Python 可视化视频课 - 5. Seaborn 下

这是 Python 数据可视化系列的第五节《Seaborn 下》。

Python 数据可视化

之前 Python 数据分析和基础系列的所有课程链接如下。

Python 数据分析

Python 基础

Seaborn 中关注的内容是第 3 篇，也是完结篇，组合图。

1. Seaborn 101

场景设定
风格设定
色调设定
图级轴级
Seaborn 数据集

2. 单图

关系图
分布图
分类图
回归图
矩阵图

3. 组合图

多图网格
配对网格
联合网格

为了使读者从图中快速提取复杂数据的信息，可将单图按照合理的方式组合起来。实现组合图通常有两种方法：

当子图是同类型，用 FacetGrid 建立网格对象，然后用 Seaborn 中的图级函数通过设置参数 row 和 col 来画图，如

relplot(row, col)
displot(row, col)
catplot(row, col)
lmplot(row, col)
当子图是异类型，用 plt.subplots() 建立子图，然后每个子图坐标系中用 Seaborn 中的轴级函数来画图，如

scatterplot(ax=ax[0])
histplot(ax=ax[1])
stripplot(ax=ax[2])
regplot(ax=ax[3])

在 Seaborn 中组合图分为三种：多面图、配对图和组合图。

多面图

FacetGrid 多面图可以从三个维度来构建：行、列和颜色，在图级函数中分别设定参数 row, col 和 hue。前两个参数代表平面的长和宽，而参数 hue 为第三个维度，代表深度，由于图是平面图，因此第三维用不同的颜色来体现。

展示几个例子：

配对图

另外一种组合图可使用配对网格 PairGrid。在 PairGrid 中，每行每列都被分配给一个不同的变量，最后生成的图片可以展示数据集中所有的成对关系。这种风格的绘图有时被称为“散点图矩阵”，因为散点是展示两组数据关系的最常见方式，但是 PairGrid 不仅限于散点图。多面网格 FacetGrid 和配对网格 PairGrid 的不同如下：

在 FacetGrid 中，每张子图展示了相同的变量关系，不同的只是数据子集。数据子集的划分是由指定的 col, row 和 hue 维度变量决定的，这些变量相互交叉后产生一系列最小粒度的数据子集，每个子集对应了一张子图，也就是说，不管是多少行、多少列还是多少颜色，它们都对应着这些维度变量的取值。
在 PairGrid 中，每张子图代表了不同的两个变量关系，当然“矩阵”上下三角位置的图会有镜像的关系，因为它们相当于互换了 x 轴和 y 轴。

展示几个例子：