Python可視化學(xué)習(xí)之seaborn繪制線型回歸曲線
本文速覽
1、繪圖數(shù)據(jù)準(zhǔn)備
依舊使用鳶尾花iris數(shù)據(jù)集，詳細(xì)介紹見之前文章。
#導(dǎo)入本帖要用到的庫(kù)，聲明如下：
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import palettable
from pandas import Series,DataFrame
from sklearn import datasets
import seaborn as sns
import palettable
#導(dǎo)入鳶尾花iris數(shù)據(jù)集（方法一）
#該方法更有助于理解數(shù)據(jù)集
iris=datasets.load_iris()
x, y =iris.data,iris.target
y_1 = np.array(['setosa' if i==0 else 'versicolor' if i==1 else 'virginica' for i in y])
pd_iris = pd.DataFrame(np.hstack((x, y_1.reshape(150,1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'])
#astype修改pd_iris中數(shù)據(jù)類型object為float64
pd_iris['sepal length(cm)']=pd_iris['sepal length(cm)'].astype('float64')
pd_iris['sepal width(cm)']=pd_iris['sepal width(cm)'].astype('float64')
pd_iris['petal length(cm)']=pd_iris['petal length(cm)'].astype('float64')
pd_iris['petal width(cm)']=pd_iris['petal width(cm)'].astype('float64')
#導(dǎo)入鳶尾花iris數(shù)據(jù)集（方法二）
#該方法有時(shí)候會(huì)卡巴斯基，所以棄而不用
#import seaborn as sns
#iris_sns = sns.load_dataset("iris")
數(shù)據(jù)集簡(jiǎn)單查看
2、seaborn.regplot
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)
regplot默認(rèn)參數(shù)線型回歸圖
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)#設(shè)置主題，文本大小
g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
color='#000000',#設(shè)置marker及線的顏色
marker='*',#設(shè)置marker形狀
)
分別設(shè)置點(diǎn)和擬合線屬性
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
color='#000000',
marker='*',
scatter_kws={'s': 60,'color':'g',},#設(shè)置散點(diǎn)屬性，參考plt.scatter
line_kws={'linestyle':'--','color':'r'}#設(shè)置線屬性，參考 plt.plot
置信區(qū)間（confidence interval）設(shè)置
注意擬合線周圍陰影面積變化
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
color='#000000',
marker='*',
ci=60,#置信區(qū)間設(shè)置，默認(rèn)為95%置信區(qū)間，越大線周圍陰影部分面積越大
)
擬合線延伸與坐標(biāo)軸相交
# extend the regression line to the axis limits
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
color='#000000',
marker='*',
truncate=False,#讓擬合線與軸相交
)
擬合離散變量曲線
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
x_discrete=[0 if i=='setosa' else 1 if i=='versicolor' else 2 for i in pd_iris['class']]#
g=sns.regplot(x=x_discrete, y='sepal width(cm)', data=pd_iris,#x此時(shí)為離散變量
color='#000000',
marker='*',
)
多項(xiàng)式回歸（ polynomial regression）擬合曲線
plt.figure(dpi=110)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
marker='*',
order=4,#默認(rèn)為1，越大越彎曲
scatter_kws={'s': 60,'color':'#016392',},#設(shè)置散點(diǎn)屬性，參考plt.scatter
line_kws={'linestyle':'--','color':'#c72e29'}#設(shè)置線屬性，參考 plt.plot
)
3、seaborn.lmplot
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)
seaborn.lmplot結(jié)合seaborn.regplot()和FacetGrid，比seaborn.regplot()更靈活，可繪制更個(gè)性化的圖形。
按變量分類擬合回歸線
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
hue='class',
)
g.fig.set_size_inches(10,8)
散點(diǎn)marker設(shè)置
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
hue='class',
markers=['+','^','o'], #設(shè)置散點(diǎn)marker
)
g.fig.set_size_inches(10,8)
散點(diǎn)調(diào)色盤
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
hue='class',
markers=['+','^','*'],
scatter_kws={'s':180},
palette=["#01a2d9", "#31A354", "#c72e29"],#調(diào)色盤
)
g.fig.set_size_inches(10,8)
擬合線屬性設(shè)置
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
hue='class',
markers=['+','^','*'],
scatter_kws={'s':180},
line_kws={'linestyle':'--'},#擬合線屬性設(shè)置
palette=["#01a2d9", "#31A354", "#c72e29"],
)
g.fig.set_size_inches(10,8)
繪制分面圖
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
col='class',#按class繪制分面圖
markers='*',
scatter_kws={'s':150,'color':'#01a2d9'},
line_kws={'linestyle':'--','color':'#c72e29'},#直線屬性設(shè)置
)
g.fig.set_size_inches(10,8)
以上就是Python可視化學(xué)習(xí)之seaborn繪制線型回歸曲線的詳細(xì)內(nèi)容，更多關(guān)于Python seaborn線型回歸曲線的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
git使用.gitignore設(shè)置不生效或不起作用問題的解決方法
下面小編就為大家?guī)硪黄猤it使用.gitignore設(shè)置不生效或不起作用問題的解決方法。小編覺得挺不錯(cuò)的，現(xiàn)在就分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2017-06-06
本文給大家分享selenium在scrapy中的使用代碼，使用selenium可以很好的幫助我們獲取一些重要數(shù)據(jù)信息，本文通過代碼給大家詳細(xì)介紹，感興趣的朋友跟隨小編一起看看吧2021-05-05
Python學(xué)習(xí)思維導(dǎo)圖(必看篇)
下面小編就為大家?guī)硪黄狿ython學(xué)習(xí)思維導(dǎo)圖(必看篇)。小編覺得挺不錯(cuò)的，現(xiàn)在就分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2017-06-06
二叉樹是一種簡(jiǎn)單的樹形結(jié)構(gòu),其每個(gè)節(jié)點(diǎn)的分支節(jié)點(diǎn)數(shù)有0,1或2個(gè),下面這篇文章主要給大家介紹了關(guān)于Python二叉樹的相關(guān)資料,本文介紹的非常通俗易懂,新手也秒懂,需要的朋友可以參考下2022-05-05
使用Python發(fā)送Post請(qǐng)求以及解析響應(yīng)結(jié)果
發(fā)送post的請(qǐng)求參考例子很簡(jiǎn)單,實(shí)際遇到的情況卻是很復(fù)雜的,下面這篇文章主要給大家介紹了關(guān)于如何使用Python發(fā)送Post請(qǐng)求以及解析響應(yīng)結(jié)果的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2023-06-06
給大家詳細(xì)分析了6個(gè)隱藏的python功能，并詳細(xì)講解了每個(gè)功能用法，需要的朋友學(xué)習(xí)下吧。2017-12-12
matplotlib基礎(chǔ)繪圖命令之errorbar的使用
這篇文章主要介紹了matplotlib基礎(chǔ)繪圖命令之errorbar的使用，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-08-08
python Hypothesis生成和執(zhí)行大量的測(cè)試用例
Hypothesis是一個(gè)基于屬性的測(cè)試（property-based testing）庫(kù),它能夠幫助我們生成和執(zhí)行大量的測(cè)試用例,與傳統(tǒng)的單元測(cè)試相比,屬性測(cè)試更加靈活和全面,能夠發(fā)現(xiàn)更多的邊界情況和潛在的錯(cuò)誤2024-01-01
opencv python簡(jiǎn)易文檔之圖片基本操作指南
OpenCv除了可以獲取圖像之外,還可以對(duì)圖像進(jìn)行一下處理操作,下面這篇文章主要給大家介紹了關(guān)于opencv python簡(jiǎn)易文檔之圖片基本操作的相關(guān)資料,需要的朋友可以參考下2021-08-08
Python求算數(shù)平方根和約數(shù)的方法匯總
這篇文章主要介紹了 Python求算數(shù)平方根和約數(shù)的方法匯總的相關(guān)資料,需要的朋友可以參考下2016-03-03