python高级绘图库seaborn

http://blog.csdn.net/pipisorry/article/details/49515745

Seaborn介绍

Matplotlib是Python主要的绘图库。但是不建议你直接使用它，原因与不推荐你使用NumPy是一样的。虽然Matplotlib很强大，它本身就很复杂，你的图经过大量的调整才能变精致。因此，作为替代推荐一开始使用Seaborn。

Seaborn本质上使用Matplotlib作为核心库（就像Pandas对NumPy一样）。

seaborn的优点：

1. 默认情况下就能创建赏心悦目的图表。（只有一点，默认不是jet colormap）
2. 创建具有统计意义的图
3. 能理解pandas的DataFrame类型，所以它们一起可以很好地工作。

安装pip install seaborn

皮皮blog

Seaborn使用

具有统计意义的图

import seaborn as sns

 

# Load one of the data sets that come with seaborn

tips = sns . load_dataset ( "tips" )

 

sns . jointplot ( "total_bill" , "tip" , tips , kind = 'reg' ) ;

 

如你所见，仅通过一行代码，我们就创建了一个漂亮复杂的统计图，其中包含拥有置信区间的最拟合回归直线、边界图，以及相关系数。
使用matplotlib重新绘制这幅图的话需要相当多的（丑陋）代码，包括调用scipy执行线性回归并手动利用线性回归方程绘制直线（我甚至想不出怎么在边界绘图，怎么计算置信区间）。
[ the tutorial on quantitative linear models]

与Pandas的DataFrame很好地工作

数据有自己的结构。通常我们感兴趣的包含不同的组或类（这种情况下使用pandas中groupby的功能会让人感到很神奇）。比如tips（小费）的数据集是这样的：

tips . head ( )

Out[9]:

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

我们可能想知道吸烟者给的小费是否与不吸烟的人不同。没有seaborn的话，这需要使用pandas的groupby功能，并通过复杂的代码绘制线性回归直线。使用seaborn的话，我们可以给col参数提供列名，按我们的需要划分数据：

sns . lmplot ( "total_bill" , "tip" , tips , col = "smoker" ) ;

 

很整洁吧？

随着你研究得越深，你可能想更细粒度地控制这些图表的细节。因为seaborn只是调用了matplotlib，那时你可能会想学习这个库。然而，对绝大部分工作来说我还是喜欢使用seaborn。

from: http://blog.csdn.net/pipisorry/article/details/49515745

ref:API reference

Seaborn tutorial

Python和数据科学的起步指南

Example gallery

Python数据可视化模块：Seaborn