i个唯一值‘ % len(gammas[‘timepoint‘].value_counts()))# print(gammas[‘timepoint‘].value_counts())  # 查看唯一值具体信息# 导入数据sns.tsplot(time="timepoint",     # 时间数据，x轴           value="BOLD signal",  # y轴value           unit="subject",       #            condition="ROI",      # 分类           data=gammas)# gammas[[‘ROI‘, ‘subject‘]]

# 2、热图 - heatmap()# 简单示例df = pd.DataFrame(np.random.rand(10,12))# 创建数据 - 10*12图表sns.heatmap(df,    # 加载数据            vmin=0, vmax=1   # 设置图例最大最小值            )

# 2、热图 - heatmap()# 参数设置flights = sns.load_dataset("flights")flights = flights.pivot("month", "year", "passengers") print(flights.head())# 加载数据sns.heatmap(flights,            annot = True,      # 是否显示数值            fmt = ‘d‘,         # 格式化字符串            linewidths = 0.2,  # 格子边线宽度            #center = 100,      # 调色盘的色彩中心值，若没有指定，则以cmap为主            #cmap = ‘Reds‘,     # 设置调色盘            cbar = True,       # 是否显示图例色带            #cbar_kws={"orientation": "horizontal"},   # 是否横向显示图例色带            #square = True,     # 是否正方形显示图表           )flights.head()

# 2、热图 - heatmap()# 绘制半边热图sns.set(style="white")# 设置风格rs = np.random.RandomState(33)d = pd.DataFrame(rs.normal(size=(100, 26)))corr = d.corr()   # 求解相关性矩阵表格# 创建数据mask = np.zeros_like(corr, dtype=np.bool)mask[np.triu_indices_from(mask)] = True# 设置一个“上三角形”蒙版cmap = sns.diverging_palette(220, 10, as_cmap=True)# 设置调色盘sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,            square=True, linewidths=0.2)# 生成半边热图

Python图表数据可视化Seaborn：3. 线性关系| 时间线| 热图