📌  相关文章
📜  Seaborn-绘制分类数据

📅  最后修改于: 2020-11-06 06:45:00             🧑  作者: Mango

在前面的章节中，我们了解了散点图，六边形图和kde图，这些图用于分析研究中的连续变量。当所研究的变量是分类变量时，这些图不适用。

当研究中的一个或两个变量是分类变量时，我们使用诸如slotlot()，swarmplot()等图。 Seaborn提供了这样做的界面。

分类散点图

在本节中，我们将学习分类散点图。

stripplot()

当所研究的变量之一是分类变量时，将使用stripplot()。它代表沿任一轴排序的数据。

例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.stripplot(x = "species", y = "petal_length", data = df)
plt.show()

输出

框

在上面的图中，我们可以清楚地看到每种物种的petal_length的差异。但是，上述散点图的主要问题是散点图上的点是重叠的。我们使用“抖动”参数来处理这种情况。

抖动会给数据增加一些随机噪声。此参数将调整沿分类轴的位置。

例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.stripplot(x = "species", y = "petal_length", data = df, jitter = Ture)
plt.show()

输出

点

现在，可以轻松看到点的分布。

Swarmplot()

可以替代“抖动”的另一个选项是swarmplot()函数。此函数将散点图的每个点定位在分类轴上，从而避免了点重叠-

例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.swarmplot(x = "species", y = "petal_length", data = df)
plt.show()

输出

阴影