数据可视化(3)-Seaborn系列 | 折线图lineplot()

• 2019 年 10 月 4 日
• 筆記

本篇是《Seaborn系列》文章的第3篇-折线图。

案例代码：欢迎给个star

https://github.com/Vambooo/SeabornCN

折线图

注意：数据一定是通过DataFrame中传送的

函数原型

seaborn.lineplot(x=None, y=None, hue=None,                   size=None, style=None, data=None,                   palette=None, hue_order=None, hue_norm=None,                   sizes=None, size_order=None, size_norm=None,                   dashes=True, markers=None, style_order=None,                   units=None, estimator='mean', ci=95, n_boot=1000,                   sort=True, err_style='band', err_kws=None,                   legend='brief', ax=None, **kwargs)

参数解读

data:是DataFrame类型的;    可选：下面均为可选    x,y：数据中变量的名称;    hue:数据中变量名称(比如：二维数据中的列名)  作用：对将要生成不同颜色的线进行分组，可以是分类或数据。    size:数据中变量名称(比如：二维数据中的列名)  作用：对将要生成不同宽度的线进行分组，可以是分类或数据。    style:数据中变量名称(比如：二维数据中的列名)  作用：对将生成具有不同破折号、或其他标记的变量进行分组。    palette:调试板名称，列表或字典类型  作用：设置hue指定的变量的不同级别颜色。    hue_order:列表(list)类型  作用：指定hue变量出现的指定顺序，否则他们是根据数据确定的。    hue_norm:tuple或Normalize对象    sizes:list dict或tuple类型  作用：设置线宽度，当其为数字时，它也可以是一个元组，指定要使用的最大和最小值，会自动在该范围内对其他值进行规范化。    units:对变量识别抽样单位进行分组，使用时，将为每个单元绘制一个单独的行。    estimator:pandas方法的名称或回调函数或者None  作用：用于在同一x水平上聚合y变量的多个观察值的方法，如果为None，则将绘制所有观察结果。

案例教程

import pandas as pd  import numpy as np  import matplotlib.pyplot as plt  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0  # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))  #展示前5条数据  df[:5]

import pandas as pd  import matplotlib.pyplot as plt  import seaborn as sns; sns.set()  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0  # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))    """  案例1：绘制带有误差带的单线图，显示置信区间  """  ax = sns.lineplot(x="age", y="s4",data=df)  plt.show()

import pandas as pd  import matplotlib.pyplot as plt  import seaborn as sns; sns.set()  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0    # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))  """  案例2：绘制带有误差带的单线图，显示置信区间  """  dd=[df['s1'],df['s2'],df['s3'],df['s4']]  ax = sns.lineplot(data=dd)  plt.show()

import pandas as pd  import matplotlib.pyplot as plt  import seaborn as sns; sns.set()  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0    # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))  """  案例3：设置hue为sex,按照sex分组，并显示不同颜色  """  sns.lineplot(x="age", y="s4", hue="sex",data=df)  plt.show()

import pandas as pd  import matplotlib.pyplot as plt  import seaborn as sns; sns.set()  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0    # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))  """  案例4:使用颜色和线型显示分组变量  """  sns.lineplot(x="age", y="s1",hue="sex", style="sex", data=df)  plt.show()

import pandas as pd  import matplotlib.pyplot as plt  import seaborn as sns; sns.set()  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0  # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))  """  案例5：使用标记来标识组，而不用破折号来标识组：设置markers为True,设置dashes为False  """  sns.lineplot(x="age", y="s1",hue="sex", style="sex", markers=True, dashes=False, data=df)  plt.show()

import pandas as pd  import matplotlib.pyplot as plt  import seaborn as sns; sns.set()  %matplotlib inline    from sklearn.datasets import load_diabetes    def fun(x):      if x >0:          return 1      else:          return 0  # sklearn自带数据 diabetes 糖尿病数据集  diabetes=load_diabetes()  data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)  #只抽取前80个数据  df=data[:80]  #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0  df['sex']=df['sex'].apply(lambda x: fun(x))  """  案例6：显示错误条，而不显示错误带  """  sns.lineplot(x="age", y="s5",hue="sex",err_style="bars", ci=68, data=df)  plt.show()

import numpy as np  import pandas as pd;  import matplotlib.pyplot as plt  # 构建 时间序列数据 从2000-1-31开始，以月份为间隔，构建100条记录  index = pd.date_range("1 1 2000", periods=100,freq="m", name="date")  data = np.random.randn(100, 4).cumsum(axis=0)    # 构建5列数据，列名分别为data a b c d  wide_df = pd.DataFrame(data, index, ["a", "b", "c", "d"])  """  案例7：绘制时间序列数据  """  sns.lineplot(data=wide_df)  plt.show()

案例地址

案例代码已上传：Githubhttps://github.com/Vambooo/SeabornCN

整理制作：数据分析与可视化学研社