relational是什么意思,relational的意思翻译、用法、同义 Seaborn常见绘图总结

这篇文章给大家聊聊关于relational是什么意思,relational的意思翻译、用法、同义，以及Seaborn常见绘图总结对应的知识点，希望对各位有所帮助，不要忘了收藏本站哦。

这里系统的总结一下seaborn常见的图形绘制。其目的也是很简单，方便自己和给大家提供一些帮助。

这里使用的数据还是seaborn的默认数据，理解数据的含义，对分析问题往往起着事半功倍的效果。

https://github.com/mwaskom/seaborn-data

Seaborn中介绍的第一种类型的图就是Relationalplots（关系图），这里翻译一下官网对他的解释：“统计分析是理解数据集中变量如何相互关联以及这些关系如何依赖于其他变量的过程。可视化可能是这个过程的核心部分，因为当数据被正确地可视化时，人类视觉系统可以看到指示某种关系的趋势和模式。”

Relationalplots（关系图）中主要讨论的是三个seaborn函数。我们最常用的是relplot()。这是一个图形级函数使用两种常用方法可视化统计关系：散点图（scatterplots）和线图（lineplots）。

scatterplot()(与kind="scatter"；默认值)\nlineplot()(与kind="line")

还是第一步，导入我们需要的各种模块：

importnumpyasnp\nimportpandasaspd\nimportmatplotlib.pyplotasplt\nimportseabornassns\nsns.set(style="darkgrid")#这是seaborn默认的风格1.1scatterplot（散点图）

散点图是统计可视化的重要组成部分。它使用点云来描述两个变量的联合分布，其中每个点代表数据集中的一个观察。这种描绘可以推断出大量关于它们之间是否有任何有意义的关系的信息。

在seaborn中有几种（后面介绍）绘制散点图的方法，当两个变量都是数字时，应该使用的最基本的是scatterplot()功能。在Categoricalplots（分类图）中，我们将看到使用散点图可视化分类数据的专门工具。

#scatterplot参数\nseaborn.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)

在所有的seaborn绘图时，里面的参数是众多的，但是不用担心，大部分参数是相同的，只有少部分存在差异，有些通过对单词的理解就可知道其含义，这里我只根据每个具体的图形重要的参数做一些解释，并简单的介绍这些常用参数的含义。

先来个简单的散点图，绘制看看效果

#数据来源可在seaborn的GitHub上查找\ntips=sns.load_dataset("tips")\nax=sns.scatterplot(x="total_bill",y="tip",data=tips)

接下来，复杂一点，按另一个变量分组（hue参数起了作用），不同类型的方式（style），点的大小（size），并显示具有不同颜色的组：

ax=sns.scatterplot(x="total_bill",y="tip",hue="day",\nstyle="time",size='size',data=tips)

是不是复杂得多，当然还有很多参数可以改，这里就不一一介绍了，接下来看lineplot。

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)

可以看出，参数并没有较散点图有较大的改变，所以话不多说，直接上图：

fmri=sns.load_dataset("fmri")\nax=sns.lineplot(x="timepoint",y="signal",data=fmri)\n#阴影是默认的置信区间，可设置ci=0,将其去除

接下来，来个复杂一点儿的：

#使用标记而不是破折号来识别组\nax=sns.lineplot(x="timepoint",y="signal",hue="event",style="event",\nmarkers=True,dashes=False,data=fmri)1.3relplot（关系图）

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)

relplot（关系图）可以看做是lineplot和scatterplot的归约，可以通过kind参数来指定画什么图形，重要参数解释如下：

tips=sns.load_dataset("tips")\ng=sns.relplot(x="total_bill",y="tip",data=tips)\n#两者效果一模一样\nax=sns.scatterplot(x="total_bill",y="tip",data=tips)

其他参数设置：

END，本文到此结束，如果可以帮助到大家，还望关注本站哦！