Python可視化學習之seaborn繪制矩陣圖詳解
更新時間：2022年02月24日 16:54:50 作者：qq_21478261
矩陣圖即用一張圖繪制多個變量之間的關系，數據挖掘中常用于初期數據探索。本文介紹python中seaborn.pairplot和seaborn.PairGrid繪制矩陣圖，需要的可以參考一下
本文內容速覽
1、繪圖數據準備
還是使用鳶尾花iris數據集
#導入本帖要用到的庫，聲明如下：
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
from sklearn import datasets
import seaborn as sns
#導入鳶尾花iris數據集（方法一）
#該方法更有助于理解數據集
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中數據類型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')
#導入鳶尾花iris數據集（方法二）
#import seaborn as sns
#iris_sns = sns.load_dataset("iris")
數據集簡單統(tǒng)計
2、seaborn.pairplot
語法：seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None, height=2.5, aspect=1, corner=False, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None)
g = sns.pairplot(pd_iris) g.fig.set_size_inches(12,12)#figure大小 sns.set(style='whitegrid',font_scale=1.5)#文本大小
對角線4張圖是變量自身的分布直方圖；
非對角線的 12 張就是某個變量和另一個變量的關系。
加上分類變量
g = sns.pairplot(pd_iris,
hue='class'#按照三種花分類
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
修改調色盤
可以使用Matplotlib、seaborn、顏色號list等色盤。
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,#palettable顏色盤
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
g = sns.pairplot(pd_iris,
hue='class',
palette='Set1',#Matplotlib顏色
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
g = sns.pairplot(pd_iris,
hue='class',
palette=['#dc2624', '#2b4750', '#45a0a2'],#使用傳入的顏色list
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
x,y軸方向選取相同子集
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
vars=['sepal length(cm)','sepal width(cm)'],#x,y軸方向選取相同子集繪圖
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,6)
sns.set(style='whitegrid',font_scale=1.5)
x,y軸方向選取不同子集
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
x_vars=['sepal length(cm)','sepal width(cm)'],#x,y軸方向選取不同子集
y_vars=['petal length(cm)','petal width(cm)'],
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,6)
sns.set(style='whitegrid',font_scale=1.5)
非對角線散點圖加趨勢線
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
kind='reg',#默認為scatter,reg加上趨勢線
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
對角線上的四個圖繪制方式
可選參數為‘auto’, ‘hist’（默認）, ‘kde’, None。
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,
diag_kind='hist',#hist直方圖
)
sns.set(style='whitegrid')
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
只顯示網格下三角圖形
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette='Set1',
corner=True#圖形顯示左下角
)
g.fig.set_size_inches(12,12)
sns.set(font_scale=1.5)
圖形外觀設置
import palettable
g = sns.pairplot(pd_iris,
hue='class',
palette='Set1',
markers=['$\clubsuit$','.','+'],#散點圖的marker
plot_kws=dict(s=50, edgecolor="r", linewidth=1),#非對角線上的圖marker大小、外框、外框線寬
diag_kws=dict(shade=True)#對角線上核密度圖是否填充
)
g.fig.set_size_inches(12,12)
sns.set(font_scale=1.5)
3、seaborn.PairGrid（更靈活的繪制矩陣圖）
seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, corner=False, diag_sharey=True, height=2.5, aspect=1, layout_pad=0, despine=True, dropna=True, size=None)
每個子圖繪制同類型的圖
g = sns.PairGrid(pd_iris,
hue='class',
palette='husl',)
g = g.map(plt.scatter)#map每個子圖繪制一樣類型的圖
g = g.add_legend()
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
對角線和非對角線分別繪制不同類型圖
g = sns.PairGrid(pd_iris,
hue='class',
palette='Set1',)
g = g.map_diag(plt.hist)#對角線繪制直方圖
g = g.map_offdiag(plt.scatter)#非對角線繪制散點圖
g = g.add_legend()
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
對角線上方、對角線、對角線下方分別繪制不同類型圖
g = sns.PairGrid(pd_iris, hue='class',) g = g.map_upper(sns.scatterplot) g = g.map_lower(sns.kdeplot, colors="C0") g = g.map_diag(sns.kdeplot, lw=2)3繪制核密度圖 g = g.add_legend()#添加圖例 sns.set(style='whitegrid',font_scale=1.5)
其它一些參數修改
g = sns.PairGrid(pd_iris, hue='class',
palette='Set1',
hue_kws={"marker": ["^", "s", "D"]},#設置marker
diag_sharey=False,
)
g = g.map_upper(sns.scatterplot,edgecolor="w", s=40)#設置點大小，外框顏色
g = g.map_lower(sns.kdeplot, colors="#01a2d9")#設置下三角圖形顏色
g = g.map_diag(sns.kdeplot, lw=3)#對角圖形顏色
g = g.add_legend()#添加圖例
g.fig.set_size_inches(12,12)
sns.set(style='whitegrid',font_scale=1.5)
以上就是Python可視化學習之seaborn繪制矩陣圖詳解的詳細內容，更多關于Python seaborn矩陣圖的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了詳解Django中的權限和組以及消息,在Python百花齊放的web框架中,Django是人氣最高的一個,需要的朋友可以參考下2015-07-07
詳解Python中range()與xrange()的區(qū)別
range()?和?xrange()?是兩個函數，可用于在?Python的?for?循環(huán)中迭代一定次數。本文將通過示例詳細說說二者的區(qū)別與使用，需要的可以參考一下2022-09-09
Networkx是一個Python的包,可以用來創(chuàng)建和處理復雜的圖網絡結構，這篇文章主要介紹了Python中的Networkx詳解,需要的朋友可以參考下2023-02-02
這篇文章主要介紹了Python 枚舉的相關資料，幫助大家更好的理解和學習python，感興趣的朋友可以了解下2020-08-08
詳解Pandas的三大利器(map,apply,applymap)
這篇文章主要為大家介紹了pandas中的三大利器： map、apply、applymap，他們經常在進行數據處理的時候用到，需要的可以參考一下2022-02-02
這篇文章主要介紹了pytorch LayerNorm參數的用法及計算過程，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
這篇文章主要介紹了Python?Pandas條件篩選功能，篩選是在平時的工作中使用非常頻繁的功能了，下文詳細的相關資料介紹，需要的小伙伴可以參考一下2022-03-03
python提供了內聯模塊buidin，該模塊定義了一些軟件開發(fā)中常用的函數，這些函數實現了數據類型的轉換，數據的計算，序列的處理等功能。下面這篇文章主要給大家介紹了Python中一些大家應該知道的內置函數，文中總結的非常詳細，需要的朋友們下面來一起看看吧。2017-03-03
今天小編就為大家分享一篇python構建指數平滑預測模型示例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了Python讀取圖片EXIF信息類庫介紹和使用實例,例如Python Imaging Library、EXIF.py等,需要的朋友可以參考下2014-07-07