04_seaborn基本使用

1.seaborn设置整体风格

seaborn提供5中主题风格：

• darkgrid
• whitegrid
• dark
• white
• ticks

主要通过set()和set_style()两个函数对整体风格进行控制。

准备工作：

import seaborn as sns
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

# 定义一个绘图函数
def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i*.5)*(7-i)*flip)

默认设置1

输入：

# 一般图形， 默认设置
# 效果同sns.set()

sinplot()

输出：

默认设置2

输入：

# 默认设置

sns.set()  # 使用seaborn的默认设置
sinplot()

输出：

设置风格为ticks

输入：

# 设置风格为ticks

# 可以直接通过参数名传参，也可以通过set_style()传参
# 效果同：set_style('ticks')

sns.set(style='ticks')
sinplot()

输出：

设置为whitegrid

输入：

sns.set_style('whitegrid')
sinplot()

输出：

其他主题设置风格类似，可通过set(style=" ")方式，也可以通过set_style( " " )的方式设置。

具体可使用print(help(sns.set))函数查看帮助文档。

2.seaborn设置细节风格

设置边框

输入：

# 边框设置

sinplot()
sns.despine()  # 去掉边框，默认去掉上边框和右边框

输出：

也可以通过参数名传参，来决定哪个边框不显示。

输入：

# 也可以通过参数名传参，决定哪个边框不显示

sinplot()
sns.despine(bottom=True, right=True)  # True代表不显示

输出：

设置子图风格

输入：

# 对子图设置不同风格

with sns.axes_style('darkgrid'):
    plt.subplot(211)  # 对第一个子图设置风格darkgrid
    sinplot()

plt.subplot(212)
sinplot(2)

# 通过关键字with，对不同子图设置风格

输出：

设置内容

输入：

# 对图中内容进行设置，包括线条颜色，粗细和刻度等

sns.set_context("paper")  # 使用paper风格
plt.figure(figsize=(10, 6))
sinplot()

输出：

字体、线宽设置

输入:

# 设置字体大小，线宽等

sns.set_context("talk", font_scale=1.5, rc={'line.linewidth':2.5})  # 使用talk风格
plt.figure(figsize=(10, 6))
sinplot()

输出：

3.调色板的使用

seaborn主要提供分类色板、颜色空间、连续色板和xkcd等操作，对图像颜色进行设置。

分类色板

主要涉及以下函数：

• color_palette() 能传入任何Matplotlib所支持的颜色
• color_palette() 不传入参数则为默认颜色
• set_palette() 设置所有图的颜色

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

sns.set(rc={'figure.figsize': (6, 6)})  # 设置画板大小

输入：

# 分类色板

current_palette = sns.color_palette() #默认是deep，深色风
sns.palplot(current_palette)
sns.palplot(sns.color_palette("muted")) #柔和风
sns.palplot(sns.color_palette("pastel",9)) #粉蜡笔风
sns.palplot(sns.color_palette("bright",10)) #明亮风
sns.palplot(sns.color_palette("dark",11)) #黑暗风
sns.palplot(sns.color_palette("colorblind",12)) # 色盲风

# 6个默认的颜色循环主题： deep, muted, pastel, bright, dark, colorblind

输出：

颜色空间

颜色空间主要通过hls_palette()函数来控制颜色的色调、亮度和饱和

• h-色调 hue
• l-亮度 lightness
• s-饱和 saturation

输入：

# hls_palette()函数对颜色进行设置

sns.palplot(sns.hls_palette(8,h=.8, l=.7, s=.9))
sns.palplot(sns.hls_palette(8,h=0.1, l=.3, s=.6))

#sns.hls_palette设置得到HLS的色彩空间中的颜色，颜色个数，
# h设置色调，
# l设置亮度，
# s设置饱和度，
# 取值范围均在(0,1)

输出：

输入：

# 设置成对的，相近颜色

sns.palplot(sns.color_palette("Paired",10))
# 按对分组，每一对之间属同一色系中的差异较大的两个颜色
# 对于对之间属于不同色系的颜色

输出：

xkcd颜色

xkcd包含了一套针对随机RGB色的命名。产生了954个可以通过xdcd_rgb字典中调用的命名颜色。

输入：

# xkcd通过skcd_rgb设置颜色

plt.plot([0, 1], [3, 0], sns.xkcd_rgb["piss yellow"], lw=4)
plt.plot([0, 1], [1, 1], sns.xkcd_rgb["cherry"], lw=3)
plt.plot([0, 1], [0, 3], sns.xkcd_rgb["robin egg blue"], lw=3)

# 通过颜色名字来调用颜色，
# 也可以通过颜色的16进制编码调用颜色
# lw : linewidth设置

输出：

输入：

# xkcd 通过颜色名称设置颜色

colors = ["windows blue", "amber", "greyish", "faded green", "dusty purple"]
sns.palplot(sns.xkcd_palette(colors))

输出：

连续色板

色彩随数据变换，比如数据越来越重要则颜色越来越深。

输入：

# 设置渐变色

sns.palplot(sns.color_palette("Blues")) #设置某种颜色的一系列渐变色
sns.palplot(sns.color_palette("Blues_r",8))  # blues_r 反向

输出：

输入：

# 设置light风格的渐变色

#使用函数light_palette函数，设置连续色板的风格
sns.palplot(sns.light_palette("green"))   # 设置light风格的绿色渐变

输出：

输入：

# 设置dark风格的渐变色

# 使用dark_palette函数设置dark风格的渐变
sns.palplot(sns.dark_palette("purple"))  # 设置dark风格的紫色

输出：

输入：

# 设置渐变的颜色排列顺序

# reverse参数设置渐变的排列顺序
sns.palplot(sns.light_palette("navy", reverse=True)) #reverse可以设置颜色排列顺序

输出：

渐变色简单应用

输入：

# 渐变色简单易用

# 生成一个多元正态分布矩阵
# 参数mean : 均值
# 参数cov : 协方差， array类型
# 参数size: 个数
x, y = np.random.multivariate_normal(mean=[0, 0], cov=[[1, -.5], [-.5, 1]], size=300).T

pal = sns.dark_palette("green",as_cmap=True)
# as_cmap=True，返回一个colormap对象

sns.kdeplot(x, y, cmap=pal)
# kdeplot : 核密度估计图，
# cmap=pal，以colormap方式来设置颜色

输出：

4.单变量分析图

import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib.pyplot as plt
import seaborn as sns

频数直方图

一般频数直方图

输入：

# 频数直方图

# 生成100个成标准正态分布的随机数
x = np.random.normal(size=100)

# sns.distplot画频数直方图
# kde=True，进行核密度估计
sns.distplot(x,kde=True) 

输出：

设置频数直方图的bins

输入：

# 设置频数直方图的bins

sns.distplot(x, bins=20, kde=False)

输出：

分析数据分布情况

输入：

# 数据分布情况

# kde核密度估计，
# fit拟合参数（黑色线条）
# 蓝色线条为核密度估计线条
sns.distplot(x, kde=True, fit=stats.alpha) 

输出：

5.双变量分析图

主要用一下几个图画双变量的分析图：

# 构造数据

mean, cov = [0, 1], [(1, .5), (.5, 1)]
# 二维多正态分数的数据
data = np.random.multivariate_normal(mean, cov, 200)
df = pd.DataFrame(data, columns=["x", "y"]) #将array结构转换为dataframe结构，添加列名。

散点图

输入：

# 散点图

# 一般用散点图展示两个变量间的关系
sns.jointplot(x='x', y='y', data=df, size=7)  # x,y参数也可以用x=df['x'], y=df['y'] 的形式传入

# sns.jointplot画双变量关系图，
# data传入dataframe，x，y设置两个变量数据，
# size设置图的大小

输出：

六角图

输入：

# 六角图

# 数据
x, y = np.random.multivariate_normal(mean, cov, 1000).T

# 设置画图风格
with sns.axes_style("white"):
    sns.jointplot(x=x, y=y, kind="hex", color="k", size = 7) 

# kind='hex' 画出六角图
# 六角图中颜色越深的区域表示该区域的点越密集，数据越多

输出:

pairplot函数

输入：

# pairplot函数

# 分析多个变量间，每两个变量间的关系
# 不同变量间用散点图表示
# 同一变量用直方图表示

# 内置数据集：鸢尾花的数据集
iris = sns.load_dataset("iris")
# print (iris.head())
sns.pairplot(iris)

输出：

6.双变量回归分析图

# 数据导入

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

import seaborn as sns
sns.set(color_codes=True)

# 内置数据集tips小费
tips = sns.load_dataset("tips") 

tips.head()

两变量回归关系regplot实现

输入：

# 两变量画回归关系图（regplot函数）

# regplot()和lmplot()都可以绘制回归关系,推荐regplot()

plt.figure(figsize = (7,7))
sns.regplot(x="total_bill", y="tip", data=tips)
# sns.regplot画数据散点和线性拟合的图，
# 设置x坐标，y坐标，data传入dataframe

输出：

两变量回归关系图lmplot实现

输入：

# 两变量画回归关系图（lmplot函数）

sns.lmplot(x="total_bill", y="tip", data=tips,size = 7)

输出：

抖动设置

输入：

# 设置横向抖动

# x_jitter参数设置点横向抖动量。
sns.regplot(x="size", y="tip", data=tips, x_jitter=.05) 

# 部分数据重叠，因此设置抖动，减少覆盖点，便于观察点的分布

输出：

7.多变量回归分析图

# 数据读取

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns

# 设置风格
sns.set(style="whitegrid")

# 数据加载
titanic = sns.load_dataset("titanic")
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")

分类散点图stripplot()实现（两变量）

输入：

# 分类散点图（两变量:day,total_bill）

# sns.stripplot()和sns.swarmplot()均能实现分类散点图

plt.figure(figsize=(10,6))

# 图型基本设置
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel('day',size=16)
plt.ylabel( 'total_bill',size=16)

# 分析day与total_bill间的关系
sns.stripplot(x="day", y="total_bill", data=tips)  

输出：

数据重叠严重，影响观察数据的量，因此设置抖动。

输入：

# 数据重叠严重，影响观察数据的量，因此设置抖动

# jitter=True
sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

输出：

分类散点图swarmplot()实现（两变量）

输入：

# swarmplot函数实现类别散点图

sns.swarmplot(x="day", y="total_bill", data=tips)

输出：

分类散点图三变量实现

输入：

# 分类散点图（三变量:day, total_bill, sex）

# 传入的第三个变量，通过颜色区分

plt.figure(figsize=(10,6))
palette1=sns.color_palette("bright")

# hue设置第三个变量，palette设置调色板颜色
sns.swarmplot(x="day", y="total_bill", hue="sex",palette = palette1,data=tips)

输出：

输入：

# 分类散点图（三变量:day, total_bill, time）

plt.figure(figsize=(10,6))

# hue接收第三个变量
sns.swarmplot(x="total_bill", y="day", hue="time", data=tips)

输出：

盒图（三变量）

盒图是显示数据离散度的一种图形。它对于显示数据的离散的分布情况效果不错。
 IQR = Q3-Q1，即上四分位数与下四分位数之间的差，也就是盒子的长度。
 N = 1.5IQR 如果一个值>Q3+N或　<　Ｑ1-N,则为离群点

盒图特点：
 通过盒图，在分析数据的时候，盒图能够有效地帮助我们识别数据的特征：
 直观地识别数据集中的异常值(查看离群点)。
 判断数据集的数据离散程度和偏向(观察盒子的长度，上下隔间的形状，以及胡须的长度)。

输入：

# 盒图（三变量：day,total_bill, time）

# sns.boxplot（）
# 盒图是显示数据离散度的一种图形。它对于显示数据的离散的分布情况效果不错。
# IQR = Q3-Q1，即上四分位数与下四分位数之间的差，也就是盒子的长度。
# N = 1.5IQR 如果一个值>Q3+N或　<　Ｑ1-N,则为离群点

# 盒图特点：
# 通过盒图，在分析数据的时候，盒图能够有效地帮助我们识别数据的特征：
# 直观地识别数据集中的异常值(查看离群点)。
# 判断数据集的数据离散程度和偏向(观察盒子的长度，上下隔间的形状，以及胡须的长度)。

# 基本设置
plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel('day',size=16)
plt.ylabel( 'total_bill',size=16)

sns.boxplot(x="day", y="total_bill", hue="time", data=tips)

输出：

小提琴图（三变量）

输入：

# 小提琴图（三变量：day, total_bill, time）

# sns.violinplot()函数实现

plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel('total_bill',size=16)
plt.ylabel( 'day',size=16)

# sns.violinplot()画小提琴图
sns.violinplot(x="total_bill", y="day", hue="time", data=tips)
# 图中白点是中位数，
# 中间黑色盒形是上四分位点和下四分位点，
# 黑色的线条表示离群点的离群程度，越长表示离群点越远

plt.show()

输出：

小提琴图设置

输入：

# 小提琴图设置（三变量：day, total_bill, sex）

# split设置左右区分
sns.violinplot(x="day", y="total_bill", hue="sex", data=tips, split=True)

plt.show()

输出：

小提琴图和分类散点图组合

输入：

# 小提琴图和分类散点图组合

# 基本设置
plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel('total_bill',size=16)
plt.ylabel( 'day',size=16)

# inner设置是否显示中间的盒形和线条
sns.violinplot(x="day", y="total_bill", data=tips, inner=None)
# alpha设置透明度
sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.6)

plt.show()

输出：

平均数条形图(三变量）

输入：

# 平均数条形图(三变量：sex, survived, class)

# sns.barplot()函数实现平均数条形图

# 基本设置
plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel('sex',size=16)
plt.ylabel( 'survived',size=16)

sns.barplot(x="sex", y="survived", hue="class", data=titanic,ci=95)
#黑色线条表示置信度,
# ci 设置黑色线条的大小,范围在[0,100]

plt.show()

输出：

点图（三变量）

输入：

# 点图（三变量：sex, survived, class）

# sns.pointplot()绘制点图

plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel('sex',size=16)
plt.ylabel( 'survived',size=16)

# 反映变化趋势
sns.pointplot(x="sex", y="survived", hue="class", data=titanic,ci=70)
# ci=70 设置执行度

plt.show()

输出：

点图细节设置

输入：

# 点图细节设置

sns.pointplot(x="class", y="survived", hue="sex", data=titanic,
              palette={"male": "g", "female": "m"},
              markers=["^", "o"], linestyles=["-", "--"],
             scale=1.5)   

# palette 通过调色板来设置颜色，
# markers设置点的形状，
# linestyles设置显的风格，
# scale设置线条的粗细

plt.show()

输出：

多层面板分类图

输入：

# 多层面板分类图

# sns.factorplot() 实现多层面板分类图

# x,y,hue设置要画在一个图中的数据集变量名
sns.factorplot(x="class", y="survived", hue="sex", data=titanic, size=6,ci=50)

plt.show()

输出：

输入：

# 通过kind参数指定图的类型

sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips, kind="bar", size=6)

plt.show()

输出：

四个变量下的分类散点图

输入:

# 四个变量下的分类散点图

# kind参数指定图类型
# loc参数接收第四个参数
sns.factorplot(x="day", y="total_bill", hue="smoker",col="time", data=tips, kind="swarm", size=6)

# 共四个变量了
# col和row设置更多的变量名，进行平铺显示（以不同的图进行区分）
plt.show()

输出：

四变量下的盒图

输入：

# 四变量下的盒图

sns.factorplot(x="time", y="total_bill", hue="smoker",
               col="day", data=tips, kind="box", size=6, aspect=1,col_wrap=2)

plt.show()

输出：

多变量分析图其他参数

Parameters：

• x,y,hue 数据集变量 变量名
• date 数据集 数据集名
• row,col 更多分类变量进行平铺显示 变量名
• col_wrap 每行的最高平铺数 整数
• estimator 在每个分类中进行矢量到标量的映射 矢量
• ci 置信区间 浮点数或None
• n_boot 计算置信区间时使用的引导迭代次数 整数
• units 采样单元的标识符，用于执行多级引导和重复测量设计 数据变量或向量数据
• order, hue_order 对应排序列表 字符串列表
• row_order, col_order 对应排序列表 字符串列表
• kind : 可选：point 默认, bar 柱形图, count 频次, box 箱体, violin 提琴, strip 散点，swarm 分散点 size 每个面的高度（英寸） 标量 aspect 纵横比 标量 orient 方向 "v"/"h" color 颜色 matplotlib颜色 palette 调色板 seaborn颜色色板或字典 legend hue的信息面板 True/False legend_out 是否扩展图形，并将信息框绘制在中心右边 True/False share{x,y} 共享轴线 True/False

8.FacetGrid()的使用方法

# 读取数据
import numpy as np
import pandas as pd
import seaborn as sns
from scipy import stats
import matplotlib as mpl
import matplotlib.pyplot as plt

sns.set(style="ticks")
tips = sns.load_dataset("tips")
# tips.head()

FacetGrid()绘制频数直方图

输入：

# FacetGrid()绘制频数直方图

# sns.FacetGrid，以网格图的方式呈现多变量的关系

# 传入的数据集“tips”
# 指定第四个变量“time”
g = sns.FacetGrid(tips, col="time", size=6)  # 创建画板

# 绘制“tips”的频数直方图
g.map(plt.hist, "tip",edgecolor="white")

输出：

FacetGrid()绘制散点图

输入：

# FacetGrid()绘制散点图

# 创建画板及变量
g = sns.FacetGrid(tips, col="sex", hue="smoker",size=6)
g.map(plt.scatter, "total_bill", "tip", alpha=.7)

#添加图例
g.add_legend()
plt.show()

输出：

FacetGrid()绘制回归关系图

输入：

# FacetGrid()绘制回归关系图

# margin_titles是否显示边缘的标题
g = sns.FacetGrid(tips, row="smoker", col="time", margin_titles=True)
#fit_reg是否显示拟合曲线
g.map(sns.regplot, "size", "total_bill", color="g", fit_reg=False, x_jitter=.1) 

plt.show()

输出：

FacetGrid()绘制bar图

输入：

# FacetGrid()绘制bar图

g = sns.FacetGrid(tips, col="day", size=4, aspect=.5)
# aspect设置长宽比

g.map(sns.barplot, "sex", "total_bill")
plt.show()

输出：

FacetGrid()指定画图顺序

输入：

# 指定画图顺序

from pandas import Categorical 

# 获取数据的索引
ordered_days = tips.day.value_counts().index
print (ordered_days)

# Categorical指定顺序,里面传入自定义顺序
ordered_days = Categorical(['Thur', 'Fri', 'Sat', 'Sun']) 

# row_order=ordered_days设置顺序
g = sns.FacetGrid(tips, row="day", row_order=ordered_days,
                  size=1.7, aspect=4,)

g.map(sns.boxplot, "total_bill")
plt.show()

输出：

FacetGrid()绘制散点图

输入：

# FacetGrid()绘制散点图

pal = dict(Lunch="seagreen", Dinner="gray")
g = sns.FacetGrid(tips, hue="time", palette=pal, size=5)

# s设置点的大小，
# edgecolor设置点边缘的颜色
g.map(plt.scatter, "total_bill", "tip", s=50, alpha=.7, linewidth=2, edgecolor="r")
# 添加图例
g.add_legend()

plt.show()

输出：

散点图细节设置：

输入：

# 散点图细节设置1

# palette 设置颜色
# hue_kws指定线型
g = sns.FacetGrid(tips, hue="sex", palette="Set1", size=5, hue_kws={"marker": ["^", "v"]})
g.map(plt.scatter, "total_bill", "tip", s=100, linewidth=.5, edgecolor="white")
g.add_legend()

plt.show()

输出：

输入：

# 散点图细节设置2

# 涉及到了四个变量，
# tips、totall bill、smoker和sex,
# 使用row和col的两个变量进行平铺区分显示
with sns.axes_style("white"):
    g = sns.FacetGrid(tips, row="sex", col="smoker", margin_titles=True, size=5) 

# 设置坐标轴的标题，传入XY轴的标题，字符串形式
g.map(plt.scatter, "total_bill", "tip", color="#334488", edgecolor="white", lw=.5);

# 设置标签
g.set_axis_labels("Total bill (US Dollars)", "Tip") 

# 设置坐标轴刻度
g.set(xticks=[10, 30, 50], yticks=[2, 6, 10])

#设置子图之间的间距
g.fig.subplots_adjust(wspace=.02, hspace=.02)

输出：

PairGrid()绘制多变量间散点图

一般图形

输入:

# PairGrid()画多变量间散点图

# 读取数据
iris = sns.load_dataset("iris")

# 指定画板，传入数据
g = sns.PairGrid(iris)

# map画图
g.map(plt.scatter)

plt.show()

输出：

细节设置

输入：

# PairGrid()细节设置

g = sns.PairGrid(iris)

# 设置对角线上的图的类型
g.map_diag(plt.hist)

# 设置非对角线上图的类型
g.map_offdiag(plt.scatter)

plt.show()

输出：

添加变量

输入：

# 添加变量species

g = sns.PairGrid(iris, hue="species")
g.map_diag(plt.hist)
g.map_offdiag(plt.scatter)
g.add_legend()#添加图例
plt.show()

输出：

设置多指标

输入：

# 设置要画的指标

# 通过vars指定要画的指标
g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species")
g.map(plt.scatter)
g.add_legend()

plt.show()

输出：

颜色控制

输入：

# 颜色控制

# palette 使用调色板来设置颜色
g = sns.PairGrid(tips, hue="size", palette="GnBu_d",size = 4)
g.map(plt.scatter, s=70, edgecolor="white")
g.add_legend()

plt.show()

输出：

9.热度图（heatmap）

一般图形

# 数据读取
import matplotlib.pyplot as plt
import numpy as np;
np.random.seed(0)
import seaborn as sns;
sns.set()

输入：

# 热度图
uniform_data = np.random.rand(3, 3)
# print (uniform_data)
heatmap = sns.heatmap(uniform_data)

# 通过颜色的变化反映数字大小

输出：

细节设置

设置bar两端

输入：

# vmix,vmax设置bar两端

# 设置bar的两端
ax = sns.heatmap(uniform_data, vmin=0.2, vmax=0.5)

# 大于0.5定为淡色，小于0.2就定为黑色

输出：

设置中间数

输入：

# center设置中间数

# center = 0
# 大于0属于一种色系
# 小于0属于另一种色系

normal_data = np.random.randn(3, 3)
# print (normal_data)
ax = sns.heatmap(normal_data, center=0)

输出：

pivot()重塑数据

一般图形

输入：

# pivot()重塑数据

# 数据读取
flights = sns.load_dataset("flights")
# flights.head()

# pivot重塑数据，产生一个“pivot”表格，形成dataframe结果
flights1 = flights.pivot("month", "year", "passengers")
# print (flights1)

plt.figure(figsize=(10,8))
ax = sns.heatmap(flights1)

输出：

添加数值

输入：

# 添加数值

plt.figure(figsize=(10,8))

# annot显示注释，
# fmt设置注释的形式
ax = sns.heatmap(flights1, annot=True,fmt="d") 

# fmt='d': 十进制的整数显示
# fmt='f' : float小数
# fmt='e': 科学计数法

输出：

设置间距

输入：

# 设置间距

plt.figure(figsize=(10,8))

# linewidths设置色块之间的间距
ax = sns.heatmap(flights1, linewidths=1) 

输出：

设置颜色

输入：

# 设置颜色

plt.figure(figsize=(10,8))
ax = sns.heatmap(flights1, cmap="YlGnBu") # cmap设置颜色。

输出：

设置bar的显示与否

输入：

# 设置bar的显示与否

plt.figure(figsize=(8,8))

#cbar设置colorbar是否显示
ax = sns.heatmap(flights1, cbar=False) 

输出：