Press "Enter" to skip to content

Seaborn的6个简单技巧

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

作者|Zolzaya Luvsandorj 编译|VK 来源|Towards Datas Science

 

在这篇文章中,我们将探讨一些简单的方法来定制你的图表,使它们在美学上更好。我希望这些简单的技巧能帮助你得到更好看的图。

 

 

基线图

 

本文中的脚本在Jupyter笔记本中的python3.8.3中进行了测试。

 

让我们使用Seaborn内置的penguins数据集作为样本数据:

 

# 导入包
import matplotlib.pyplot as plt
import seaborn as sns
# 导入数据
df = sns.load_dataset('penguins').rename(columns={'sex': 'gender'})
df

 

 

我们将使用默认图表设置构建标准散点图,以将其用作基线:

 

# 图
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')

 

 

我们将看到这个图如何随着每一个技巧而改变。

 

 

你将看到,前两个技巧用于单个绘图,而其余四个技巧用于更改所有图表的默认设置。

 

技巧1:分号

 

你有没有注意到在上一个图中,文本输出就在图表的正上方?抑制此文本输出的一个简单方法是在绘图末尾使用 ;

 

# 图
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender');

 

 

只需在代码末尾添加;就可以得到更清晰的输出。

 

技巧2:plt.figure()

 

绘图通常可以从调整大小中获益。如果我们想调整大小,我们可以这样做:

 

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender');

 

 

当我们调整大小时,图例移到了左上角。让我们将图例移到图表之外,这样它就不会意外地覆盖数据点:

 

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1));

 

 

如果你想知道如何知道 figsize()bbox_to_anchor() 使用什幺数的字组合,则需要尝试哪些数字最适合绘图。

 

技巧3:sns.set_style()

 

如果不喜欢默认样式,此函数有助于更改绘图的整体样式。这包括轴的颜色和背景。让我们将样式更改为whitegrid,并查看打印外观如何更改:

 

# 更改默认样式
sns.set_style('whitegrid')
# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1));

 

 

这里还有一些其他的选择可以尝试:“darkgrid”、“dark”和“ticks”来找到你更喜欢的那个。

 

技巧4:sns.set_context()

 

在前面的图中,标签尺寸看起来很小。如果不喜欢默认设置,我们使用sns.set_context()可以更改上下文参数。

 

我使用这个函数主要是为了控制绘图中标签的默认字体大小。通过更改默认值,我们可以节省时间,而不必为单个绘图的不同元素(例如轴标签、标题、图例)调整字体大小。让我们把上下文改成“talk”,再看看图:

 

# 默认上下文更改
sns.set_context('talk')
# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

 

 

它更容易辨认,不是吗?另一个可以尝试的选项是:“poster”,这将增加默认大小甚至更多。

 

技巧5:sns.set_palette()

 

如果你想将默认调色板自定义为你喜欢的颜色组合,此功能非常方便。我们可以使用Matplotlib中的彩色映射。这里是从颜色库中选择的。让我们将调色板更改为“rainbow”并再次查看该图:

 

# 更改默认调色板
sns.set_palette('rainbow')
# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

 

 

如果找不到你喜欢的Matplotlib颜色映射,可以手动选择颜色来创建自己独特的调色板。:art: 创建自己调色板的一种方法是将颜色名称列表传递给函数,如下例所示。这个链接是颜色名称列表: https://matplotlib.org/3.1.0/…

 

# 更改默认调色板
sns.set_palette(['green', 'purple', 'red'])
# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

 

 

如果颜色名称不能很好地捕捉到你所追求的,你可以使用十六进制颜色构建自己的调色板来访问更广泛的选项(超过1600万种颜色!)。这里是我最喜欢的资源,可以找到一个十六进制的自定义调色板。我们来看一个例子:

 

# 更改默认调色板
sns.set_palette(['#62C370', '#FFD166', '#EF476F'])
# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

 

 

技巧6:sns.set()

 

从前面的三个技巧中,我希望你能找到你最喜欢的组合(在某些情况下,它可能会保留默认设置)。如果我们要更新图表的默认设置,最好是在导入可视化软件包之后再更新。这意味着我们在脚本的开头会有这样一个片段:

 

# 导入包
import matplotlib.pyplot as plt
import seaborn as sns
# 更改默认值
sns.set_style('whitegrid')
sns.set_context('talk')
sns.set_palette('rainbow')

 

更新上面的多个默认值可以用sns.set(). 以下是同一代码的简洁版本:

 

# 导入包
import matplotlib.pyplot as plt
import seaborn as sns
# 更改默认值
sns.set(style='whitegrid', context='talk', palette='rainbow')

 

这是六个技巧。以下是调整前后的图对比:

 

 

我希望你学会了一些简单的方法来调整你的图表,这不用花太多时间。我希望这篇文章能给你一些初步的想法,让你开始个性化你的图表,并使它们更具视觉上的美。如果你感兴趣,以下是我的一些帖子的链接:

https://towardsdatascience.co…
https://towardsdatascience.co…
https://towardsdatascience.co…
https://towardsdatascience.co…
https://towardsdatascience.co…

原文链接: https://towardsdatascience.co…

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注