本文共 2173 字，大约阅读时间需要 7 分钟。
Seaborn可视化工具详解：从kdeplot到jointplot的实用指南
一、KDEPlot——核密度估计图
Seaborn的KDEPlot是绘制和分析单变量或双变量核密度估计图的强大工具。以下是其主要参数及使用方法：
1.1 核密度估计图的主要参数
- data：一维数组，用于传递单变量数据。
- data2：与data结构相同，用于双变量分析时的第二个数据源。
- shade：布尔值，决定是否填充核密度曲线下的区域（True表示填充）。
- vertical：布尔值，在单变量分析时决定是否将轴垂直（默认False）。
- kernel：字符串，指定核密度估计的核类型，默认为高斯核（'gau'）。
- legend：布尔值，决定是否显示图例（默认True）。
- cumulative：布尔值，决定是否绘制累计分布（默认False）。
- shade_lowest：布尔值，决定是否为最低密度区域着色（默认True）。
- cbar：布尔值，在双变量分析时决定是否显示颜色条（默认False）。
- color：颜色名称，核密度曲线的填充颜色。
- cmap：颜色映射名称，核密度区域的递进色彩方案。
- n_levels：整数，决定核密度估计的区间数量（默认为B对数区域）。
1.2 KDEPlot的实际使用方法
通过Seaborn的鸢尾花数据集（Iris）进行实践操作：
import seaborn as snsimport matplotlib.pyplot as pltplt.style.use('seaborn')import numpy as np# 加载数据集iris = sns.load_dataset('iris')# 准备数据setosa = iris.loc[iris.species == 'setosa'].reset_index(drop=True)virginica = iris.loc[iris.species == 'virginica'].reset_index(drop=True)# 绘制KDEPlotax = sns.kdeplot(x=setosa.petal_width, y=setosa.petal_length, cmap='Blues', shade=True, shade_lowest=False) 二、RugPlot——原始数据分布图
RugPlot用于直观展示一维数据的分布位置，与KDEPlot不同，它不进行数据拟合，只绘制观测点的位置。
2.1 RugPlot的主要参数
- a：一维数组，传入观测值。
- height：每个观测点对应的小条高度（默认0.05）。
- axis：轴的选择（默认为x轴）。
2.2 RugPlot的实际使用方法
ax = sns.rugplot(iris.petal_length, axis='y')
三、DistPlot——直方图与核密度估计图
DistPlot结合了直方图、KDEPlot和RugPlot功能，适用于对单变量数据进行多维度分析。
3.1 DistPlot的主要参数
- a：一维数组，传入分析的单变量数据。
- bins：直方图的直方数（默认为None，使用Freedman-Diaconis方法计算）。
- hist：布尔值，决定是否绘制直方图（默认True）。
- kde：布尔值，决定是否绘制核密度估计曲线（默认True）。
- rug：布尔值，决定是否绘制RugPlot（默认False）。
- fit：Scipy统计中的分布类型，用于强行拟合分布（默认None）。
- color：颜色名称，用于曲线和直方图的填充。
- norm_hist：布尔值，决定直方图高度表示密度还是频数（默认False）。
3.2 DistPlot的实际使用方法
ax = sns.distplot(iris.petal_length, color='r', rug=True, bins=20)
四、JointPlot——成对变量联合分析图
JointPlot用于展示成对变量的联合分布和相关性分析，支持多种视觉化样式。
4.1 JointPlot的主要参数
- x、y：成对变量的名称或数据数组。
- data：数据框，用于获取变量值（默认为None）。
- kind：决定联合图的样式（如'reg'、'hex'、'kde'等）。
- color：颜色名称，用于图像填充。
- height：图像高度（默认为height）。
- ratio：联合图与边缘图的比例（默认为5）。
- space：联合图与边缘图的空白大小（默认为0）。
- xlim、ylim：设置坐标轴范围。
- joint_kws、marginal_kws：精细控制联合图和边缘图的样式。
4.2 JointPlot的实际使用方法
ax = sns.jointplot(x='sepal_length', y='sepal_width', data=setosa, kind='kde', space=0, color='g')
五、综合实战与建议
通过以上工具，可以根据具体需求构建丰富的可视化图表。例如：
- 在联合图中结合KDEPlot和RugPlot；
- 调整颜色映射和比例；
- 添加注释和图例以增强可读性。
通过合理搭配这些工具，可以更直观地分析数据分布特征和变量关系。
转载地址：http://xvcuz.baihongyu.com/