数据可视化Seaborn从零开始学习教程（一） 风格选择

摘要：简介同一样，也是进行数据可视化分析的重要第三方包。的五种绘图风格有五种的风格，它们分别是。

作者：xiaoyu
微信公众号：Python数据科学
知乎：python数据分析师

最近在做几个项目的数据分析，每次用到seaborn进行可视化绘图的时候总是忘记具体操作。虽然seaborn的官方网站已经详细的介绍了使用方法，但是毕竟是英文，而且查找不是很方便。因此博主想从零开始将seaborn学习一遍，做一个总结，也希望供大家使用参考。

seaborn同matplotlib一样，也是Python进行数据可视化分析的重要第三方包。但seaborn是在 matplotlib的基础上进行了更高级的API封装，使得作图更加容易，图形更加漂亮。

博主并不认为seaborn可以替代matplotlib。虽然seaborn可以满足大部分情况下的数据分析需求，但是针对一些特殊情况，还是需要用到matplotlib的。换句话说，matplotlib更加灵活，可定制化，而seaborn像是更高级的封装，使用方便快捷。

应该把seaborn视为matplotlib的补充，而不是替代物。

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

绘图方法

数据集的分布可视化

分类数据可视化

线性关系可视化

结构网格

数据识别网格绘图

本次将主要介绍风格管理的使用。

除了各种绘图方式外，图形的美观程度可能是我们最关心的了。将它放到第一部分，因为风格设置是一些通用性的操作，对于各种绘图方法都适用。

让我们先看一个例子。

%matplotlib inline
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
np.random.seed(sum(map(ord, "aesthetics")))

我们定义了一个简单的方程来绘制一些偏置的正弦波，用来帮助我们查看不同的图画风格是什么样子的。

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)

matplotlib默认参数下绘制结果是这样的：

sinplot()

转换为seaborn默认绘图，可以简单的用set()方法。

sns.set()
sinplot()

Seaborn 将 matplotlib 的参数划分为两个独立的组合。第一组是设置绘图的外观风格的，第二组主要将绘图的各种元素按比例缩放的，以至可以嵌入到不同的背景环境中。

操控这些参数的接口主要有两对方法：

控制风格：axes_style(), set_style()

缩放绘图：plotting_context(), set_context()

每对方法中的第一个方法（axes_style(), plotting_context()）会返回一组字典参数，而第二个方法（set_style(), set_context()）会设置matplotlib的默认参数。

有五种seaborn的风格，它们分别是：darkgrid, whitegrid, dark, white, ticks。它们各自适合不同的应用和个人喜好。默认的主题是darkgrid。

sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data);

sns.set_style("dark")
sinplot()

sns.set_style("white")
sinplot()

sns.set_style("ticks")
sinplot()

white 和 ticks两个风格都能够移除顶部和右侧的不必要的轴脊柱。通过matplotlib参数是做不到这一点的，但是你可以使用seaborn的despine()方法来移除它们：

sinplot()
sns.despine()

一些绘图也可以针对数据将轴脊柱进行偏置，当然也是通过调用despine()方法来完成。而当刻度没有完全覆盖整个轴的范围时，trim参数可以用来限制已有脊柱的范围。

f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(offset=10, trim=True);

你也可以通过despine()控制哪个脊柱将被移除。

sns.set_style("whitegrid")
sns.boxplot(data=data, palette="deep")
sns.despine(left=True)

虽然来回切换风格很容易，但是你也可以在一个with语句中使用axes_style()方法来临时的设置绘图参数。这也允许你用不同风格的轴来绘图：

with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)

如果你想定制化seaborn风格，你可以将一个字典参数传递给axes_style()和set_style()的参数rc。而且你只能通过这个方法来覆盖风格定义中的部分参数。

如果你想要看看这些参数都是些什么，可以调用这个方法，且无参数，这将会返回下面的设置：

sns.axes_style()
{"axes.axisbelow": True,
 "axes.edgecolor": ".8",
 "axes.facecolor": "white",
 "axes.grid": True,
 "axes.labelcolor": ".15",
 "axes.linewidth": 1.0,
 "figure.facecolor": "white",
 "font.family": [u"sans-serif"],
 "font.sans-serif": [u"Arial",
  u"DejaVu Sans",
  u"Liberation Sans",
  u"Bitstream Vera Sans",
  u"sans-serif"],
 "grid.color": ".8",
 "grid.linestyle": u"-",
 "image.cmap": u"rocket",
 "legend.frameon": False,
 "legend.numpoints": 1,
 "legend.scatterpoints": 1,
 "lines.solid_capstyle": u"round",
 "text.color": ".15",
 "xtick.color": ".15",
 "xtick.direction": u"out",
 "xtick.major.size": 0.0,
 "xtick.minor.size": 0.0,
 "ytick.color": ".15",
 "ytick.direction": u"out",
 "ytick.major.size": 0.0,
 "ytick.minor.size": 0.0}

然后，你可以设置这些参数的不同版本了。

sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()

有一套的参数可以控制绘图元素的比例。
首先，让我们通过set()重置默认的参数：

sns.set()

有四个预置的环境，按大小从小到大排列分别为：paper, notebook, talk, poster。其中，notebook是默认的。

sns.set_context("paper")
sinplot()

sns.set_context("talk")
sinplot()

sns.set_context("poster")
sinplot()

你可以通过使用这些名字中的一个调用set_context()来设置参数，并且你可以通过提供一个字典参数值来覆盖参数。当改变环境时，你也可以独立的去缩放字体元素的大小。

sns.set_context("notebook", font_scale=1.5, rc={"lines.linewidth": 2.5})
sinplot()

同样的，你可以通过嵌入with语句临时的控制绘图的比例。

介绍了Seaborn的5中绘图风格

移除轴脊柱

临时设置绘图风格

覆盖Seaborn风格元素

绘图元素比例缩放

下一节将会介绍颜色风格的使用。

关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。