机器学习——seaborn可视化

主要记录seaborn可视化学习笔记（明白有哪些绘制图像的函数可用）。

一、seaborn原理

图片来源：https://www.bilibili.com/video/BV1VX4y1F76x/

• boxenplot：适合大数据
• 不同类别中数值变量的分布图：stripplot;swarmplot;violinplot
• FaceGrid,PairGrid可以自定义绘制函数

查看seaborn版本：sns.__version__
版本更新：pip install —upgrade seaborn

二、变量分布

1.sns.boxplot()：查看数值变量的取值范围

sns.boxplot()：查看数值变量的取值范围，是否有异常值。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

print(sns.__version__)  
# print(sns.get_dataset_names())

df = pd.read_excel('D:/1.xlsx')

sns.boxplot(data=df,x="Height")
plt.show()

2.sns.displot()：查看变量的分布

• sns.displot(kind = hist) #绘制直方图
  直方图：sns.histplot（bins，hue，shrink）
  bins：改变bin numbers
  hue：类别变量
  shrink：缩放因子
• sns.displot(kind = kde) #绘制核密度估计值（kernel density estimate (KDE)），是一种可视化数据集中观测值分布的方法，类似于直方图。KDE使用一个或多个维度的连续概率密度曲线表示数据。
• sns.displot(kind = ecdf) #表示低于数据集中每个唯一值的观察值的比例或计数。与直方图或密度图相比，它的优点是每个观察结果都是直接可视化的，这意味着不需要调整分箱或平滑参数。

penguins = sns.load_dataset("penguins")
sns.ecdfplot(data=penguins, x="flipper_length_mm")

• sns.countplot(data=df,x=“class”) 统计个数

3.sns.jointplot()：绘制两个变量的联合分布和各自分布

sns.jointplot(dataset,x,y,kind)

sns.jointplot()函数的升级版：
JoinGrid，可以通过g.plot()自定义函数。g = sns.JoinGrid(); g.plot(sns.histplot,sns.boxplot)

4.sns.pairplot()：成对绘制所有数值变量的联合分布

sns.pairplot()函数的升级版：
PairGrid，可以通过g.map()自定义绘制函数

参考资料

https://www.bilibili.com/video/BV1VX4y1F76x/

https://blog.csdn.net/qq_45176548/article/details/117305614?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_title~default-1.queryctrv2&spm=1001.2101.3001.4242.2&utm_relevant_index=4