摘要：簡介同一樣，也是進行數(shù)據(jù)可視化分析的重要第三方包。的五種繪圖風格有五種的風格，它們分別是。

作者：xiaoyu
微信公眾號：Python數(shù)據(jù)科學
知乎：python數(shù)據(jù)分析師

最近在做幾個項目的數(shù)據(jù)分析，每次用到seaborn進行可視化繪圖的時候總是忘記具體操作。雖然seaborn的官方網(wǎng)站已經(jīng)詳細的介紹了使用方法，但是畢竟是英文，而且查找不是很方便。因此博主想從零開始將seaborn學習一遍，做一個總結(jié)，也希望供大家使用參考。

seaborn同matplotlib一樣，也是Python進行數(shù)據(jù)可視化分析的重要第三方包。但seaborn是在 matplotlib的基礎上進行了更高級的API封裝，使得作圖更加容易，圖形更加漂亮。

博主并不認為seaborn可以替代matplotlib。雖然seaborn可以滿足大部分情況下的數(shù)據(jù)分析需求，但是針對一些特殊情況，還是需要用到matplotlib的。換句話說，matplotlib更加靈活，可定制化，而seaborn像是更高級的封裝，使用方便快捷。

應該把seaborn視為matplotlib的補充，而不是替代物。

seaborn的學習內(nèi)容主要包含以下幾個部分：

風格管理

繪圖風格設置

顏色風格設置

繪圖方法

數(shù)據(jù)集的分布可視化

分類數(shù)據(jù)可視化

線性關系可視化

結(jié)構(gòu)網(wǎng)格

數(shù)據(jù)識別網(wǎng)格繪圖

本次將主要介紹風格管理的使用。

除了各種繪圖方式外，圖形的美觀程度可能是我們最關心的了。將它放到第一部分，因為風格設置是一些通用性的操作，對于各種繪圖方法都適用。

讓我們先看一個例子。

%matplotlib inline
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
np.random.seed(sum(map(ord, "aesthetics")))

我們定義了一個簡單的方程來繪制一些偏置的正弦波，用來幫助我們查看不同的圖畫風格是什么樣子的。

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

matplotlib默認參數(shù)下繪制結(jié)果是這樣的：

sinplot()

轉(zhuǎn)換為seaborn默認繪圖，可以簡單的用set()方法。

sns.set()
sinplot()

Seaborn 將 matplotlib 的參數(shù)劃分為兩個獨立的組合。第一組是設置繪圖的外觀風格的，第二組主要將繪圖的各種元素按比例縮放的，以至可以嵌入到不同的背景環(huán)境中。

操控這些參數(shù)的接口主要有兩對方法：

控制風格：axes_style(), set_style()

縮放繪圖：plotting_context(), set_context()

每對方法中的第一個方法（axes_style(), plotting_context()）會返回一組字典參數(shù)，而第二個方法（set_style(), set_context()）會設置matplotlib的默認參數(shù)。

有五種seaborn的風格，它們分別是：darkgrid, whitegrid, dark, white, ticks。它們各自適合不同的應用和個人喜好。默認的主題是darkgrid。

sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data);

sns.set_style("dark")
sinplot()

sns.set_style("white")
sinplot()

sns.set_style("ticks")
sinplot()

white 和 ticks兩個風格都能夠移除頂部和右側(cè)的不必要的軸脊柱。通過matplotlib參數(shù)是做不到這一點的，但是你可以使用seaborn的despine()方法來移除它們：

sinplot()
sns.despine()

一些繪圖也可以針對數(shù)據(jù)將軸脊柱進行偏置，當然也是通過調(diào)用despine()方法來完成。而當刻度沒有完全覆蓋整個軸的范圍時，trim參數(shù)可以用來限制已有脊柱的范圍。

f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(offset=10, trim=True);

你也可以通過despine()控制哪個脊柱將被移除。

sns.set_style("whitegrid")
sns.boxplot(data=data, palette="deep")
sns.despine(left=True)

雖然來回切換風格很容易，但是你也可以在一個with語句中使用axes_style()方法來臨時的設置繪圖參數(shù)。這也允許你用不同風格的軸來繪圖：

with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)

如果你想定制化seaborn風格，你可以將一個字典參數(shù)傳遞給axes_style()和set_style()的參數(shù)rc。而且你只能通過這個方法來覆蓋風格定義中的部分參數(shù)。

如果你想要看看這些參數(shù)都是些什么，可以調(diào)用這個方法，且無參數(shù)，這將會返回下面的設置：

sns.axes_style()
{"axes.axisbelow": True,
 "axes.edgecolor": ".8",
 "axes.facecolor": "white",
 "axes.grid": True,
 "axes.labelcolor": ".15",
 "axes.linewidth": 1.0,
 "figure.facecolor": "white",
 "font.family": [u"sans-serif"],
 "font.sans-serif": [u"Arial",
  u"DejaVu Sans",
  u"Liberation Sans",
  u"Bitstream Vera Sans",
  u"sans-serif"],
 "grid.color": ".8",
 "grid.linestyle": u"-",
 "image.cmap": u"rocket",
 "legend.frameon": False,
 "legend.numpoints": 1,
 "legend.scatterpoints": 1,
 "lines.solid_capstyle": u"round",
 "text.color": ".15",
 "xtick.color": ".15",
 "xtick.direction": u"out",
 "xtick.major.size": 0.0,
 "xtick.minor.size": 0.0,
 "ytick.color": ".15",
 "ytick.direction": u"out",
 "ytick.major.size": 0.0,
 "ytick.minor.size": 0.0}

然后，你可以設置這些參數(shù)的不同版本了。

sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()

有一套的參數(shù)可以控制繪圖元素的比例。
首先，讓我們通過set()重置默認的參數(shù)：

sns.set()

有四個預置的環(huán)境，按大小從小到大排列分別為：paper, notebook, talk, poster。其中，notebook是默認的。

sns.set_context("paper")
sinplot()

sns.set_context("talk")
sinplot()

sns.set_context("poster")
sinplot()

你可以通過使用這些名字中的一個調(diào)用set_context()來設置參數(shù)，并且你可以通過提供一個字典參數(shù)值來覆蓋參數(shù)。當改變環(huán)境時，你也可以獨立的去縮放字體元素的大小。

sns.set_context("notebook", font_scale=1.5, rc={"lines.linewidth": 2.5})
sinplot()

同樣的，你可以通過嵌入with語句臨時的控制繪圖的比例。

介紹了Seaborn的5中繪圖風格

移除軸脊柱

臨時設置繪圖風格

覆蓋Seaborn風格元素

繪圖元素比例縮放

下一節(jié)將會介紹顏色風格的使用。

關注微信公眾號Python數(shù)據(jù)科學，獲取 120G 人工智能 學習資料。