数据可视化(3) |
您所在的位置：网站首页 › word折线图怎么设置不同的线型 › 数据可视化(3) |
数据可视化(3)
|
本篇是《Seaborn系列》文章的第3篇-折线图。 案例代码：欢迎给个star https://github.com/Vambooo/SeabornCN 折线图注意：数据一定是通过DataFrame中传送的 函数原型代码语言：txt复制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, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)参数解读代码语言：txt复制data:是DataFrame类型的; 可选：下面均为可选 x,y：数据中变量的名称; hue:数据中变量名称(比如：二维数据中的列名) 作用：对将要生成不同颜色的线进行分组，可以是分类或数据。 size:数据中变量名称(比如：二维数据中的列名) 作用：对将要生成不同宽度的线进行分组，可以是分类或数据。 style:数据中变量名称(比如：二维数据中的列名) 作用：对将生成具有不同破折号、或其他标记的变量进行分组。 palette:调试板名称，列表或字典类型 作用：设置hue指定的变量的不同级别颜色。 hue_order:列表(list)类型 作用：指定hue变量出现的指定顺序，否则他们是根据数据确定的。 hue_norm:tuple或Normalize对象 sizes:list dict或tuple类型 作用：设置线宽度，当其为数字时，它也可以是一个元组，指定要使用的最大和最小值，会自动在该范围内对其他值进行规范化。 units:对变量识别抽样单位进行分组，使用时，将为每个单元绘制一个单独的行。 estimator:pandas方法的名称或回调函数或者None 作用：用于在同一x水平上聚合y变量的多个观察值的方法，如果为None，则将绘制所有观察结果。案例教程代码语言：txt复制import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets import load_diabetes def fun(x): if x >0: return 1 else: return 0 # sklearn自带数据 diabetes 糖尿病数据集 diabetes=load_diabetes() data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names) #只抽取前80个数据 df=data[:80] #由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0 df['sex']=df['sex'].apply(lambda x: fun(x)) #展示前5条数据 df[:5] 代码语言：txt复制import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
%matplotlib inline
from sklearn.datasets import load_diabetes
def fun(x):
if x >0:
return 1
else:
return 0
# sklearn自带数据 diabetes 糖尿病数据集
diabetes=load_diabetes()
data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
#只抽取前80个数据
df=data[:80]
#由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0
df['sex']=df['sex'].apply(lambda x: fun(x))
"""
案例1：绘制带有误差带的单线图，显示置信区间
"""
ax = sns.lineplot(x="age", y="s4",data=df)
plt.show() 代码语言：txt复制import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
%matplotlib inline
from sklearn.datasets import load_diabetes
def fun(x):
if x >0:
return 1
else:
return 0
# sklearn自带数据 diabetes 糖尿病数据集
diabetes=load_diabetes()
data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
#只抽取前80个数据
df=data[:80]
#由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0
df['sex']=df['sex'].apply(lambda x: fun(x))
"""
案例2：绘制带有误差带的单线图，显示置信区间
"""
dd=[df['s1'],df['s2'],df['s3'],df['s4']]
ax = sns.lineplot(data=dd)
plt.show() 代码语言：txt复制import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
%matplotlib inline
from sklearn.datasets import load_diabetes
def fun(x):
if x >0:
return 1
else:
return 0
# sklearn自带数据 diabetes 糖尿病数据集
diabetes=load_diabetes()
data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
#只抽取前80个数据
df=data[:80]
#由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0
df['sex']=df['sex'].apply(lambda x: fun(x))
"""
案例3：设置hue为sex,按照sex分组，并显示不同颜色
"""
sns.lineplot(x="age", y="s4", hue="sex",data=df)
plt.show() 代码语言：txt复制import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
%matplotlib inline
from sklearn.datasets import load_diabetes
def fun(x):
if x >0:
return 1
else:
return 0
# sklearn自带数据 diabetes 糖尿病数据集
diabetes=load_diabetes()
data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
#只抽取前80个数据
df=data[:80]
#由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0
df['sex']=df['sex'].apply(lambda x: fun(x))
"""
案例4:使用颜色和线型显示分组变量
"""
sns.lineplot(x="age", y="s1",hue="sex", style="sex", data=df)
plt.show() 代码语言：txt复制import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
%matplotlib inline
from sklearn.datasets import load_diabetes
def fun(x):
if x >0:
return 1
else:
return 0
# sklearn自带数据 diabetes 糖尿病数据集
diabetes=load_diabetes()
data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
#只抽取前80个数据
df=data[:80]
#由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0
df['sex']=df['sex'].apply(lambda x: fun(x))
"""
案例5：使用标记来标识组，而不用破折号来标识组：设置markers为True,设置dashes为False
"""
sns.lineplot(x="age", y="s1",hue="sex", style="sex", markers=True, dashes=False, data=df)
plt.show() 代码语言：txt复制import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
%matplotlib inline
from sklearn.datasets import load_diabetes
def fun(x):
if x >0:
return 1
else:
return 0
# sklearn自带数据 diabetes 糖尿病数据集
diabetes=load_diabetes()
data = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
#只抽取前80个数据
df=data[:80]
#由于diabetes中的数据均已归一化处理过，sex列中的值也归一化，现将其划分一下，大于0的设置为1，小于等于0的设置为0
df['sex']=df['sex'].apply(lambda x: fun(x))
"""
案例6：显示错误条，而不显示错误带
"""
sns.lineplot(x="age", y="s5",hue="sex",err_style="bars", ci=68, data=df)
plt.show() 代码语言：txt复制import numpy as np
import pandas as pd;
import matplotlib.pyplot as plt
# 构建 时间序列数据 从2000-1-31开始，以月份为间隔，构建100条记录
index = pd.date_range("1 1 2000", periods=100,freq="m", name="date")
data = np.random.randn(100, 4).cumsum(axis=0)
# 构建5列数据，列名分别为data a b c d
wide_df = pd.DataFrame(data, index, ["a", "b", "c", "d"])
"""
案例7：绘制时间序列数据
"""
sns.lineplot(data=wide_df)
plt.show() 案例地址 案例代码已上传：Githubhttps://github.com/Vambooo/SeabornCN 整理制作：数据分析与可视化学研社  更多分享,请关注公众号
|
【本文地址】
今日新闻 |
推荐新闻 |