2.1.7.2.Distribution Plots

0. Distribution Plots的繪圖種類

• sns.distplot (kde, bin)

• sns.jointplot

• sns.pairplot

• sns.rugplot

1. 使用library

import seaborn as sns

• 將圖表直接嵌入到Notebook之中

%matplotlib inline

• 讀入資料

tips = sns.load_dataset('tips')
tips.head()

2.Distribution plot

• 等義於使用pandas內建的plot.hist或是plot(kind = 'hist')

    tips['total_bill'].hist(bins = 30)
    tips['total_bill'].plot(kind='hist', bins = 30)
    tips['total_bill'].plot.hist(bins = 30)

• kde (Kernel distribution estimation)預設為true

  • 也可以設為False

    sns.distplot(tips['total_bill'], kde=False)
    sns.distplot(tips['total_bill'])

    

• bin

sns.distplot(tips['total_bill'], kde=False, bins=30)

3. Joint plot

• 比較資料來源中的兩個屬性之間的相關性或非相關性

  • 繪圖前可以先設定背景的方格線

    sns.set_style('whitegrid')

  • 例如比較資料中帳單金額與小費間的關聯性

    sns.jointplot(x='total_bill',y='tip',data=tips)

    

  • 用顏色深淺來代表相關性 (顏色越深, 相關性越高)

    sns.jointplot(x='total_bill',y='tip',data=tips,kind='hex')

    

  • 線性回歸圖

    sns.jointplot(x='total_bill',y='tip',data=tips,kind='reg')

    

  • kde (Kernel distribution estimation)

    sns.jointplot(x='total_bill',y='tip',data=tips,kind='kde')

    

4.Pair plot

• 可以將資料來源中的數值欄位一一比較, 畫出關聯圖

  • 輸入資料來源

    sns.pairplot(tips)

    

  • 加入類別欄位的比較

    • 例如比較性別在資料上的差異

    sns.pairplot(tips,hue='sex')

    

  • 調整色系

    sns.pairplot(tips,hue='sex',palette='coolwarm')

    

5.Rug plot

• 以stick的方式表現資料

sns.rugplot(tips['total_bill'])