seaborn学习2:displot()

displot()

此函数提供了对多种方法的访问，用于可视化数据的单变量或二变量分布，包括由语义映射和跨多个子图的分面定义的数据子集。
seaborn.displot(data=None, *, x=None, y=None, hue=None, row=None, col=None, weights=None, kind='hist', rug=False, rug_kws=None, log_scale=None, legend=True, palette=None, hue_order=None, hue_norm=None, color=None, col_wrap=None, row_order=None, col_order=None, height=5, aspect=1, facet_kws=None, **kwargs)

可以分别使用：

histplot() == (with kind="hist"; the default)
kdeplot() == (with kind="kde")
ecdfplot() == (with kind="ecdf"; univariate-only)
1
2
3

参数：

• data

  输入数据结构。可以是可分配给命名变量的长格式向量集合，也可以是将在内部重塑的宽格式数据集。

参数：x, y：data中的变量名

输入数据的变量；数据必须为数值型。

hue: data中的名称，可选

将会产生具有不同颜色的元素的变量进行分组。这些变量可以是类别变量或者数值型变量，尽管颜色映射在后面的情况中会有不同的表现。

size：data中的名称，可选

将会产生具有不同尺寸的元素的变量进行分组。这些变量可以是类别变量或者数值型变量，尽管尺寸映射在后面的情况中会有不同的表现。

style：data中的名称，可选

将会产生具有不同风格的元素的变量进行分组。这些变量可以为数值型，但是通常会被当做类别变量处理。

data：DataFrame

长格式的 DataFrame，每列是一个变量，每行是一个观察值。

row, col：data中的变量名，可选

确定网格的分面的类别变量。

col_wrap：int, 可选

以此宽度“包裹”列变量，以便列分面跨越多行。与row分面不兼容。

row_order, col_order：字符串列表，可选

以此顺序组织网格的行和/或列，否则顺序将从数据对象中推断。

palette：色盘名，列表，或者字典，可选

用于hue变量的不同级别的颜色。应当是color_palette()可以解释的东西，或者将色调级别映射到 matplotlib 颜色的字典。

hue_order：列表，可选

指定hue变量层级出现的顺序，否则会根据数据确定。当hue变量为数值型时与此无关。

hue_norm：元组或者 Normalize 对象，可选

当hue变量为数值型时，用于数据单元的 colormap 的标准化。如果hue为类别变量则与此无关。

sizes：列表、典或者元组，可选

当使用sizes时，用于确定如何选择尺寸。此变量可以一直是尺寸值的列表或者size变量的字典映射。当size为数值型时，此变量也可以是指定最小和最大尺寸的元组，这样可以将其他值标准化到这个范围。

size_order：列表，可选

指定size变量层次的表现顺序，不指定则会通过数据确定。当size变量为数值型时与此无关。

size_norm：元组或者 Normalize 对象，可选

当size变量为数值型时，用于数据单元的 scaling plot 对象的标准化。

legend：“brief”, “full”, 或者 False, 可选

用于决定如何绘制坐标轴。如果参数值为“brief”, 数值型的hue以及size变量将会被用等间隔采样值表示。如果参数值为“full”, 每组都会在坐标轴中被记录。如果参数值为“false”, 不会添加坐标轴数据，也不会绘制坐标轴。

kind：string, 可选

绘制图的类型，与 seaborn 相关的图一致。可选项为(scatter及line).

height：标量, 可选

每个 facet 的高度（英寸）。参见aspect。

aspect：标量, 可选

每个 facet 的长宽比，因此“长宽比*高度”可以得出每个 facet 的宽度（英寸）。

facet_kws：dict, 可选

以字典形式传给FacetGrid的其他关键字参数.

kwargs：键值对

传给后续绘制函数的其他关键字参数。

返回值：g：FacetGrid

返回包含图像的FacetGrid对象，图像可以进一步调整。

具体看官方文档：

http://seaborn.pydata.org/generated/seaborn.displot.html#seaborn.displot

import seaborn as sns
%matplotlib inline
import numpy as np
1
2
3

np.random.seed(1)
data = np.random.normal(size=100)
sns.displot(x=data)
1
2
3

np.random.seed(1)
data = np.random.normal(size=100)
sns.displot(x=data,kind="hist")
1
2
3

np.random.seed(1)
data = np.random.normal(size=100)
sns.displot(x=data,kind="kde")
1
2
3

np.random.seed(1)
data = np.random.normal(size=100)
sns.displot(x=data,kind="ecdf")
1
2
3

np.random.seed(1)
data = np.random.normal(size=100)
sns.displot(x=data,kind="hist",kde = True,color="red")
1
2
3

以自带数据集为例

#企鹅种类
penguins = pd.read_csv("penguins.csv")
penguins
1
2
3

sns.displot(data=penguins,x="bill_length_mm")
1

sns.displot(data=penguins,x="bill_length_mm",bins = 100)
1

sns.displot(data=penguins,x="bill_length_mm",bins = 100,kde=True)
1

sns.displot(data=penguins,x="bill_length_mm",hue="species")
1

sns.displot(data=penguins,x="bill_length_mm",hue="species",shrink = 0.7)
1

sns.displot(data=penguins,x="bill_length_mm",kind="kde")
1

sns.displot(data=penguins,x="bill_length_mm",kind="kde",hue="species")
1

sns.displot(data=penguins,x="bill_length_mm",kind="kde",col="species")
1

sns.displot(data=penguins,x="bill_length_mm",kind="kde",row="species",col="sex")
1