Python Seaborn 绘制双变量分布图形

1、使用 scatterplot 绘制双变量分布

scatterplot() 函数用于绘制双变量分布图形，通常用于研究两个变量之间的关系。使用scatterplot()函数可以绘制两个变量之间的散点图。常用参数如下，

使用示例：

import seaborn as sns
import matplotlib.pyplot as plt

# 示例数据
import pandas as pd
data = pd.DataFrame({
    "X": [1, 2, 3, 4, 5],
    "Y": [2, 4, 1, 3, 5],
    "Group": ["A", "A", "B", "B", "C"],
    "Size": [10, 20, 30, 40, 50]
})

# 创建散点图
sns.scatterplot(x="X", y="Y", hue="Group", style="Group", size="Size", data=data, palette="Set1", sizes=(100, 200), legend="full")

# 添加标题
plt.title("cjavapy")

# 显示图例
plt.legend(title="Groups")

# 使用 plt.draw() 显示画布
plt.draw()

# 显示图形
plt.show()

2、使用 jointplot 绘制双变量分布

jointplot() 函数用于绘制双变量分布图，通常用于可视化两个变量之间的关系。可以根据自己的数据和需求来调整这些参数，以创建不同类型的双变量分布图。常用参数如下，

使用示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 创建一个示例数据集
data = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 4.6, 5.0],
    'sepal_width': [3.5, 3.0, 3.2, 3.1, 3.6],
    'petal_length': [1.4, 1.4, 1.3, 1.5, 1.4],
    'petal_width': [0.2, 0.2, 0.2, 0.2, 0.2],
    'species': ['C#', 'JAVA', 'Python', 'C#', 'Python']
})


# 使用 jointplot() 绘制双变量分布图
sns.jointplot(
    x="sepal_length",
    y="petal_length",
    data=data,
    kind="scatter",
    color="b",
    height=6,
    ratio=5,
    space=0.2,
    dropna=True,
    xlim=(4, 8),  # 设置 x 轴的限制
    ylim=(1, 7),  # 设置 y 轴的限制
    joint_kws={"s": 50}  # 传递给散点图的额外参数
)

# 显示图形
plt.show()

3、使用 pairplot 绘制双变量分布

当同时查看多个双变量分布时，pairplot()函数非常有用。它会创建一个网格，展示数据集中每对变量的关系。pairplot() 函数用于绘制数据集中多个变量之间的关系图，通常用于研究变量之间的相关性。常用参数如下，

使用示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 导入数据集
iris = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 4.6, 5.0],
    'sepal_width': [3.5, 3.0, 3.2, 3.1, 3.6],
    'petal_length': [1.4, 1.4, 1.3, 1.5, 1.4],
    'petal_width': [0.2, 0.2, 0.2, 0.2, 0.2],
    'species': ['C#', 'JAVA', 'Python', 'C#', 'Python']
})

# 使用 pairplot 创建双变量分布图
sns.pairplot(iris, 
             hue="species",   # 按照鸢尾花的种类分组并着色
             markers=["o", "s", "D"],  # 不同种类的数据点使用不同标记样式
             palette="Set1",  # 使用颜色调色板 "Set1"
             diag_kind="kde",  # 对角线上使用核密度估计图
             height=2.5,       # 每个子图的高度
             aspect=1.2)       # 宽高比

# 添加标题
plt.suptitle("cjavapy", y=1.02)

# 显示图形
plt.show()