seaborn学习3

单变量分析绘图（针对拿到的数据，运用图进行特征关系分析）

%matplotlib inline
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib.pyplot as plt

import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "distributions")))

x = np.random.normal(size=100)
sns.distplot(x,kde=False)  # x数据    kde是否做核密度估计

<matplotlib.axes._subplots.AxesSubplot at 0x1c1efe94208>

output_1_1.png

sns.distplot(x, bins=20, kde=False)  #切分20个bins（箱子）

<matplotlib.axes._subplots.AxesSubplot at 0x1c1efed05c0>

output_2_1.png

数据分布情况

x = np.random.gamma(6, size=200)
sns.distplot(x, kde=False, fit=stats.gamma) #Gamma分布密度函数

<matplotlib.axes._subplots.AxesSubplot at 0x1c1efc6eef0>

output_4_1.png

根据均值和协方差生成数据

mean, cov = [0, 1], [(1, .5), (.5, 1)]   #指定均值  和协方差
data = np.random.multivariate_normal(mean, cov, 200)  #由均值  和协方差生成一个数据
df = pd.DataFrame(data, columns=["x", "y"])
df

image.png

观测两个变量之间的分布关系最好用散点图

sns.jointplot(x="x", y="y", data=df);   # 绘制出   单变量直方图  及  散点图  （用于分析当前特征与特征之间的关系）

output_8_0.png

x, y = np.random.multivariate_normal(mean, cov, 1000).T
with sns.axes_style("white"): #设置白色主题风格
    sns.jointplot(x=x, y=y, kind="hex", color="k") #数据量大，看特征关系及分布（通过颜色深浅，看出值的组合多少）  设置为hex

output_9_0.png

pairplot的应用

【pairplot 绘制出数据中 单特征的直方图 以及特征与特征之间的散点图】！！强！！

iris = sns.load_dataset("iris")
sns.pairplot(iris)   # 

<seaborn.axisgrid.PairGrid at 0x1c1f0529f98>

output_10_1.png