在可视化中，颜色比任何其他方面都起着重要作用。有效地使用颜色，可以为绘图增加更多价值。调色板是指画家在其上布置和混合涂料的平坦表面。

建筑调色板

Seaborn提供了一个称为color_palette()的函数，该函数可用于为绘图赋予颜色并为其添加更多的美学价值。

用法

seaborn.color_palette(palette = None, n_colors = None, desat = None)

参数

下表列出了用于构建调色板的参数-

返回

返回是指RGB元组的列表。以下是现成的Seaborn调色板-

• 深
• 静音
• 亮
• 粉彩
• 黑暗
• 色盲

除了这些，还可以生成新的调色板

在不了解数据特征的情况下，很难决定应将哪个调色板用于给定的数据集。意识到这一点，我们将对使用color_palette()类型的不同方式进行分类-

• 定性的
• 顺序的
• 发散

我们还有另一个函数seaborn.palplot()处理调色板。此函数将调色板绘制为水平阵列。在接下来的示例中，我们将了解有关seaborn.palplot()的更多信息。

定性调色板

定性或分类调色板最适合于绘制分类数据。

例

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(current_palette)
plt.show()

输出

我们没有在color_palette()中传递任何参数；默认情况下，我们看到6种颜色。您可以通过将值传递给n_colors参数来查看所需的颜色数量。在这里， palplot()用于水平绘制颜色阵列。

顺序调色板

顺序图适用于表示范围内相对较低值到较高值的数据分布。

在传递给color参数的颜色上附加一个字符’s’将绘制顺序图。

例

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("Greens"))
plt.show()

注意-我们需要在上面的示例中将’s’附加到像’Greens’这样的参数上。

分散调色板

不同的调色板使用两种不同的颜色。每种颜色代表值从任一方向上的公共点开始的变化。

假设绘制范围为-1到1的数据。值-1到0代表一种颜色，0到+1代表另一种颜色。

默认情况下，值从零开始居中。您可以通过传递值来使用参数中心来控制它。

例

from matplotlib import pyplot as plt
import seaborn as sb
current_palette = sb.color_palette()
sb.palplot(sb.color_palette("BrBG", 7))
plt.show()

输出

设置默认调色板

函数color_palette()有一个名为set_palette()的伴侣，它们之间的关系类似于“美学”一章中介绍的对。 set_palette()和color_palette()的参数相同，但是默认的Matplotlib参数已更改，因此调色板可用于所有绘图。

例

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

import seaborn as sb
sb.set_style("white")
sb.set_palette("husl")
sinplot()
plt.show()

输出

绘制单变量分布

数据分发是我们在分析数据时需要了解的最重要的事情。在这里，我们将看到seaborn如何帮助我们理解数据的单变量分布。

函数distplot()提供了最方便的方法来快速查看单变量分布。此函数将绘制适合数据核密度估计的直方图。

用法

seaborn.distplot()

参量

下表列出了参数及其说明-

这些是需要研究的基本和重要参数。