matplotlib 画图，seaborn 画变量关系

seaborn本质上是在 matplotlib 的画布上画图

安装 Seaborn

使用 pip 安装：

pip install seaborn

在 Python 中导入 Seaborn 库

导入并取别名为 sns：

import seaborn as sns

加载 Seaborn 内置数据集

Seaborn 拥有内置数据集，可以直接加载，返回 DataFrame 类型的数据集

1. 查看内置数据集

import seaborn as sns dataset_names = sns.get_dataset_names() print(dataset_names)

返回如下结果：

['anagrams', 'anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'dowjones', 'exercise', 'flights', 'fmri', 'geyser', 'glue', 'healthexp', 'iris', 'mpg', 'penguins', 'planets', 'seaice', 'taxis', 'tips', 'titanic']

2. 加载数据集

返回的是 pandas 的 DataFrame 数据类型

import seaborn as sns # 例如加载 iris 数据集 df = sns.load_dataset('iris') # 返回 DataFrame 数据类型 # 查看前五条记录 print(df.head())

结果如下：

sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa

散点图绘制 sns.scatterplot

每条记录对应一个点

seaborn 的 sns.scatterplot 相比 matplotlib 的 plt.scatter 多了三个关键统计语义：

1. hue：分组，指定一个特征给 hue，对于不同的该特征，绘制的点映射不同颜色
2. style：点的样式，指定一个特征给 style，对于不同的该特征，绘制的点会使用不同的样式。用于区分第二分类维度
3. size：点的大小，指定一个特征给 size，若一条记录的该特征越大，绘制的点也就越大

示例

绘制 penguins 数据集中企鹅的鳍长（flipper_length_mm）关于体重（body_mass_g）的散点图。首先加载数据集：

import seaborn as sns # 加载数据集 df = sns.load_dataset("penguins") df.head()

peguins 数据集形如：

1. 绘制一个普通的散点图

# 绘制散点图 sns.scatterplot(data=df, x='flipper_length_mm', y='body_mass_g') # seaborn 会自动忽略含有 NaN 的行，不会报错 plt.show() # 使用 mpl 来显示图片 -> sns 在 mpl 的画布上画图，由 mpl 来显示图片

绘图结果如下：

2. 加入参数 hue，对指定特征不同的记录在画图时映射不同的颜色

# 加入分类变量 hue sns.scatterplot( data=df, x='flipper_length_mm', y='body_mass_g', hue='species' # 将对每个点根据其 species 标注不同颜色 ) # 根据 hue 映射颜色 # seaborn 会自动生成 legend plt.show()

绘图结果如下：

3. 加入参数 style，对指定特征不同的记录在画图时使用不同的点的样式

# 再加入点的样式 style sns.scatterplot( data=df, x='flipper_length_mm', y='body_mass_g', hue='species', # 将对每个点根据其 species 标注不同颜色 style='sex' # 将对每个点根据其 sex 选择不同的点的样式 ) # 根据 style 选择不同标记 # 适合在 hue 的基础上进行二次分类的情形 plt.show()

绘图结果如下：

使用 Axes 对象精细化控制

Seaborn 的大部分绘图函数都会返回一个 matplotlib.axes.Axes 对象，因此不需要显示创建画布就可以拿到绘图后的 Axes，并通过这个 Axes 对绘制的图形进行精细化控制。

Axes 对象有关方法

1. 示例

import seaborn as sns import matplotlib as mpl import matplotlib.pyplot as plt df = sns.load_dataset("penguins") df.head() mpl.rcParams['font.family'] = 'SimHei' mpl.rcParams['font.size'] = 15 # 这里将返回的 Axes 对象存变量 ax ax = sns.scatterplot( data=df, x='flipper_length_mm', y='body_mass_g', hue='species' ) # 添加 x、y 轴标签 ax.set_xlabel('鳍长 (mm)') ax.set_ylabel('体重 (g)') ax.legend(title='物种') # 修改图例标题 ax.grid(True) # 网格线 plt.show()

绘图结果如下：

2. 图例外置

若图例在图中会遮挡数据，可以使用 ax.legend() 方法将其放在图的外面

要配合 plt.tight_layout() 使用，否则图例可能会跑出画布

ax.legend( title='图例标题', bbox_to_anchor=(x坐标, y坐标), # 对齐坐标，(0, 0) 表示 ax 的左下角，(1, 1) 表示 ax 的右上角 loc='对齐方式' # 指定图例的哪个角或边中点与该坐标对齐 )

例如：

将图例放在图的右侧常用写法：

ax.legend( title='图例标题', bbox_to_anchor=(1.02, 1), # 对齐坐标，(1.02, 1)，表示图的右上角往右0.02距离的点 loc='upper left' # 指定图例的左上角与 (1.02, 1) 点对齐 )

结果形如：

散点图练习

1. 使用 penguins 数据集，x 轴为喙长（bill_length_mm），y 轴为喙深（bill_depth_mm）并且按 species 映射颜色画出散点图，加上合适的标题和轴标签，画在子图1

2. 在 1 的基础上用 sex 区分性别，画在子图2

（图例均放在图的右侧）

# 本人思路，仅供参考 import seaborn as sns import matplotlib as mpl import matplotlib.pyplot as plt df = sns.load_dataset("penguins") df.head() mpl.rcParams['font.family'] = 'SimHei' mpl.rcParams['font.size'] = 15 # 使用 2×1 的垂直布局，便于对比“仅按种类着色”与“按种类+性别区分”的差异 fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 14), dpi=100) # 同时获得画布 fig 与两幅子图 ax1, ax2 # 子图1 sns.scatterplot( data=df, x='bill_length_mm', y='bill_depth_mm', hue='species', ax=ax1 ) ax1.set_title('喙长-喙深 对比图') ax1.set_xlabel('喙长 (mm)') ax1.set_ylabel('喙深 (mm)') # 将图例放到图的右侧 ax1.legend( title='分组', loc='upper left', # 图例的左上角 bbox_to_anchor=(1.02, 1) # 对齐到 ax1 的右侧 ) # 子图2 sns.scatterplot( data=df, x='bill_length_mm', y='bill_depth_mm', hue='species', style='sex', ax=ax2 ) ax2.set_title('喙长-喙深 对比图') ax2.set_xlabel('喙长 (mm)') ax2.set_ylabel('喙深 (mm)') # 将图例放到图的右侧 ax2.legend( title='物种 / 性别', loc='upper left', # 图例的左上角 bbox_to_anchor=(1.02, 1) # 对齐到 ax2 的右侧 ) plt.tight_layout() plt.show()

绘图结果如下：

折线图绘制 sns.lineplot