内容简介：之前看其他大佬的项目，只在意他们通过可视化的数据集，对数据特征挖掘的思路，但没有在意他们做可视化的工具。轮到自己做的时候就发现，wtf！matplotlib可以更难用一点嘛？别人酷炫狂拽，坐标轴上还有直方图的可视化究竟是怎么弄的？今天碰到了Seaborn的库，一行代码就出图，爱了！
之前看其他大佬的项目，只在意他们通过可视化的数据集，对数据特征挖掘的思路，但没有在意他们做可视化的工具。轮到自己做的时候就发现，wtf！matplotlib可以更难用一点嘛？别人酷炫狂拽，坐标轴上还有直方图的可视化究竟是怎么弄的？
今天碰到了Seaborn的库，一行代码就出图，爱了！
Seaborn介绍
Seaborn是 Python 的数据统计图形库。 它基于matplotlib构建，并与pandas数据结构紧密集成。
Seaborn功能简介
-
面向数据集的API，便于观察多个变量之间的关系
-
支持分类变量可视化或汇总统计信息
-
可视化单变量或双变量分布，以及在数据子集之间进行比较
-
不同因变量的线性回归和展示
-
方便查看复杂数据集的整体结构
-
强大的函数，可让您轻松构建复杂的可视化
-
基于matplotlib的样式
-
包含调色板工具
flatui = ["#9b59b6", "#3498db", "#95a5a6", "#e74c3c", "#34495e", "#2ecc71"] sns.palplot(sns.color_palette(flatui))
seaborn功能初探
#导入库 import numpy as np import pandas as pd import seaborn as sns
单变量可视化
查看seaborn中的单变量分布的最便捷方法是distplot()函数。默认情况下，将绘制直方图并拟合核密度估计（KDE, kernel density estimate）。
# 生成数据 x = np.random.normal(size=100) # 数据可视化 sns.distplot(x)
双变量分布可视化
在seaborn中可视化双变量的方法是jointplot()函数，该函数创建一个多面板图形，该图形同时显示两个变量之间的双变量（或联合）关系以及每个变量的单变量分布。
# 生成二维数据 mean, cov = [0, 1], [(1, .5), (.5, 1)] data = np.random.multivariate_normal(mean, cov, 200) df = pd.DataFrame(data, columns=["x", "y"]) # 数据可视化 sns.jointplot(x="x", y="y", data=df)
-
二维直方图
sns.jointplot(x=x, y=y, kind="hex")
-
核密度估计
sns.jointplot(x="x", y="y", data=df, kind="kde")
多变量数据可视化
要在多变量数据集中绘制成对的双变量分布，可以使用pairplot()函数。这将创建轴矩阵，并显示DataFrame中每列的关系。默认情况下，它还会在对角轴上绘制每个变量的单变量分布。
# 读入内置数据
iris = sns.load_dataset("iris")
# 数据可视化
sns.pairplot(iris)
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 橙单中台化低代码生成器 v1.7 发布，可视化拖拽在线表单和数据接口
- Easy CMS Generator：通过页面的可视化操作，生成 CMS 的服务端接口与管理后台代码
- 利用代码生成工具生成基于ABP框架的代码
- 代码生成模式：未来我们会怎样写代码？
- Java 代码生成
- 调试 Go 的代码生成
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
深入理解LINUX内核(第三版)
（美）博韦，西斯特 / 陈莉君;张琼声;张宏伟 / 中国电力出版社 / 2007-10-01 / 98.00元
为了彻底理解是什么使得Linux能正常运行以及其为何能在各种不同的系统中运行良好，你需要深入研究内核最本质的部分。内核处理CPU与外界间的所有交互，并且决定哪些程序将以什么顺序共享处理器时间。它如此有效地管理有限的内存，以至成百上千的进程能高效地共享系统。它熟练地统筹数据传输，这样CPU 不用为等待速度相对较慢的硬盘而消耗比正常耗时更长的时间。 《深入理解Linux内核，第三版》指导你对内核......一起来看看 《深入理解LINUX内核(第三版)》 这本书的介绍吧!
