import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sb

一、plt: matplotlib.pyplot

图形对象 知乎@十维教育

整个图像为一个figure对象，在figure对象中可以包含一个或者多个axes，每个axes(ax)对象都是一个拥有自己坐标系统的绘图区域

plt.show()
plt.plot(xlim=[], ylim=[], 'linestyle', color= )
locs, labels = plt.xticks()
tick_names = ['{:0.2f}'.format(v) for v in tick_props]
plt.gcf()获取当前的图表
plt.gca()获取当前的子图
plt.barh(width,bottom,left,height) 横向柱状图
df.plot.barh(stacked=True,alpha=0.5) 堆积效果
plt.polar(theta,r)极坐标系
plt.psd(x,NFFT=256,pad_to,Fs) 功率谱密度图
plt.specgram(x,NFFT=256,pad_to,F) 谱图
plt.cohere(x,y,NFFT=256,Fs) X-Y相关性函数
plt.step(x,y,where) 步阶图

• 补充说明：plt.axis()的参数
  Empty 返回当前坐标轴限值
  off 关闭坐标轴线和标签
  equal 使用等刻度
  scaled 通过尺寸变化平衡刻度
  tight 使所有数据可见（缩小限值）
  image 使所有数据可见（使用数据限值）
  [xmin,xmax,ymin,ymax] 将设置限制为给定的（一组）值

• 获取图形对象
  ax.get_ylim()
  ax.xaxis.get_major_ticks()
  ax.xaxis.get_minor_ticks()
  ax.xaxis.get_major_locator()
  ax.xaxis.get_minor_locator()
  ax.xaxis.get_major_formatter()
  ax.xaxis.get_minor_formatter()

• 设置图形对象
  ax.spines['right'].set_color('none') 取消右边轴
  ax.spines['top'].set_color('none') 取消上边轴
  ax.xaxis.set_ticks_position('bottom') 设置默认的x轴
  ax.spines['bottom'].set_position('data', -1) 将x轴放在y轴上的-1点处——此时坐标原点为(0, -1)

• 添加标注Annotation

plt.annotate(r'$2x+1=%s$' %y0, xy=(x0, y0), xycoords='data', xytext=(+30, -30), textcoords='offset points', fontdict={'size':'16', 'color': 'black'})
plt.text(-3.7, 3, r'$This\ is\ the\ some\ text. \mu\ \sigma_i\ \alpha_t$', fontdict={'size': '16', 'color': 'red'})

图形注释

• 设置坐标刻度的可见度

label = ax.get_xticklabels()
label.set_fontsize(12) #调节字体大小
label.set_bbox(dict(facecolor='white', edgecolor='none', alpha=0.7)) #设置相关参数 facecolor-前景色；edgecolor-边框；alpha-透明度

设置坐标刻度的可见度

• 可选参数loc=
  
  可选参数 loc

• 设置线条格式 linestyle=

• 补充：标注参考线
  plt.axvline(data, color, linewidth)
  
  参考线

二、sb: Seaborn(5大类21种图)

针对统计绘图，一般来说，seaborn能满足数据分析90%的绘图需求

Seaborn可以在Matplotlib的基础上做修改，这意味着可以继承plt.figure()等的设置
注意：Seaborn的图形对象统称为ax 例如ax = sb.boxplot()
(通常 g=sb.FacetGrid(), 此处g与ax完全等价)

• 针对 .FacetGrid()

1. 实例化对象 ax = sb.FacetGrid()
2. .map()映射到具体的 seaborn 图表类型
   ax.map() 并非必须是内置函数，可以是plt对象，后续可使用plt对象的属性设置；还可以自定义
3. 添加图例等信息

• Seaborn.JointGrid 类
  g = sb.JointGrid()

sb.JointGrid(x, y, data=None, size=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None*) 
#用边缘单变量图绘制二元图的网格

.JointGrid()步骤

组合图形

• 汇总：5个大类21种图

1. 关系类图表 Relational plots

1. relplot() 关系类图表的接口，指定kind参数可以画出下面2种图

sns.relplot(x="time", y="firing_rate",
            hue="coherence", size="choice", col="align",
            size_order=["T1", "T2"], palette=palette,
            height=5, aspect=.75, facet_kws=dict(sharex=False),
            kind="line", legend="full", data=dots)

多个面上的线图

2. scatterplot() 散点图

3. lineplot() 折线图
   所传数据必须为一个pandas数组，这一点跟matplotlib里有较大区别

sb.lineplot(x="timepoint", y="signal",
             hue="region", style="event",
             data=df)
#参数x: 图的x轴label
#参数y: 图的y轴label
#参数ci: 与估计器聚合时绘制的置信区间的大小
#参数data: 所传入的pandas数组

带误差带的时间序列图

data = data.rolling(7).mean()
sns.lineplot(data=data, palette="tab10", linewidth=2.5)

多个数据集的线图

2. 分类图表 Categorical plots

1. catplot() 分类图表的接口，指定kind参数可以画出下面8种图

g = sb.catplot(x="class", y="survived", hue="sex", data=titanic,
                height=6, kind="bar", palette="muted")
g.despine(left=True)

分组条形图

g = sb.catplot(x="time", y="pulse", hue="kind", col="diet",
                capsize=.2, palette="YlGnBu_d", height=6, aspect=.75,
                kind="point", data=df)
g.despine(left=True)

三路ANOVA

2. stripplot() 带状图

3. swarmplot() 蜂群图

4. boxplot() 箱图

sb.boxplot(x="day", y="total_bill",
            hue="smoker", palette=["m", "g"],
            data=tips)
sns.despine(offset=10, trim=True)

分组箱线图

5. violinplot() 小提琴图

sb.violinplot(x="day", y="total_bill", hue="smoker",
               split=True, inner="quart",
               palette={"Yes": "y", "No": "b"},
               data=tips)
sns.despine(left=True)

分组小提琴图

6. boxenplot() 增强箱图

7. pointplot() 点图

8. barplot() 条形图

9. countplot() 计数图

3. 分布图 Distribution plot

1. jointplot() 双变量关系图

sb.jointplot(x1, x2, kind="kde", height=7, space=0)

联合图

sb.jointplot(x, y, kind="hex", color="#4CB391")

直方图的双变量类似物被称为“hexbin”图，因为它显示了落在六边形仓内的观测数
该图适用于较大的数据集

HexBin图

2. pairplot() 变量关系组图

3. distplot() 直方图，质量估计图

sns.distplot(d, kde=False, color="b", ax=axes[0, 0])
sns.distplot(d, hist=False, rug=True, color="r", ax=axes[0, 1])
sns.distplot(d, hist=False, color="g", kde_kws={"shade": True}, ax=axes[1, 0])
sns.distplot(d, color="m", ax=axes[1, 1])

单变量分布的表示方式

4. kdeplot() 核函数密度估计图

#多个二维kde图
sb.kdeplot(virginica.sepal_width, virginica.sepal_length,
                 cmap="Blues", shade=True, shade_lowest=False)

分布密度

5. rugplot() 轴须图

4. 回归图 Regression plots

1. lmplot() 回归模型图

sb.lmplot(x="x", y="y", col="dataset", hue="dataset", data=df,
           col_wrap=2, ci=None, palette="muted", height=4,
           scatter_kws={"s": 50, "alpha": 1})
#参数x, y, data
#参数col, hue
#参数col_wrap 一行显示2个图
#参数ci 
#参数palette 色彩
#参数height 高度
#参数scatter_kws 设置其余参数 透明度等alpha

安斯库姆四重奏

#多元线性回归
sb.lmplot(x="sepal_length", y="sepal_width", hue="species",
               truncate=True, height=5, data=iris)

多元线性回归

#分面逻辑回归
sb.lmplot(x="age", y="survived", col="sex", hue="sex", data=df,
               palette=pal, y_jitter=.02, logistic=True)

分面逻辑回归

2. regplot() 线性回归图

3. residplot() 线性回归残差图

sb.residplot(x, y, lowess=True, color="g")

线性回归残差图

5. 矩阵图 Matrix plots

1. heatmap() 热图

flights = flights_long.pivot("month", "year", "passengers") #数据透视
f, ax = plt.subplots(figsize=(9, 6))
sb.heatmap(flights, annot=True, fmt="d", linewidths=.5, ax=ax)

热图

sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
            square=True, linewidths=.5, cbar_kws={"shrink": .5})

对角线一半的热图

2. clustermap() 聚集图

used_networks = [1, 5, 6, 7, 8, 12, 13, 17]
used_columns = (df.columns.get_level_values("network")
                          .astype(int)
                          .isin(used_networks))
df = df.loc[:, used_columns]

network_pal = sns.husl_palette(8, s=.45)
network_lut = dict(zip(map(str, used_networks), network_pal))
networks = df.columns.get_level_values("network")
network_colors = pd.Series(networks, index=df.columns).map(network_lut)

sns.clustermap(df.corr(), center=0, cmap="vlag",
               row_colors=network_colors, col_colors=network_colors,
               linewidths=.75, figsize=(13, 13))

聚集图

6. 分面图 FacetGrid

g = sns.FacetGrid(df, col="speed", hue="speed",
                  subplot_kws=dict(projection='polar'), height=4.5,
                  sharex=False, sharey=False, despine=False)
g.map(sns.scatterplot, "theta", "r")

@迁移：表示能力分布

三、具体操作

1. 坐标尺度变换：对数转换

数据本身log转换+配套坐标尺度转换为对数

log_data = np.log10(data)
plt.xscale('log')
tick_locs = [10, 30, 100, 300, 1000, 3000] 
#按倍数标刻坐标轴(间隔对应相等)
plt.xticks(tick_locs, tick_locs)

2. 调色板

• 分类：色调不同
  hls
  husl
  Paired
  Set1~Set3
• 连续：同色系渐变
  Blues[蓝s，颜色+s]
  BuGn[蓝绿]
  cubehelix
• 离散：双色对称
  BrBG[棕绿]
  RdBu[红蓝]
  coolwarm[冷暖]
• 颜色代码
  color=' #054E9F' 每两个十六进制数分别代表R、G、B分量

seaborn.palplot(sb.color_palette(n_colors=9)) 将颜色调色板中的值绘制为水平数组

调色板显示：水平数组

调色板参数设置

• 内置 Matplotlib 调色板
  Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r...其中末尾加r是颜色取反

• Seaborn扩展增加的调色板

1. 默认颜色的主题：6种类型
   'deep’
   ’pastel’
   ’dark’
   ’muted’
   ’bright’
   ’colorblind'
2. 有序
   ’rocket' (white-orange-red-purple-black)
   ’mako' (mint-green-blue-purple-black)
3. 发散
   ’vlag' (blue-white-red)
   ’icefire' (blue-black-orange)

以热图plt.hist2d()为例，可以在 hist2d 中设置 "cmap" 参数
设置调色板的最简单方式是使用字符串引用内置 Matplotlib 调色板
设置 cmap = 'viridis_r' 可以将默认的 "viridis" 修改为反向的调色板

3 形状标记

• 线型linestyle
  -
-.
--

• 点型marker
  v
^ 三角形
  s 正方形
  *
H
+
X 叉
  D
O 圆圈

• 颜色color
  b
g
r
y
k
w

四、补充

1. 参考《利用python进行数据分析第二版》

• Figures and Subplots（图和子图）
• Colors, Markers, and Line Styles（颜色，标记物，线样式）
• Ticks, Labels, and Legends（标记，标签，图例）
• Annotations and Drawing on a Subplot（注释和在subplot上画图）
• Saving Plots to File（把图保存为文件）
• matplotlib Configuration（matplotlib设置）

References

官方文档: matplotlib.axes
知乎: Python技能 | Matplotlib数据可视化=sb