conda  install seaborn  是安装到jupyter那个环境的

1. 整体风格设置

对图表整体颜色、比例等进行风格设置，包括颜色色板等
调用系统风格进行数据可视化

set() / set_style() / axes_style() / despine() / set_context()

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

% matplotlib inline
#创建正弦函数及图表

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)

sinplot()

1.1 set（）

sns.set() #设置风格之后就会固定住，唯一办法就是刷新重新设置下

sinplot()

plt.grid(linestyle = '--')

1.2 set_style（）

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

ax1 = fig.add_subplot(2,1,1)
sns.set_style("whitegrid")   sns.boxplot(data=data) 箱型图
# 2、set_style()

# 切换seaborn图表风格

# 风格选择包括："white", "dark", "whitegrid", "darkgrid", "ticks"

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

ax1 = fig.add_subplot(2,1,1)
 

sns.set_style("whitegrid")

data = np.random.normal(size=(20, 6)) + np.arange(6) / 2

sns.boxplot(data=data)

plt.title('style - whitegrid')

# 仍然可以使用matplotlib的参数

ax2 = fig.add_subplot(2,1,2)

#sns.set_style("dark")

sinplot()

# 子图显示

1.3 despine（）

sns.despine()会删除上、右坐标轴； sns.despine(offset=10, trim=True) sns.despine(left=True, right = False) #left=True是左边不显示；right=False是显示
fig = plt.figure(figsize=(6,9))  plt.subplots_adjust(hspace=0.3) #创建图表   -->>  ax1 = fig.add_subplot(3,1,1)  
sns.violinplot(data=data) 小提琴状    sns.boxplot(data=data, palette="deep")
# 3、despine()

# 设置图表坐标轴

# seaborn.despine(fig=None, ax=None, top=True, right=True, left=False,

# bottom=False, offset=None, trim=False)

sns.set_style("ticks")

# 设置风格

fig = plt.figure(figsize=(6,9))

plt.subplots_adjust(hspace=0.3)

# 创建图表

ax1 = fig.add_subplot(3,1,1)

sinplot()

sns.despine()

# 删除了上、右坐标轴

ax2 = fig.add_subplot(3,1,2)

sns.violinplot(data=data) #小提琴图

# sns.despine(offset=10, trim=True)  #offset坐标轴会偏移10； trim=False是坐标轴没有限制

# offset：与坐标轴之间的偏移

# trim：为True时，将坐标轴限制在数据最大最小值

ax3 = fig.add_subplot(3,1,3)

sns.boxplot(data=data, palette="deep")

sns.despine(left=True, right = False) #left=True是左边不显示；right=False是显示

# top, right, left, bottom：布尔型，为True时不显示

1.4 axes_style（）

with sns.axes_style("darkgrid"):

    plt.subplot(211)

    sinplot()
# 4、axes_style() 设置局部图表风格，可学习和with配合的用法

with sns.axes_style("darkgrid"):        #只在sns这个图表，这个代码块里边设置风格，外边的风格还是whitegrid

    plt.subplot(211)

    sinplot()

# 设置局部图表风格，用with做代码块区分

sns.set_style("whitegrid")

plt.subplot(212)

sinplot()

# 外部表格风格

1.5 set_context（）

sns.set_context("paper") ; 因为你在不同屏幕中看到的不一样这里就可以设置
# 5、set_context()

# 设置显示比例尺度

# 选择包括：'paper', 'notebook', 'talk', 'poster'

sns.set_context("paper")

sinplot()

# 默认为notebook

2. 调色盘

对图表整体颜色、比例等进行风格设置，包括颜色色板等
 调用系统风格进行数据可视化

color_palette()

2.1 color_palette（）

sns.color_palette()
# 默认6种颜色：deep, muted, pastel, bright, dark, colorblind




# 1、color_palette()

# 默认6种颜色：deep, muted, pastel, bright, dark, colorblind

# seaborn.color_palette(palette=None, n_colors=None, desat=None)

current_palette = sns.color_palette()

sns.palplot(current_palette)








# 一、其他颜色风格

# 风格内容：Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu,

# BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r,

# Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples,

# Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3,

# Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r,

# autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix,

# cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow,

# gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv,

# hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r,

# pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spectral, spectral_r, spring,

# spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r

sns.palplot(sns.color_palette("inferno_r", 8))  #inferno 和 inferno_r 颜色反转了哦

# 这里颜色风格为 hls

# 颜色色块个数为8个

# 风格颜色反转(不是所有颜色都可以反转)：Blues/Blues_r








#分组颜色设置 - “Paired”

sns.palplot(sns.color_palette("Paired", 10)) #color_palette默认颜色






2.2 sns.hls_palette（l=  ,s= ） 亮度、饱和度


sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度；s--> 饱和度




# 2、设置亮度，饱和度  可用方法：

# ① husl_palette([n_colors, h, s, l])

# ② hls_palette([n_colors, h, l, s])

sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度；s--> 饱和度






2.3 cubehelix_palette（）按线性增长计算，设置颜色


sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))




# 3、cubehelix_palette()

# 按照线性增长计算，设置颜色

sns.palplot(sns.cubehelix_palette(8, gamma=2)) #gamma值越大越暗

sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75)) #8个色带，从1.2颜色开始算，rot是旋转角度；start、rot起始终止颜色

sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))

# n_colors → 颜色个数

# start → 值区间在0-3，开始颜色

# rot → 颜色旋转角度

# gamma → 颜色伽马值，越大颜色越暗

# dark，light → 值区间0-1，颜色深浅

# reverse → 布尔值，默认为False，由浅到深






2.4 dark_palette（） light_palette（）颜色深浅


sns.palplot(sns.light_palette("green"))


sns.palplot(sns.dark_palette("red", reverse=True)) 




 #4、dark_palette(color[, n_colors, reverse, ...]) / light_palette(color[, n_colors, reverse, ...])

# 颜色深浅

sns.palplot(sns.light_palette("green"))   # 按照green做浅色调色盘

#sns.palplot(sns.color_palette("Greens"))  # cmap为Greens风格

sns.palplot(sns.dark_palette("red", reverse=True))   # 按照blue做深色调色盘

# reverse → 转制颜色






2.5 diverging_palette（）创建分散颜色


sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) 起始值、终止值、s为饱和度、l为亮度、n为个数


cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘

sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了




# 5、diverging_palette() 创建分散颜色

# seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6,

# center='light', as_cmap=False)¶

sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) #第一个起始值和末尾颜色值，s和l是饱和度、亮度，n个数

# h_neg, h_pos → 起始/终止颜色值

# s → 值区间0-100，饱和度

# l → 值区间0-100，亮度

# n → 颜色个数

# center → 中心颜色为浅色还是深色“light”，“dark”,默认为light








# 5、diverging_palette() 创建分散颜色

plt.figure(figsize = (8,6))

x = np.arange(25).reshape(5, 5) #二维的组

cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘

sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了








# 设置调色板后，绘图创建图表 

sns.set_style("whitegrid")

# 设置风格

with sns.color_palette("PuBuGn_d"): #设置调色盘

    plt.subplot(211)

    sinplot()

sns.set_palette("husl") #或者这样

plt.subplot(212)

sinplot()

# 绘制系列颜色






3. 分布数据可视化 - 直方图与密度图


distplot() / kdeplot() / rugplot()


3.1直方图distplot( )


sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False,

            rug = True,vertical = False,

            color = 'y',label = 'distplot',axlabel = 'x')


颜色设置：sns.distplot(s,rug = True,

            rug_kws = {'color':'g'} ,

            kde_kws={"color": "k", "lw": 1, "label": "KDE",'linestyle':'--'},

            hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"})  




import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

% matplotlib inline

sns.set_style("darkgrid")

sns.set_context("paper")

# 设置风格、尺度

import warnings

warnings.filterwarnings('ignore')

# 不发出警告






rs = np.random.RandomState(10)  # 设定随机数种子

s = pd.Series(rs.randn(100) * 100)

sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False,

            rug = True,vertical = False,

            color = 'y',label = 'distplot',axlabel = 'x')

plt.legend()

# bins → 箱数

# hist、ked → 是否显示箱数/显示密度曲线

# norm_hist → 直方图是否按照密度来显示

# rug → 是否显示数据分布情况

# vertical → 是否水平显示

# color → 设置颜色

# label → 图例

# axlabel → x轴标注








# 1、直方图 - distplot()

# 颜色详细设置

sns.distplot(s,rug = True,

            rug_kws = {'color':'g'} ,

            # 设置数据频率分布颜色

            kde_kws={"color": "k", "lw": 1, "label": "KDE",'linestyle':'--'},

            # 设置密度曲线颜色，线宽，标注、线形

            hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"})

            # 设置箱子的风格、线宽、透明度、颜色

            # 风格包括：'bar', 'barstacked', 'step', 'stepfilled'






3.2密度图sns.kdeplot( )  sns.rugplot( )


单个样本：sns.kdeplot(s,

           shade = False,  # 是否填充

           color = 'r',   # 设置颜色

           vertical = False  # 设置是否水平

           )

sns.kdeplot(s,bw=5, label="bw: 0.2",

            linestyle = '-',linewidth = 1.2,alpha = 0.5)


sns.rugplot(s,height = 0.1,color = 'k',alpha = 0.5)数据频率分布
多个样本：
sns.kdeplot(df['A'],df['B'],cbar = True,  shade = True,  cmap = 'Reds', shade_lowest=False,n_levels = 10 )两个维度数据生成曲线密度图，以颜色作为密度衰减


plt.grid(linestyle = '--')

plt.scatter(df['A'], df['B'], s=5, alpha = 0.5, color = 'k') #散点

sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5)

sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5)




# 2、密度图 - kdeplot()

# 单个样本数据密度分布图

sns.kdeplot(s,

           shade = False,  # 是否填充

           color = 'r',   # 设置颜色

           vertical = False  # 设置是否水平

           )

sns.kdeplot(s,bw=5, label="bw: 0.2",

            linestyle = '-',linewidth = 1.2,alpha = 0.5)

sns.kdeplot(s,bw=20, label="bw: 2",

            linestyle = '-',linewidth = 1.2,alpha = 0.5)

# bw → 控制拟合的程度，类似直方图的箱数，设置的数量越大越平滑，越小越容易过度拟合

sns.rugplot(s,height = 0.1,color = 'k',alpha = 0.5)

# 数据频率分布图








# 2、密度图 - kdeplot()

# 两个样本数据密度分布图

rs = np.random.RandomState(2)  # 设定随机数种子

df = pd.DataFrame(rs.randn(100,2),

                 columns = ['A','B'])

sns.kdeplot(df['A'],df['B'], #两个样本的数据密度图

           cbar = True,    # 是否显示颜色图例

           shade = True,   # 是否填充

           cmap = 'Reds',  # 设置调色盘

           shade_lowest=False,  # 最外围颜色是否显示

           n_levels = 10   # 曲线个数（如果非常多，则会越平滑）

           )

# 两个维度数据生成曲线密度图，以颜色作为密度衰减显示

plt.grid(linestyle = '--')

plt.scatter(df['A'], df['B'], s=5, alpha = 0.5, color = 'k') #散点

sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5)

sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5)

# 注意设置x，y轴








# 2、密度图 - kdeplot()

# 两个样本数据密度分布图

# 多个密度图

rs1 = np.random.RandomState(2)

rs2 = np.random.RandomState(5)

df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = ['A','B'])

df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = ['A','B'])

# 创建数据

sns.kdeplot(df1['A'],df1['B'],cmap = 'Greens',

            shade = True,shade_lowest=False)

sns.kdeplot(df2['A'],df2['B'],cmap = 'Blues',

            shade = True,shade_lowest=False)

# 创建图表






4. 分布数据可视化 - 散点图


分布数据可视化 - 散点图


jointplot( ) / pairplot( )


综合和矩阵散点图 


散点图+分布图（直方）sns.jointplot(x=df['A'], y=df['B'], data=df,color = 'k',s = 50, edgecolor="w",linewidth=1,kind = 'scatter',space = 0.2, size = 5,

              ratio = 4, marginal_kws=dict(bins=15, rug=True))  


散点图+分布图（直方），点为六边形 sns.jointplot(x=df['A'], y=df['B'],data = df, kind="hex", color="k",

                 　　　　　　　　marginal_kws=dict(bins=20))


散点图+分布图（密度）g = sns.jointplot(x=df['A'], y=df['B'],data = df,

                  kind="kde", color="k",

                  shade_lowest=False)

g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+") 在密度图上添加散点图


综合散点图（可拆分）　plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()
g = sns.JointGrid(x="total_bill", y="tip", data=tips)

g.plot_joint(plt.scatter, color ='m', edgecolor = 'white')  # 设置框内图表，scatter，首先设置个内部的点图

g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,bins=np.arange(0, 60, 3))# 设置x轴直方图，注意bins是数组

g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6,orientation="horizontal",bins=np.arange(0, 12, 1))   


# plot_joint() + plot_marginals()

g = sns.JointGrid(x="total_bill", y="tip", data=tips)

g = g.plot_joint(sns.kdeplot,cmap = 'Reds_r') g.plot_marginals(sns.distplot, kde=True,color="g") 
g.plot_marginals(sns.kdeplot, shade = True, color="r") 


 


3.1综合散点图




import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

% matplotlib inline

sns.set_style("whitegrid")

sns.set_context("paper")

# 设置风格、尺度

import warnings

warnings.filterwarnings('ignore')

# 不发出警告






# 1、综合散点图 - jointplot()

# 散点图 + 分布图

rs = np.random.RandomState(2)

df = pd.DataFrame(rs.randn(200,2),columns = ['A','B'])

# 创建数据

sns.jointplot(x=df['A'], y=df['B'],  # 设置xy轴，显示columns名称

              data=df,   # 设置数据

              color = 'k',   # 设置颜色

              s = 50, edgecolor="w",linewidth=1,  # 设置散点大小、边缘线颜色及宽度(只针对scatter）

              kind = 'scatter',   # 设置类型：“scatter”、“reg”、“resid”、“kde”、“hex”

              space = 0.2,  # 设置散点图和布局图的间距

              size = 5,   # 图表大小（自动调整为正方形）

              ratio = 4,  # 散点图与布局图高度比，整型

              marginal_kws=dict(bins=15, rug=True)  # 设置柱状图箱数，是否设置rug

              )  








# 1、综合散点图 - jointplot()

# 散点图 + 分布图

# 六边形图

df = pd.DataFrame(rs.randn(500,2),columns = ['A','B'])

# 创建数据

with sns.axes_style("white"):

    sns.jointplot(x=df['A'], y=df['B'],data = df, kind="hex", color="k",

                 marginal_kws=dict(bins=20))








# 1、综合散点图 - jointplot()

# 散点图 + 分布图

# 密度图

rs = np.random.RandomState(15)

df = pd.DataFrame(rs.randn(300,2),columns = ['A','B'])

# 创建数据

g = sns.jointplot(x=df['A'], y=df['B'],data = df,

                  kind="kde", color="k",

                  shade_lowest=False) #是否对外围做面积的覆盖

# 创建密度图

g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+")

# 添加散点图








# 1、综合散点图 - JointGrid()

# 可拆分绘制的散点图

# plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()

sns.set_style("white")

# 设置风格

tips = sns.load_dataset("tips")

print(tips.head())

# 导入数据

g = sns.JointGrid(x="total_bill", y="tip", data=tips)

# 创建一个绘图表格区域，设置好x、y对应数据

g.plot_joint(plt.scatter, color ='m', edgecolor = 'white')  # 设置框内图表，scatter，首先设置个内部的点图

g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,

                 bins=np.arange(0, 60, 3))            # 设置x轴直方图，注意bins是数组

g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6,

                 orientation="horizontal",

                 bins=np.arange(0, 12, 1))            # 设置x轴直方图，注意需要orientation参数

from scipy import stats

g.annotate(stats.pearsonr)

# 设置标注，可以为pearsonr，spearmanr

plt.grid(linestyle = '--')










# 1、综合散点图 - JointGrid()

# 可拆分绘制的散点图

# plot_joint() + plot_marginals()

g = sns.JointGrid(x="total_bill", y="tip", data=tips)

# 创建一个绘图表格区域，设置好x、y对应数据

g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white")   # 绘制散点图

plt.grid(linestyle = '--')

g.plot_marginals(sns.distplot, kde=True, color="g")                # 绘制x，y轴直方图








# 1、综合散点图 - JointGrid()

# 可拆分绘制的散点图

# plot_joint() + plot_marginals()

# kde - 密度图

g = sns.JointGrid(x="total_bill", y="tip", data=tips)

# 创建一个绘图表格区域，设置好x、y对应数据

g = g.plot_joint(sns.kdeplot,cmap = 'Reds_r')             # 绘制密度图

plt.grid(linestyle = '--')

g.plot_marginals(sns.kdeplot, shade = True, color="r")  # 绘制x，y轴密度图






3.2矩阵散点图




# 2、矩阵散点图 - pairplot()

sns.set_style("white")

# 设置风格

iris = sns.load_dataset("iris")

print(iris.head())

# 读取数据

sns.pairplot(iris,

            kind = 'scatter',  # 散点图/回归分布图 {‘scatter’, ‘reg’}

            diag_kind="hist",  # 直方图/密度图 {‘hist’, ‘kde’}

            hue="species",   # 按照某一字段进行分类

            palette="husl",  # 设置调色板

            markers=["o", "s", "D"],  # 设置不同系列的点样式（这里根据参考分类个数）

            size = 1,   # 图表大小

            )










# 2、矩阵散点图 - pairplot()

# 只提取局部变量进行对比

sns.pairplot(iris,vars=["sepal_width", "sepal_length"],

             kind = 'reg', diag_kind="kde",

             hue="species", palette="husl")








# 2、矩阵散点图 - pairplot()

# 其他参数设置

sns.pairplot(iris, diag_kind="kde", markers="+",

             plot_kws=dict(s=50, edgecolor="b", linewidth=1),

             # 设置点样式

             diag_kws=dict(shade=True)

             # 设置密度图样式

            )








# 2、矩阵散点图 - PairGrid()

# 可拆分绘制的散点图

# map_diag() + map_offdiag()

g = sns.PairGrid(iris,hue="species",palette = 'hls',

                vars = ['sepal_length','sepal_width','petal_length','petal_width'],  # 可筛选

                )

# 创建一个绘图表格区域，设置好x、y对应数据，按照species分类

g.map_diag(plt.hist,

           histtype = 'barstacked',   # 可选：'bar', 'barstacked', 'step', 'stepfilled'

           linewidth = 1, edgecolor = 'w')

# 对角线图表，plt.hist/sns.kdeplot

g.map_offdiag(plt.scatter,

              edgecolor="w", s=40,linewidth = 1,   # 设置点颜色、大小、描边宽度

             )

# 其他图表，plt.scatter/plt.bar...

g.add_legend()

# 添加图例








# 2、矩阵散点图 - PairGrid()

# 可拆分绘制的散点图

# map_diag() + map_lower() + map_upper()

g = sns.PairGrid(iris)

g.map_diag(sns.kdeplot, lw=3)   # 设置对角线图表

g.map_upper(plt.scatter, color = 'r')     # 设置对角线上端图表

g.map_lower(sns.kdeplot, cmap="Blues_d")      # 设置对角线下端图表




												


											
Python图表数据可视化Seaborn：1. 风格| 分布数据可视化-直方图| 密度图| 散点图的更多相关文章
	

    
								
  1. seaborn分布数据可视化：直方图|密度图|散点图
		
    系统自带的数据表格(存放在github上https://github.com/mwaskom/seaborn-data),使用时通过sns.load_dataset('表名称')即可,结果为一个Dat ...
    
		
    2. 
						
  2. Python图表数据可视化Seaborn：3. 线性关系数据| 时间线图表| 热图
		
    1. 线性关系数据可视化 lmplot( ) import numpy as np import pandas as pd import matplotlib.pyplot as plt import ...
    
		
    3. 
						
  3. Python图表数据可视化Seaborn：2. 分类数据可视化-分类散点图|分布图（箱型图|小提琴图|LV图表）|统计图（柱状图|折线图）
		
    1. 分类数据可视化 - 分类散点图 stripplot( ) / swarmplot( ) sns.stripplot(x="day",y="total_bill&qu ...
    
		
    4. 
						
  4. 全国气象数据/降雨量分布数据/太阳辐射数据/NPP净初级生产力数据/植被覆盖度数据
		
    ​        气象数据一直是一个价值较高的数据,它被广泛用于各个领域的研究当中.气象数据包括有气温.气压.相对湿度.降水.蒸发.风向风速.日照等多种指标,但是包含了这些全部指标的气象数据却较难获取 ...
    
		
    5. 
						
  5. seaborn 数据可视化(一）连续型变量可视化
		
    一.综述 Seaborn其实是在matplotlib的基础上进行了更高级的API封装,从而使得作图更加容易,图像也更加美观,本文基于seaborn官方API还有自己的一些理解.   1.1.样式控制: ...
    
		
    6. 
						
  6. python学习笔记(2)：科学计算及数据可视化入门
		
    一.NumPy 1.NumPy:Numberical Python 2.高性能科学计算和数据分析的基础包 3.ndarray,多维数组(矩阵),具有矢量运算的能力,快速.节省空间 (1)ndarray ...
    
		
    7. 
						
  7. seaborn教程4——分类数据可视化
		
    https://segmentfault.com/a/1190000015310299 Seaborn学习大纲 seaborn的学习内容主要包含以下几个部分: 风格管理 绘图风格设置 颜色风格设置 绘 ...
    
		
    8. 
						
  8. 用Python的Plotly画出炫酷的数据可视化(含各类图介绍，附代码)
		
    前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: 我被狗咬了 在谈及数据可视化的时候,我们通常都会使用到matplo ...
    
		
    9. 
						
  9. 数据可视化 seaborn绘图(1)
		
    seaborn是基于matplotlib的数据可视化库.提供更高层的抽象接口.绘图效果也更好. 用seaborn探索数据分布 绘制单变量分布 绘制二变量分布 成对的数据关系可视化 绘制单变量分布 se ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. [PHP]flock文件IO锁的使用
			
    一.flock概述 bool flock  ( resource $handle  , int $operation  [, int &$wouldblock  ] ) 参数 handle 文 ...
    
			
    2. 
						
  2. iOS10  远程通知需要有entitlements的支持
			
    今天测试远程通知,发现ios9上可以收到,但是ios10上无法收到,原来是忘记开下面这个选项了: 这样看来iOS9 对这个entitlement没有什么依赖,但是10却是必须打开的!
    
			
    3. 
						
  3. 洛谷P3345 [ZJOI2015]幻想乡战略游戏 [动态点分治]
			
    传送门 调了两个小时,终于过了-- 凭啥人家代码80行我180行啊!!! 谁叫你大括号换行 谁叫你写缺省源 思路 显然,补给点所在的位置就是这棵树的带权重心. 考虑size已知时如何找重心:一开始设答 ...
    
			
    4. 
						
  4. Url解码和编码      escape()、encodeURI()、encodeURIComponent()区别详解
			
    Server.UrlDecode;解码 Server.UrlEncode;编码 url编码是一种浏览器用来打包表单输入的格式.浏览器从表单中获取所有的name和其中的值 ,将它们以name/value ...
    
			
    5. 
						
  5. SVG前戏—让你的View多姿多彩
			
    什么是SVG SVG的全称是Scalable Vector Graphics,叫可缩放矢量图形.是一种基于可扩展标记语言(XML).它和位图(Bitmap)相对,SVG不会像位图一样因为缩放而让图片质 ...
    
			
    6. 
						
  6. Swift 学习- 08 -- 闭包
			
    // 闭包是自包含的函数代码块, 可以在代码中被传递和使用, swift 中的闭包 与 C语言 和 OC 中的代码块 (blocks) 以及其他一些编程语言中的匿名函数比较类似 // 闭包可以捕获和存 ...
    
			
    7. 
						
  7. 3、SourceTree通过PUTTY连接GitLab
			
    一.生成公钥和私钥 使用命令行生成(两种生成方式选择一种即可) 1.安装SourceTree打开SourceTree,点击“命令行模式”. 2.输入如下命令生成key“example@example. ...
    
			
    8. 
						
  8. mysql 各种关系代数的使用
			
    连接(JOIN) 选择运算表示为: R⋈S ,其中R和S为不同的两个关系 连接运算是选取两个指定关系中的属性满足给定条件的元祖连接在一起来组成一个新的关系 数学形式: JOIN 关系名1 AND 关系 ...
    
			
    9. 
						
  9. Metasploit 使用后门和Rootkit维持访问
			
    1.内存攻击指的是攻击者利用软件的漏洞,构造恶意的输入导致软件在处理输入数据时出现非预期的错误,将输入数据写入内存中的某些敏感位置,从而劫持软件控制流,转而执行外部的指令代码,造成目标系统获取远程控制 ...
    
			
    10. 
						
  10. poj3662 二分+最短路
			
    /* 给定一张无向图,要求找到1-n的路径,该路径上第k+1大的边是所有路径上最小的 如果没有1-n的路,那么输出-1 二分答案mid,遍历一次所有边,如果边权小于mid,则设为0,大于mid,则设为 ...
    
			
    11.