【Python】Matplotlib太臃肿，试试Seaborn

• Matplotlib绘制一张美图需要很多参数调整，于是就出现了high-level版的Seaborn，几行代码即可输出美美的图形，那么Seaborn是如何做到的？
• Seaborn主要有两种图形实现方法Figure水平「下图绿色格子中所有方法，如jointplot、JointGrid」、Axes水平「如stripplot、swarmplot等」，本文梳理Seaborn主要结构，助快速掌控Seaborn👇

Figure水平方法

此时，通过seaborn.axisgrid.FacetGrid对象作图，以displot为例，

• 单个图

import seaborn as sns
import pandas as pd
penguins = sns.load_dataset("penguins")#导入数据

g = sns.displot(data=penguins,
                x="flipper_length_mm",
                hue="species",
                multiple="stack",
                kind="hist")#一行代码出图
sns.set(style='whitegrid', font_scale=1.2)
print(type(g))

\ # 注意此处g对象类型

• 多子图

Figure水平多子图一行代码搞定，

sns.displot(data=penguins, x="flipper_length_mm", hue="species", col="species")

• 矩阵图 (pairplot)

sns.pairplot(data=penguins, hue="species")

• 矩阵图 (PairGrid)

PairGrid可使矩阵图更加个性化，

g = sns.PairGrid(penguins, diag_sharey=False)
g.map_upper(sns.scatterplot)  #右上角做散点图
g.map_lower(sns.kdeplot)  #左下角做等高线图
g.map_diag(sns.histplot)  #中间做直方图

Axes水平方法

此时，直接在matplotlib.axes._subplots.AxesSubplot对象上作图，以hisplot为例，

• 单个图

import seaborn as sns
import pandas as pd
penguins = sns.load_dataset("penguins")

g = sns.histplot(data=penguins,
                 x="flipper_length_mm",
                 hue="species",
                 multiple="stack")
sns.set(style='whitegrid', font_scale=1.2)
print(type(g))

\ # 注意此处g对象类型

• 多子图

比较繁琐，

import matplotlib.pyplot as plt
f, axs = plt.subplots(1,
                      2,
                      figsize=(8, 4),
                      gridspec_kw=dict(width_ratios=[4, 3]))
sns.scatterplot(data=penguins,
                x="flipper_length_mm",
                y="bill_length_mm",
                hue="species",
                ax=axs[0])
sns.histplot(data=penguins,
             x="species",
             hue="species",
             shrink=.8,
             alpha=.8,
             legend=False,
             ax=axs[1])
f.tight_layout()

• 从上面实例可知，在简单图形上，Figure方法和Axes方式结果几乎一样，在多子图绘制时，Figure水平优势明显;

• 相比于jointplot/pairplot，JointGrid/PairGrid可以更个性化。

• 本文简要介绍了Seaborn的主要方法，详细可参考历史文章及官网。

致谢：http://seaborn.pydata.org/index.html

-END-