【Python】参考ggplot2，Seaborn将迎来超大版本更新！

• Matplotlib是Python最重要的可视化库，但是，过于复杂，Seaborn对其主要功能做了封装，隐藏复杂参数，仅需要几行代码就可以实现优美的统计图，但功能有限：Seaborn；
• 此次更新主要拓展Seaborn的核心功能 —与pandas的集成、数据和图形之间的自动映射、统计转换 — 使得Seaborn成为一个更具组合性、可扩展性和全面性的可视化库。
• 作者直言，更新灵感不少源于R语言中ggplot2背后的图层图形语法，去其糟粕，取其精华，做了很多优化，但是Seaborn不等于Python版ggplot2 (plotnine)；
• 为了这次更新，已经开发了8个月，依旧还有很多工作要做，更新版具体发布时间待定，但是会在发布前发布系列alpha/beta releases，以获取测试反馈。

👇👇下面看看主要哪些方面发生了更新👇👇

嫌长文，直接看文章末尾小结。

基本语法

导入Seaborn

#方法一
import seaborn.objects as so #不再是import seaborn as sns

#方法二
from seaborn.objects import *

绘图主函数变成了seaborn.objects.Plot

import seaborn
tips = seaborn.load_dataset("tips") #导入内置数据

so.Plot(tips, x="total_bill", y="tip") #绘制空Figure

add在Figure上添加散点图层，

so.Plot(tips, x="total_bill", y="tip").add(so.Scatter()) 
#.add(so.Scatter())是不是有ggplot2 + 添加图层的影子～

全局个性化，

    
so.Plot(tips).add(so.Scatter(), x="total_bill", y="tip")

每个图层个性化，

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Scatter(color=".6"))
    .add(so.Scatter(), data=tips.query("size == 2"))
)

(
    so.Plot(tips, x="total_bill", y="tip", color="day", fill="time")
    .add(so.Scatter(fillalpha=.8))
)

核心组件1-图层对象Mark

每个图层都需要一个Mark对象，它定义了如何绘制绘图。将对应于现有seaborn功能和提供新功能的标记，但是，很多还没有实现，

so.Plot(tips, y="day", x="total_bill")
.add(so.Dot(color="#698", alpha=.5)) #直接设置Mark(此处为Dot)特性，而不是映射它们.

核心组件2-数据转换Stat

在新版本中，每个层都可以接受一个数据转换的Stat对象，

so.Plot(fmri, x="timepoint", y="signal", color="event").add(so.Line(), so.Agg(), group="subject")

自定义Mark和Stat对象

class PeakAnnotation(so.Mark):
    def _plot_split(self, keys, data, ax, kws):
        ix = data["y"].idxmax()
        ax.annotate(
            "The peak", data.loc[ix, ["x", "y"]],
            xytext=(10, -100), textcoords="offset points",
            va="top", ha="center",
            arrowprops=dict(arrowstyle="->", color=".2"),

        )

(
    so.Plot(fmri, x="timepoint", y="signal")
    .add(so.Line(), so.Agg())
    .add(PeakAnnotation(), so.Agg())
)



    

核心组件3-图形自适应the Move

新版本里，图形的一些调整都汇聚在move对象中，取代老版本中的dodge=xx、jitter=xx、multiple=xx等设置，

(
    so.Plot(tips, "day", "total_bill", color="time", alpha="sex")
    .add(so.Bar(), so.Agg(), move=so.Dodge())
)

(
    so.Plot(tips, "day", "total_bill", color="time", alpha="smoker")
    .add(so.Dot(), move=[so.Dodge(by=["color"]), so.Jitter(.5)])
)

个性化设置

新版本将添加更多图形个性化设置功能，

(
    so.Plot(planets, x="mass", y="distance", color="year")
    .map_color("flare", norm=(2000, 2010))
    .scale_numeric("x", "log")
    .add(so.Scatter(pointsize=3))
)
#以上设置顺序不分先后

(
    so.Plot(planets, y="year", x="orbital_period")
    .scale_numeric("x", "log")
    .add(so.Scatter(alpha=.5, marker="x"), color="method")
    .add(so.Line(linewidth=2, color=".2"), so.Agg(), orient="h")
)

子图定义

新版本中分面Facet被隐式地内置，

    
(
    so.Plot(tips, x="total_bill", y="tip")
    .facet("time", order=["Dinner", "Lunch"])
    .add(so.Scatter())
)

注意区别于老版本的FacetGrid，

(
    so.Plot(tips, x="total_bill", y="tip", col="day")
    .add(so.Scatter(color=".75"), col=None)
    .add(so.Scatter(), color="day")
    .configure(figsize=(7, 3))
)

新版本依旧包含PairGrid功能，

(
    so.Plot(tips, y="day")
    .pair(x=["total_bill", "tip"])
    .add(so.Dot())
)

FacetGrid和PairGrid可联合使用，

(
    so.Plot(tips, x="day")
    .facet("sex")
    .pair(y=["total_bill", "tip"])
    .add(so.Dot())
)

faceted和paired图均可沿着列和行“wrapped”，

class Histogram(so.Mark):  # TODO replace once we implement
    def _plot_split(self, keys, data, ax, kws):
        ax.hist(data["x"], bins="auto", **kws)
        ax.set_ylabel("count")

(
    so.Plot(tips)
    .pair(x=tips.columns, wrap=3)
    .configure(sharey=False)
    .add(Histogram())
)

总之，新版本中，“axes-level” 和“figure-level” 无差异。

图形迭代、渲染

迭代：可定义一个基础图形，然后按需求在基础图形上绘制不同图形，不同图形之间相互独立，

#定义基础图形p
p = (
    so.Plot(fmri, x="timepoint", y="signal", color="event")
    .map_color(palette="crest")
)

p.add(so.Line()) #绘制折线图

p.add(so.Line(), group="subject")

与Matplotlib集成

“axes-level”容易实现，可直接对子图操作，

import matplotlib as mpl
_, ax = mpl.figure.Figure(constrained_layout=True).subplots(1, 2)
(
    so.Plot(tips, x="total_bill", y="tip")
    .on(ax)
    .add(so.Scatter())
)

“figure-level”  比较难缠，

f = mpl.figure.Figure(constrained_layout=True)
(
    so.Plot(tips, x="total_bill", y="tip")
    .on(f)
    .add(so.Scatter())
    .facet("time")
)

subfigures让多子图更简单，

sf1, sf2 = f.subfigures(1, 2)
(
    so.Plot(tips, x="total_bill", y="tip", color="day")
    .add(so.Scatter())
    .on(sf1)
    .plot()
)
(
    so.Plot(tips, x="total_bill", y="tip", color="day")
    .facet("day", wrap=2)
    .add(so.Scatter())
    .on(sf2)
    .plot()
)

小结

• 如果该新版本发布，Seaborn老版本子图难实现、个性化难、需要重度依赖Matplotlib的缺陷基本被修复；
• 新版本吸收了ggplot2的部分属性，对R用户比较容易上手;
• 但是，Seaborn支持图形类别有限的问题没有看到修复；
• 再者，到底啥时候新版本能够发布，This is very much a work in progress；
• 总之，非常值得期待。
• ref: https://seaborn.pydata.org/nextgen/

-END-