Seaborn 和 Matplotlib 数据可视化

简述

Python 中，数据可视化一般是通过较底层的 Matplotlib 库和较高层的 Seaborn 库实现的，本文主要介绍一些常用的图的绘制方法。在正式开始之前需要导入以下包

import numpy as np # 线性代数库
import pandas as pd # 数据分析库
import matplotlib.pyplot as plt
import seaborn as sns

在 Jupyter Notebook 中，为了让图片内嵌在网页中，可以打开如下开关

%matplotlib inline

另外，设置了不同的图像效果和背景风格，图片的显示也不一样。

Matplotlib 基础

函数基本形式

Matplotlib 要求原始数据的输入类型为 Numpy 数组，画图函数一般为如下形式（与 Matlab 基本一致）
plt.图名(x, y, 'marker 类型')

例如
plt.plot(x, y)
plt.plot(x, y, 'o-')
plt.plot(x, y, 'o-')
plt.scatter(x, y)
plt.scatter(x, y, linewidths=x,marker='o')

等等，参数 x，y 要求为 np 数组。

举个例子

X = np.linspace(0, 2 * np.pi, 10)
plt.plot(X, np.sin(X), '-o')
plt.title('Sine curve')
plt.xlabel(r'$\alpha$')
plt.ylabel(r'sin($\alpha$)')

设置标题及 X，Y 轴

方法一

plt.figure(figsize=(3, 2))
plt.title("Title")
plt.xlabel("X")
plt.ylabel("Y")
plt.plot(np.arange(10), np.sin(np.arange(10)))

方法二

f, ax = plt.subplots(figsize=(3, 2))
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_title("Title", fontsize=20)
ax.plot(np.arange(10), np.sin(np.arange(10)))

导出矢量图

在论文写作中，一般要求插入图片的格式为矢量图，Matplotlib 和 Seaborn 图片可以用如下代码导出

plt.plot(.......)
# pdf 格式
plt.savefig('./filename.pdf',format='pdf')
# svg 格式
plt.savefig('./filename.svg',format='svg')

Seaborn 基础

Seaborn 要求原始数据的输入类型为 pandas 的 Dataframe 或 Numpy 数组，画图函数一般为如下形式
sns.图名(x='X轴列名', y='Y轴列名', data=原始数据df对象)

或
sns.图名(x='X轴列名', y='Y轴列名', hue='分组绘图参数', data=原始数据df对象)

或
sns.图名(x=np.array, y=np.array[, ...])

hue 的意思是 variable in data to map plot aspects to different colors。

举个例子，建立如下数据集

X = np.linspace(0, 20, 10)
df = pd.DataFrame({"Input": X, "Linear": X, "Sin": np.sin(X)})

Input       Linear      Sin
0   0.000000    0.000000    0.000000
1   2.222222    2.222222    0.795220
2   4.444444    4.444444    -0.964317
3   6.666667    6.666667    0.374151
4   8.888889    8.888889    0.510606
……

我们来拟合第一列与第二列

sns.regplot(x='Input', y='Linear', data=df)

子图的绘制

绘制子图一般使用 subplots 和 subplot 函数，我们分别介绍。

subplots

一般形式为
f, ax = plt.subplots(ncols=列数, nrows=行数[, figsize=图片大小, ...])

举两个例子

f, ax = plt.subplots(ncols=2, nrows=2, figsize=(8, 6))

X = np.arange(0.01, 10, 0.01)
ax[0, 0].plot(X, 2 * X - 1)
ax[0, 0].set_title("Linear")
ax[0, 1].plot(X, np.log(X))
ax[0, 1].set_title("Log")
ax[1, 0].plot(X, np.exp(X))
ax[1, 0].set_title("Exp")
ax[1, 1].plot(X, np.sin(X))
ax[1, 1].set_title("Sin")

# 设置风格
sns.set(style="white", context="talk")
# 随机数生成器
rs = np.random.RandomState(7)
# Set up the matplotlib figure
f, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(8, 6), sharex=True)

# Generate some sequential data
x = np.array(list("ABCDEFGHI"))
y1 = np.arange(1, 10)
sns.barplot(x, y1, palette="BuGn_d", ax=ax1)
ax1.set_ylabel("Sequential")

# Center the data to make it diverging
y2 = y1 - 5
sns.barplot(x, y2, palette="RdBu_r", ax=ax2)
ax2.set_ylabel("Diverging")

# Randomly reorder the data to make it qualitative
y3 = rs.choice(y1, 9, replace=False)
sns.barplot(x, y3, palette="Set3", ax=ax3)
ax3.set_ylabel("Qualitative")

# Finalize the plot
sns.despine(bottom=True)
plt.setp(f.axes, yticks=[])
plt.tight_layout(h_pad=3)

subplot

基本形式为
subplot(nrows, ncols, index, **kwargs)

In the current figure, create and return an Axes, at position index of a (virtual) grid of nrows by ncols axes. Indexes go from 1 to nrows *ncols, incrementing in row-major order.
If nrows, ncols and index are all less than 10, they can also be given as a single, concatenated, three-digit number.
For example, subplot(2, 3, 3) and subplot(233) both create an Axes at the top right corner of the current figure, occupying half of the figure height and a third of the figure width.

举几个例子

plt.figure(figsize=(3, 3))
plt.subplot(221)
# 分成2x2，占用第二个，即第一行第二列的子图
plt.subplot(222)
# 分成2x1，占用第二个，即第二行
plt.subplot(212)

plt.figure(figsize=(3, 3))
plt.subplot(221)
plt.subplot(222)
plt.subplot(223)
plt.show()

plt.figure(figsize=(3, 3))
plt.subplot(121)
plt.subplot(222)
plt.subplot(224)
plt.show()

def f(t):  
    return np.exp(-t) * np.cos(2 * np.pi * t) 
t1 = np.arange(0, 5, 0.1)
t2 = np.arange(0, 5, 0.02)

plt.subplot(221)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'r--')

plt.subplot(222)
plt.plot(t2, np.cos(2 * np.pi * t2), 'r--')

plt.subplot(212)
plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

plt.show()

直方图

准备数据

X = np.arange(8)
y = np.array([1, 4, 2, 3, 3, 5, 6, 3])
df = pd.DataFrame({"X":X, "y":y})

sns.barplot("X", "y", palette="RdBu_r", data=df)
# 或者下面这种形式，但需要自行设置Xy轴的 label
# sns.barplot(X, y, palette="RdBu_r")

调整 palette 参数可以美化显示风格。

统计图

先调一下背景和载入一下数据

sns.set(style="darkgrid")
titanic = sns.load_dataset("titanic")

统计图

sns.countplot(x="class", data=titanic)

带 hue 的统计图（为了显示美观，可以调一下大小）

f, ax = plt.subplots(figsize=(8, 6))
sns.countplot(x="class", hue="who", data=titanic, ax=ax)

描述变量分布

描述变量的分布规律，方差、均值、极值等，通常使用 boxplots 图（箱图）和 violins 图（小提琴图）。

sns.set(style="whitegrid", palette="pastel", color_codes=True)
# Load the example tips dataset
tips = sns.load_dataset("tips")

violins 图

sns.violinplot(x="day", y="total_bill", data=tips)
sns.despine(left=True) # 不显示网格边框线

如图，图的高矮代表 y 值的范围，图的胖瘦代表分布规律。
当然，也可以描述不同 label 的分布，下图就表示了男女在不同时间的消费差异

sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True,
               inner="quart", palette={"Male": "b", "Female": "y"})
sns.despine(left=True)

box 图

箱图和小提琴图的描述手段基本类似

sns.boxplot(x="day", y="total_bill", data=tips, palette="PRGn")
sns.despine(offset=10, trim=True) # 设置边框的风格

sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="PRGn")
sns.despine(offset=10, trim=True)

数据分布直方图

描述单变量的分布可以也使用数据分布直方图
准备一些数据

mu,sigma=100,15  
x=mu+sigma*np.random.randn(10000)

Matplotlib 形式

sns.set_color_codes()
n,bins,patches=plt.hist(x,50,normed=1,facecolor='g',alpha=0.75)  
plt.xlabel('Smarts')  
plt.ylabel('Probability')  
plt.title('Histogram of IQ')  
plt.text(60,.025, r'$\mu=100,\ \sigma=15$')  
plt.axis([40,160,0,0.03])  
plt.grid(True)

Seaborn 形式

sns.set_color_codes()
plt.xlabel('Smarts')  
plt.ylabel('Probability') 
plt.title('Histogram of IQ')  
plt.text(60,.025, r'$\mu=100,\ \sigma=15$')  
sns.distplot(x, color="y")

描述相关性

一般的，描述相关性一般使用 pairplot 图和 heatmap 图。
先 load 一下数据集和设置背景风格

sns.set(style="ticks")
df = sns.load_dataset("iris")

pairplot 图

pairplot 图一般用来描述不同 label 在同一 feature 上的分布。

sns.pairplot(df, hue="species")

heatmap 图

heatmap 图一般用来描述 feature 的相关性矩阵

sns.heatmap(df.corr(), square=True)

经过一些实践，下述代码的配色方案比较美观。

colormap = plt.cm.viridis
plt.figure(figsize=(12,12)) // 根据需要自行设置大小（也可省略）
plt.title('Pearson Correlation of Features', y=1.05, size=15) // 加标题
sns.heatmap(df.corr(),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)

简述