本文详细介绍使用Seaborn函数relplot绘制散点图和折线图。
本文将了解到什么？
1、绘图数据准备
2、relplot绘制散点图：kind="scatter"
不分类散点图
分类散点图
点大小随数值大小变化
点大小&&颜色随数值大小变化
图例设置
点marker设置
按变量分图绘图
3、relplot绘制折线图：kind="line"
折线添加置信区间
关闭置信区间
分类绘制折线图
添加误差棒
分图绘制折线图
更好阅读体验：Python可视化20|Seaborn散点图&&折线图
Seaborn中有两种方式绘制散点图和折线图
- 使用函数relplot，只需要切换relplot中的kind参数：kind="scatter"（默认，散点图）；kind="line"（折线图）
- 使用scatterplot函数绘制散点图、使用lineplot函数绘制折线图
本文详细介绍第一种方式 ，使用函数relplot绘制散点图和折线图。seaborn.relplot是一种figure-level层面的函数（可以简单理解为可轻松绘制多个子图），另外一个是axes面的函数（每一个子图）。
1、绘图数据准备
还是使用鸢尾花iris数据集：Python可视化|matplotlib10-绘制散点图scatter
#导入本帖要用到的库，声明如下：
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import palettable
from pandas import Series,DataFrame
from sklearn import datasets
import seaborn as sns
#导入鸢尾花iris数据集（方法一）
#该方法更有助于理解数据集
iris=datasets.load_iris()
x, y =iris.data,iris.target
y_1 = np.array(['setosa' if i==0 else 'versicolor' if i==1 else 'virginica' for i in y])
pd_iris = pd.DataFrame(np.hstack((x, y_1.reshape(150,1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'])
#astype修改pd_iris中数据类型object为float64
pd_iris['sepal length(cm)']=pd_iris['sepal length(cm)'].astype('float64')
pd_iris['sepal width(cm)']=pd_iris['sepal width(cm)'].astype('float64')
pd_iris['petal length(cm)']=pd_iris['petal length(cm)'].astype('float64')
pd_iris['petal width(cm)']=pd_iris['petal width(cm)'].astype('float64')
#导入鸢尾花iris数据集（方法二）
#该方法有时候会卡巴斯基，所以弃而不用
#import seaborn as sns
#iris_sns = sns.load_dataset("iris")
2、 relplot绘制散点图：kind="scatter"
seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)
散点图更多特异参数参考：
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
-
不分类散点图
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,#绘图数据
height=7,#图高
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors[0],#palettable调色盘
)
sns.set(style="darkgrid",font_scale=1.5)#设置绘图风格
-
分类散点图
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors[:3],
height=7,
hue='class',#添加分类变量
style='class',#添加不同类变量按照不同marker显示
markers=['d','*','X'],#自定义marker形状，参考
**dict(s=120),#传入词典，调用Matplotlib中的参数
)
sns.set(style="darkgrid",font_scale=1.5)
-
点大小随数值大小变化
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors[:3],
height=7,
hue='class',
style='class',
size='sepal length(cm)',#按照sepal length(cm)的长度显示marker的大小，越长点越大
sizes=(50,200)#marker大小阈值
)
sns.set(style="darkgrid",font_scale=1.5)
-
点大小&&颜色随数值大小变化
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
palette='Greens',
height=7,
style='class',
hue='sepal length(cm)',#按照sepal length(cm)的长度显示marker的大小及颜色深浅，越长点越大，颜色越深
size='sepal length(cm)',
sizes=(50, 200),
)
sns.set(style="darkgrid",font_scale=1.5)
-
图例设置
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
palette='Greens',
height=7,
style='class',
hue='sepal length(cm)',#按照sepal length(cm)的长度显示marker的大小及颜色深浅，越长点越大，颜色越深
size='sepal length(cm)',
sizes=(50, 200),
legend='full',#图例设置，
)
sns.set(style="darkgrid",font_scale=1.2)
-
点marker设置
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors[:3],
height=7,
hue='class',
style='class',#添加不同类变量按照不同marker显示
markers=['d','*','X'],#自定义marker形状，参考
**dict(s=120),#传入词典，调用Matplotlib中的参数 ，更多可见：matplotlib.axes.Axes.plot()
legend='full'
)
sns.set(style="darkgrid",font_scale=1.2)
-
按变量分图绘图
g=sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
palette='Greens',
height=10,
style='class',
hue='sepal length(cm)',
size='sepal length(cm)',
sizes=(50, 200),
col='class',#按变量分图绘制散点图
)
sns.set(style='darkgrid', font='sans-serif', font_scale=4,)#设置text字体、大小
3、 relplot绘制折线图：kind="line"
折线图更多特异参数参考：
seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, seed=None, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
-
折线添加置信区间
g=sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,#绘图数据
kind='line',#当前绘制折线图，默认为scatter
ci=95,#折线图上下阴影按照每个点的95%置信区间计算，默认为95，可选int or 'sd'or None,
)
g.fig.set_size_inches(8,6)#seaborn图形大小
sns.set(style="darkgrid",font_scale=1.5)#文字大小
-
关闭置信区间
g=sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
kind='line',
ci=None,#关闭置信区间
)
g.fig.set_size_inches(10,8)
sns.set(style="darkgrid",font_scale=1.5)
-
分类绘制折线图
g=sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
kind='line',
ci=95,
hue='class',#按类绘图
palette='Set1',
style='class',#不同类不同线型
**dict(linewidth=2.5,)
)
g.fig.set_size_inches(10,8)
sns.set(style="darkgrid",font_scale=1.5)
-
添加误差棒
g=sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
kind='line',
ci=95,
hue='class',
palette='Set1',
style='class',
**dict(linewidth=2.5,),
err_style='bars',#添加误差线，可选“band” or “bars”,
lw=1,
)
g.fig.set_size_inches(10,8)
sns.set(style="darkgrid",font_scale=1.5)
-
分图绘制折线图
sns.relplot(x='sepal length(cm)',y='sepal width(cm)',data=pd_iris,
kind='line',
ci=95,
hue='class',
palette='Set1',
style='class',
**dict(linewidth=2.5,),
err_style='bars',
col='class',#分开画
)
sns.set(style='darkgrid',font_scale=1.5)
参考资料：
欢迎微信搜索关注，pythonic生物人。
更好阅读体验：Python可视化20|Seaborn散点图&&折线图
网友评论