http://www.financecomputing.net/wordpress/?p=1047
Seaborn
Matplotlib是Python主要的绘图库。但是，我不建议你直接使用它，原因与开始不推荐你使用NumPy是一样的。虽然Matplotlib很强大，它本身就很复杂，你的图经过大量的调整才能变精致。因此，作为替代，我推荐你一开始使用Seaborn。Seaborn本质上使用Matplotlib作为核心库（就像Pandas对NumPy一样）。我将简短地描述下seaborn的优点。具体来说，它可以：
- 默认情况下就能创建赏心悦目的图表。（只有一点，默认不是jet colormap）
- 创建具有统计意义的图
- 能理解pandas的DataFrame类型，所以它们一起可以很好地工作。
虽然anaconda预装了pandas，却没安装seaborn。可以通过conda install seaborn轻松地安装。
具有统计意义的图
In [5]:
|
1
|
%
matplotlib
inline
# IPython magic to create plots within cells
|
In [7]:
|
1
2
3
4
5
6
|
import
seaborn
as
sns
# Load one of the data sets that come with seaborn
tips
=
sns
.
load_dataset
(
"tips"
)
sns
.
jointplot
(
"total_bill"
,
"tip"
,
tips
,
kind
=
'reg'
)
;
|
如你所见，仅通过一行代码，我们就创建了一个漂亮复杂的统计图，其中包含拥有置信区间的最拟合回归直线、边界图，以及相关系数。使用matplotlib重新绘制这幅图的话需要相当多的（丑陋）代码，包括调用scipy执行线性回归并手动利用线性回归方程绘制直线（我甚至想不出怎么在边界绘图，怎么计算置信区间）。上面和下面的例子都摘自教程“
the tutorial on quantitative linear models”。
与Pandas的DataFrame很好地工作
数据有自己的结构。通常我们感兴趣的包含不同的组或类（这种情况下使用pandas中groupby的功能会让人感到很神奇）。比如tips（小费）的数据集是这样的：
In [9]:
|
1
|
tips
.
head
(
)
|
Out[9]:
| total_bill | tip | sex | smoker | day | time | size | |
|---|---|---|---|---|---|---|---|
| 0 | 16.99 | 1.01 | Female | No | Sun | Dinner | 2 |
| 1 | 10.34 | 1.66 | Male | No | Sun | Dinner | 3 |
| 2 | 21.01 | 3.50 | Male | No | Sun | Dinner | 3 |
| 3 | 23.68 | 3.31 | Male | No | Sun | Dinner | 2 |
| 4 | 24.59 | 3.61 | Female | No | Sun | Dinner | 4 |
我们可能想知道吸烟者给的小费是否与不吸烟的人不同。没有seaborn的话，这需要使用pandas的groupby功能，并通过复杂的代码绘制线性回归直线。使用seaborn的话，我们可以给col参数提供列名，按我们的需要划分数据：
In [11]:
|
1
|
sns
.
lmplot
(
"total_bill"
,
"tip"
,
tips
,
col
=
"smoker"
)
;
|
很整洁吧？
随着你研究得越深，你可能想更细粒度地控制这些图表的细节。因为seaborn只是调用了matplotlib，那时你可能会想学习这个库。然而，对绝大部分工作来说我还是喜欢使用seaborn
最后
以上就是默默芹菜最近收集整理的关于一个matplotlib 画K线图 +一个高效的画图工具Serborn的全部内容，更多相关一个matplotlib内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复