本課將繼續介紹 Seaborn 中的統計圖。一定要牢記，Seaborn 是對 Matplotlib 的高級封裝，它優化了很多古老的做圖過程，因此才會看到一個函數解決問題的局面。

2.4.1 數據分布統計圖

在統計學中，研究數據的分布情況，也是一個重要的工作，比如某些數據是否為正態分布——某些機器學習模型很在意數據的分布情況。

在 Matplotlib 中，可以通過繪制直方圖將數據的分布情況可視化。在 Seaborn 中，也提供了繪制直方圖的函數。

%matplotlib inline

import seaborn as sns

import numpy as np

sns.set()

np.random.seed(0)

x = np.random.randn(100)

ax = sns.distplot(x)

輸出結果：

enter image description here

sns.distplot 函數即實現了直方圖，還順帶把曲線畫出來了——曲線其實代表了 KDE。

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)

除了 sns.distplot 之外，在 Seaborn 中還有另外一個常用的繪制數據分布的函數 sns.kdeplot，它們的使用方法類似。

2.4.2 聯合統計圖

首先看這樣一個示例。

sns.set(rc={'axes.facecolor':'cornflowerblue', 'figure.facecolor':'cornflowerblue'}) #①

tips = sns.load_dataset("tips")

jg = sns.JointGrid(x='total_bill', y='tip', data=tips) #②

輸出結果：

image

① 的作用是設置所得圖示的背景顏色，這樣做的目的是讓下面的 ② 繪制的圖像顯示更清晰，如果不設置 ①，在顯示的圖示中看到的就是白底圖像，有的部分看不出來。

② 最終得到的是坐標網格，而且在圖中分為三部分，如下圖所示。

image

相對于以往的坐標網格，多出了 B 和 C 兩個部分。也就是說，不僅可以在 A 部分繪制某種統計圖，在 B 和 C 部分也可以繪制。

繼續操作：

jg = sns.JointGrid(x='total_bill', y='tip', data=tips)

jg.plot(sns.regplot, sns.distplot) #③

輸出結果：

image

語句 ③ 實現了在坐標網格中繪制統計圖的效果，jp.plot 方法以兩個繪圖函數為參數，分別在 A 部分繪制了回歸統計圖，在 B 和 C 部分繪制了直方圖，而且直方圖分別表示了對應坐標軸數據的分布，即：

A 部分表示的是兩個特征之間的關系；

B 和 C 部分分別表示某一個特征的數據分布。

我們把有語句 ② 和 ③ 共同實現的統計圖，稱為聯合統計圖。除了用 ② ③ 兩句可以繪制這種圖之外，還有一個函數也能夠“兩步并作一步”，具體如下：

seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None, marginal_kws=None, annot_kws=None, **kwargs)

注意，參數 kind 的取值只能是“scatter”、“reg”、“resid”、“kde”、“hex”中的一個，這就規定了在 A 區中所顯示的統計圖的種類。

sns.set()

sns.jointplot(x="total_bill", y="tip", kind='reg', data=tips) #④

輸出結果：

總結

以上是生活随笔為你收集整理的python数据分布统计_Python 数据可视化：数据分布统计图和热图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。