【Python】seaborn进阶：如何绘制多子图？

公众号：尤而小屋
作者：Peter
编辑：Peter

之前也写过一些关于seaborn的文章，本文给大家介绍如何使用seaborn来绘制多子图。

seaborn简介

Seaborn是一个Python数据可视化库，建立在Matplotlib之上，专注于创建美观、有吸引力的统计图表。它为数据科学家和分析师提供了一种简单易用的方式来可视化数据，使得数据探索和分析变得更加直观和有效。

Seaborn提供了一系列内置的图表样式和颜色主题，使得用户无需费力地进行定制即可创建各种类型的图表，包括散点图、折线图、条形图、箱型图、核密度估计图等。除了常见的统计图表外，Seaborn还支持高级功能，如多面板图、数据分组和分类、线性回归模型拟合等。

这个库的优势之一是能够直接操作Pandas数据框架，因此可以轻松地从DataFrame对象中提取数据，并且自动适应数据的特征来调整图表的外观。Seaborn的代码简洁易懂，使得用户可以更专注于数据分析和展示，而不必过多关注图表的细节设置。

总体而言，Seaborn为Python用户提供了一种优雅而强大的方式来展示数据，使得数据可视化成为数据科学工作流程中不可或缺的一部分。无论是在探索性数据分析还是向他人传达分析结果，Seaborn都是一个非常有价值的工具。

官网学习地址：https://seaborn.pydata.org/

导入库

In [1]:

import matplotlib.pyplot as plt 
%matplotlib inline

import seaborn as sns
import plotly_express as px

import warnings
warnings.filterwarnings("ignore")

导入数据

In [2]:

# 内置的tips数据 基于seaborn导入方法
# tips = sns.load_dataset("tips")

In [3]:

# 基于plotly_express
tips = px.data.tips()
tips.head(3)

Out[3]:

In [4]:

gdp = px.data.gapminder()
gdp.head(3)

Out[4]:

In [5]:

iris = px.data.iris()
iris.head(3)

Out[5]:

基于FacetGrid

Seaborn中的FacetGrid是一个多维数据图形接口，通过使用它，我们可以方便地创建基于不同的分面变量的多个图形。

FacetGrid可以通过col和row等参数来一次性构建多个图形，例如使用relplot、catplot、lmplot等函数在一个Figure中绘制多个图。

这个函数之所以有这些功能，是因为函数底层使用了FacetGrid来组装这些图形。

FacetGrid绘图的x和y参数必须为DataFrame的列的名字。

In [6]:

g = sns.FacetGrid(tips, col="time")

g表示的就是待绘图的画布；而且是基于time字段进行绘制多子图。这样后续我们就可以在对象g上进行绘图。

直方图histplot

In [7]:

g = sns.FacetGrid(tips, col="time")
g.map(sns.histplot, 


    
"tip")

散点图scatterplot

In [8]:

g = sns.FacetGrid(tips, col="sex", hue="smoker")  # 1

g.map(sns.scatterplot, "total_bill", "tip", alpha=.8)  # 2
g.add_legend()  # 3

解释下代码：

• 第一行：col参数表示列方向的分组字段，hue表示颜色的分组
• 第二行：sns.scatterplot表示绘制散点图，使用total_bill和tip两个字段绘制，alpha表示散点的透明度
• 第三行：表示添加图例，右侧的smoker(No-Yes)；否则不会显示图例legend

回归散点图regplot

In [9]:

g = sns.FacetGrid(tips, 
                  row="smoker",  # 行
                  col="time",  # 列
                  margin_titles=True  # 标题显示：True-表示行列分开，False-合并显示
                 )

g.map(sns.regplot, 
      "size", "total_bill", 
      # color=".2",   # color="red"
      # fit_reg=False, 是否显示拟合的回归线；默认是True
      x_jitter=.1
     )

箱型图barplot

In [10]:

g = sns.FacetGrid(tips, 
                  col="day", # 列元素分组
                  height=4, # 控制高
                  aspect=.6  # 控制宽
                 )

g.map(sns.barplot,
      "sex", "total_bill",  # x-y轴
      order=["Male", "Female"] # 指定横轴sex中的显示顺序
     )

# g.add_legend()

核密度估计图kdeplot

kdeplot是Seaborn库中的一个函数，用于绘制核密度估计图。

核密度估计是一种非参数统计方法，用于估计数据样本的密度函数。它通过使用核函数和权重来计算每个数据点的密度，并将所有密度值组合成一条连续的曲线，从而展示数据样本的分布特征。

In [11]:

 tips.day.value_counts()

Out[11]:

Sat     87
Sun     76
Thur    62
Fri     19
Name: day, dtype: int64

表示按照每天出现的数量降序排列：

In [12]:

ordered_days = tips.day.value_counts().index
ordered_days

Out[12]:

Index(['Sat', 'Sun', 'Thur', 'Fri'], dtype='object')

In [13]:

g = sns.FacetGrid(tips, 
                  row="day", # 行方向
                  row_order=ordered_days,  # 使用上面指定的顺序
                  height=1.5, 
                  aspect=4)

g.map(sns.kdeplot, "total_bill")

多图（个数可控）

如果某个字段的取值存在多种情况，可以使用wrap。如果使用wrap，不能使用row参数。

比如gdp数据中的year字段：

In [14]:

gdp["year"].value_counts()  # 总共12个年份

Out[14]:

1952    142
1957    142
1962    142
1967    142
1972    142
1977    142
1982    142
1987    142
1992    142
1997    142
2002    142
2007    142
Name: year, dtype: int64

In [15]:

gdp.columns

Out[15]:

Index(['country', 'continent', 'year', 'lifeExp', 'pop', 'gdpPercap',
       'iso_alpha', 'iso_num'],
      dtype='object')

In [16]:

g = sns.FacetGrid(gdp, 
                  col="year",  # 列方向
                  col_wrap=4   # 分成4列，所以每行3个图（12个年份）  
                 )

g.map(sns.scatterplot, "lifeExp", "pop")

设置风格style

In [17]:

with sns.axes_style("white"):
    g = sns.FacetGrid(tips, row="sex", col="smoker", margin_titles=True, height=2.5)
    
g.map(sns.scatterplot, "total_bill", "tip", color="#334488")

g.set_axis_labels("Total bill (US Dollars)", "Tip")  # 设置x轴的名称
g.set(xticks=[10, 30, 50], yticks=[2, 6, 10])  # 设置x-y轴的范围

g.figure.subplots_adjust(wspace=0.5,  # 左右子图的宽
                         hspace=.3  # 上下子图的高
                        )

基于PairGrid（散点矩阵图）

针对数值型字段绘图

In [18]:

g = sns.PairGrid(iris.iloc[:,:-1])

g.map(sns.scatterplot)

在tips数据中，存在三个数值型字段：

In [19]:

tips.dtypes

Out[19]:

total_bill    float64
tip           float64
sex            object
smoker         object
day            object
time           object
size            int64
dtype: object

只会针对数据中的数值型字段进行绘图：

In [20]:

g = sns.PairGrid(tips)  

g.map(sns.scatterplot)

对角线绘制不同图形

在对角线和非对角线分别绘制不同的图形：

In [21]:

g = sns.PairGrid(iris)
g.map_diag(sns.histplot)  # 对角线
g.map_offdiag(sns.scatterplot)  # 非对角线

通过hue参数选择不同的分组：

In [22]:

g = sns.PairGrid(iris,hue="species")

g.map_diag(sns.histplot)  # 对角线
g.map_offdiag(sns.scatterplot)  # 非对角线

选择部分的字段绘图：通过vars参数指定

In [23]:

g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species")

g.map(sns.scatterplot)

g.add_legend()

上三角、下三角和对角线分别绘制不同类型的图：

In [24]:

g = sns.PairGrid(iris)

g.map_upper(sns.scatterplot)  # 上三角
g.map_lower(sns.kdeplot)  # 下三角
g.map_diag(sns.kdeplot, lw=3, legend=False) # 对角线

行列使用不同变量绘图（非正方形）

In [25]:

g = sns.PairGrid(tips, 
                 x_vars=["total_bill", "size"],  # 同一个y对应两个x的值
                 y_vars=["tip"],                
                 height=4)

g.map(sns.regplot, color="0.2")
g.set(ylim=(-1, 11), yticks=[0, 5, 10])

同样地，可以使用hue参数：

In [26]:

g = sns.PairGrid(tips, hue="size", palette="GnBu_d")

# g.map(plt.scatter, s=50, edgecolor="white")  # 等效如下
g.map(sns.scatterplot, s=50, edgecolor="white")  
g.add_legend()

基于pariplot绘图

在Seaborn中，sns.pairplot()函数可以用于绘制数据的配对图。配对图是一种可视化方法，用于显示两个变量之间的相关性和依赖关系。sns.pairplot()函数可以同时绘制多个变量，并在图上显示它们之间的所有配对关系。

基于hue分组绘图

In [27]:

sns.pairplot(iris, hue="species", height=2.5)

指定对角线绘图类型diag_kind

In [28]:

g = sns.pairplot(iris,  # 数据
                 hue="species", # 分组 
                 palette="Paired"


    
,  # 调色板  Set2  Paired  colorblind deep  muted  bright
                 diag_kind="kde",  # 对角线绘图类型
                 height=2.5  # 高度
                )