原文出处：kaggle译文出处：bea_tree
原文采用了kaggle上iris花的数据，数据来源从上面的网址上找噢
如果没有seaborn库 安装方法如下
/content-10393533.html
正式开始了~~~
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 首先载入pandas
import pandas as pd
# 我们将载入seaborn,但是因为载入时会有警告出现，因此先载入warnings，忽略警告
import warnings
warnings.filterwarnings("ignore")
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="white", color_codes=True)
# 载入数据
iris = pd.read_csv("../input/Iris.csv") # 数据现在为 DataFrame格式
# 用head函数看一下数据结构啥样
iris.head()
数据结构就这样：
IdSepalLengthCmSepalWidthCmPetalLengthCmPetalWidthCmSpecies
015.13.51.40.2Iris-setosa
124.93.01.40.2Iris-setosa
234.73.21.30.2Iris-setosa
344.63.11.50.2Iris-setosa
455.03.61.40.2Iris-setosa
1
2
# 让我们用counts功能看下一共有多少种花
iris["Species"].value_counts()
结果是：
1
2
3
4
Iris-setosa50
Iris-virginica 50
Iris-versicolor50
Name: Species, dtype: int64
1.
1
2
# 使用 .plot 做散点图
iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")#数据为萼片的长和宽 结果如下
2.
1
2
# 开始使用seaborn了它能同时显示直方图噢
sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", data=iris, size=5)
3神奇的还在下面：
1
2
3
4
# 我们还可以用seaborn"s FacetGrid 标记不同的种类噢
sns.FacetGrid(iris, hue="Species", size=5) #hue英文是色彩的意思
.map(plt.scatter, "SepalLengthCm", "SepalWidthCm") #注意这里的plt哦
.add_legend()
4箱线图！
1
2
#Seaborn中的boxplot，可以画箱线图，可以看出不同种类的分布情况
sns.boxplot(x="Species", y="PetalLengthCm", data=iris)
5、
1
2
3
4
5
6
7
# 利用striplot可以锦上添花，加上散点图
#
# 使振动值jitter=True 使各个散点分开，要不然会是一条直线
#
# 注意这里将坐标图用ax来保存了哦，这样第二次才会在原来的基础上加点
ax = sns.boxplot(x="Species", y="PetalLengthCm", data=iris)
ax = sns.stripplot(x="Species", y="PetalLengthCm", data=iris, jitter=True, edgecolor="gray")
6、小提琴图
1
2
# 这图可以变现出密度的分布
sns.violinplot(x="Species", y="PetalLengthCm", data=iris, size=6)
7、kdeplot
1
2
3
4
# 通过这个曲线图可以看出不同特征值时的分布密度
sns.FacetGrid(iris, hue="Species", size=6)
.map(sns.kdeplot, "PetalLengthCm")
.add_legend()
8.大招来了
1
2
#pairplot显示不同特征之间的关系
sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3)
9、中间对角线的图形也可以用kde显示哦
1
2
# 修改参数dige_kind
sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3, diag_kind="kde")
10.现在是pandas表现的时间了
1
2
# 用Pandas 快速做出每个特征在不同种类下的箱线图
iris.drop("Id", axis=1).boxplot(by="Species", figsize=(12, 6))
11.调和曲线图 Andrew Curves
首先啥是Andrew curves呢 看维基百科
/wiki/Andrews_plot
他是将高维的点 化为二维的曲线，曲线是一条傅里叶函数的样子，参数项为不同的特征值，臆想出来了自变量t,这样每个点都是一条曲线
1
2
3
# 画图的函数在下面，我们会发现相同种类的线总是缠绵在一起，可以和聚类混在一起噢，事实上他们与欧氏距离是有关系的
from pandas.tools.plotting import andrews_curves
andrews_curves(iris.drop("Id", axis=1), "Species")
12轮廓图
/wiki/Parallel_coordinates
1
2
3
# 轮廓图也是看高维数据的一种方法，将不同的特征放在横坐标，然后将各点的特征值放在纵坐标就可以了
from pandas.tools.plotting import parallel_coordinates
parallel_coordinates(iris.drop("Id", axis=1), "Species")
13 radviz
/p-912968623585.html
1
2
3
# 这也是一种将高维点表现在二维平面的方法，具体作图方法应该在上面的网址上应该有
from pandas.tools.plotting import radviz
radviz(iris.drop("Id", axis=1), "Species")
暂时就是这些，希望会对大家有帮助
补充参考：
/link?url=l1tNiAh1YegiSIwDjcS6f4swybDt3A-qczVXpbXf_7S6RUGC_gOOoP9fv4w8VXSMKlYiz0HlhhTsysEwwiqYORMwg-phyehtXlAIAAdEJ8G
1 赞 6 收藏
如果觉得《基于Python的数据可视化 matplotlib seaborn pandas》对你有帮助，请点赞、收藏，并留下你的观点哦！
