1. 分类数据可视化 - 分类散点图

stripplot() / swarmplot()

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

sns.set_style("whitegrid")
sns.set_context("paper")
# 设置风格、尺度

import warnings
warnings.filterwarnings(‘ignore‘)
# 不发出警告

# 1、stripplot()
# 按照不同类别对样本数据进行分布散点图绘制

tips = sns.load_dataset("tips")
print(tips.head())
# 加载数据

sns.stripplot(x="day",          # x → 设置分组统计字段
              y="total_bill",   # y → 数据分布统计字段
              # 这里xy数据对调，将会使得散点图横向分布
              data=tips,        # data → 对应数据
              jitter = True,    # jitter → 当点数据重合较多时，用该参数做一些调整，也可以设置间距如：jitter = 0.1
              size = 5, edgecolor = ‘w‘,linewidth=1,marker = ‘o‘  # 设置点的大小、描边颜色或宽度、点样式
              )

1.1 stripplot（）

# 1、stripplot()
# 通过hue参数再分类

sns.stripplot(x="sex", y="total_bill", hue="day",
              data=tips, jitter=True)

# 1、stripplot()
# 设置调色盘

sns.stripplot(x="sex", y="total_bill", hue="day",
              data=tips, jitter=True,
              palette="Set2",  # 设置调色盘
              dodge=True,  # 是否拆分
             )

# 1、stripplot()
# 筛选分类类别

print(tips[‘day‘].value_counts())
# 查看day字段的唯一值

sns.stripplot(x="day", y="total_bill", data=tips,jitter = True,
              order = [‘Sat‘,‘Sun‘])
# order → 筛选类别

1.2 swarmplot（）

# 2、swarmplot()
# 分簇散点图

sns.swarmplot(x="total_bill", y="day", data=tips,
              size = 5, edgecolor = ‘w‘,linewidth=1,marker = ‘o‘,
              palette = ‘Reds‘)
# 用法和stripplot类似

2. 分类数据可视化 - 分布图

boxplot() / violinplot() / lvplot()

2.1 boxplot（）箱型图

# 1、boxplot()
# 箱型图

sns.boxplot(x="day", y="total_bill", data=tips,
            linewidth = 2,   # 线宽
            width = 0.8,     # 箱之间的间隔比例
            fliersize = 3,   # 异常点大小
            palette = ‘hls‘, # 设置调色板
            whis = 1.5,      # 设置IQR
            notch = True,    # 设置是否以中值做凹槽
            order = [‘Thur‘,‘Fri‘,‘Sat‘,‘Sun‘],  # 筛选类别
           )
# 绘制箱型图

sns.swarmplot(x="day", y="total_bill", data=tips,color =‘k‘,size = 3,alpha = 0.8)
# 可以添加散点图

# 1、boxplot()
# 通过hue参数再分类

sns.boxplot(x="day", y="total_bill", data=tips,
            hue = ‘smoker‘, palette = ‘Reds‘)
# 绘制箱型图

#sns.swarmplot(x="day", y="total_bill", data=tips,color =‘k‘,size = 3,alpha = 0.8)
# 可以添加散点图

2.2 violinplot（）小提琴图

# 2、violinplot()
# 小提琴图

sns.violinplot(x="day", y="total_bill", data=tips,
            linewidth = 2,   # 线宽
            width = 0.8,     # 箱之间的间隔比例
            palette = ‘hls‘, # 设置调色板
            order = [‘Thur‘,‘Fri‘,‘Sat‘,‘Sun‘],  # 筛选类别
            scale = ‘area‘,  # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样
            gridsize = 50,   # 设置小提琴图边线的平滑度，越高越平滑
            inner = ‘box‘,   # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None
            #bw = 0.8        # 控制拟合程度，一般可以不设置
           )
# 用法和boxplot类似

# 2、violinplot()
# 通过hue参数再分类

sns.violinplot(x="day", y="total_bill", data=tips,
               hue = ‘smoker‘, palette="muted",
               split=True,  # 设置是否拆分小提琴图
               inner="quartile")

# 2、violinplot()
# 结合散点图

sns.violinplot(x="day", y="total_bill", data=tips, palette = ‘hls‘, inner = None)
sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5)
# 插入散点图

2.3 lvplot（） LV图表

# 3、lvplot()
# LV图表

sns.lvplot(x="day", y="total_bill", data=tips, palette="mako",
           #hue = ‘smoker‘,
           width = 0.8,           # 箱之间间隔比例
           linewidth = 12,
           scale = ‘area‘,        # 设置框的大小 → “linear”、“exonential”、“area”
           k_depth = ‘proportion‘,  # 设置框的数量 → “proportion”、“tukey”、“trustworthy”
          )
# 绘制LV图

sns.swarmplot(x="day", y="total_bill", data=tips,color =‘k‘,size = 3,alpha = 0.8)
# 可以添加散点图

3. 分类数据可视化 - 统计图

barplot() / countplot() / pointplot()

3.1 barplot（）

# 1、barplot()
# 柱状图 - 置信区间估计
# 置信区间：样本均值 + 抽样误差

titanic = sns.load_dataset("titanic")
print(titanic.head())
print(‘-----‘)
# 加载数据

sns.barplot(x="sex", y="survived", hue="class", data=titanic,
            palette = ‘hls‘,
            order = [‘male‘,‘female‘],  # 筛选类别
            capsize = 0.05,  # 误差线横向延伸宽度
            saturation=.8,   # 颜色饱和度
            errcolor = ‘gray‘,errwidth = 2,  # 误差线颜色，宽度
            ci = ‘sd‘    # 置信区间误差 → 0-100内值、‘sd‘、None
            )

print(titanic.groupby([‘sex‘,‘class‘]).mean()[‘survived‘])
print(titanic.groupby([‘sex‘,‘class‘]).std()[‘survived‘])
# 计算数据

# 1、barplot()
# 柱状图 - 置信区间估计

sns.barplot(x="day", y="total_bill", hue="sex", data=tips,
            palette = ‘Blues‘,edgecolor = ‘w‘)
tips.groupby([‘day‘,‘sex‘]).mean()
# 计算数据

# 1、barplot()
# 柱状图 - 置信区间估计

crashes = sns.load_dataset("car_crashes").sort_values("total", ascending=False)
print(crashes.head())
# 加载数据

f, ax = plt.subplots(figsize=(6, 15))
# 创建图表

sns.set_color_codes("pastel")
sns.barplot(x="total", y="abbrev", data=crashes,
            label="Total", color="b",edgecolor = ‘w‘)
# 设置第一个柱状图

sns.set_color_codes("muted")
sns.barplot(x="alcohol", y="abbrev", data=crashes,
            label="Alcohol-involved", color="b",edgecolor = ‘w‘)
# 设置第二个柱状图

ax.legend(ncol=2, loc="lower right")
sns.despine(left=True, bottom=True)

3.2 countplot（）

# 2、countplot()
# 计数柱状图

sns.countplot(x="class", hue="who", data=titanic,palette = ‘magma‘)
#sns.countplot(y="class", hue="who", data=titanic,palette = ‘magma‘)
# x/y → 以x或者y轴绘图（横向，竖向）
# 用法和barplot相似

3.3 pointplot（）

# 3、pointplot()
# 折线图 - 置信区间估计

sns.pointplot(x="time", y="total_bill", hue = ‘smoker‘,data=tips,
              palette = ‘hls‘,
              dodge = True,   # 设置点是否分开
              join = True,    # 是否连线
              markers=["o", "x"], linestyles=["-", "--"],  # 设置点样式、线型
              )
tips.groupby([‘time‘,‘smoker‘]).mean()[‘total_bill‘]
# 计算数据
# # 用法和barplot相似

原文地址：https://www.cnblogs.com/shengyang17/p/9704708.html