原文采用了kaggle上iris花的数据，数据来源从上面的网址上找噢
如果没有seaborn库 安装方法如下
http://www.ithao123.cn/content-10393533.html
正式开始了~~~
# 首先载入pandas
import pandas as pd
# 我们将载入seaborn,但是因为载入时会有警告出现，因此先载入warnings，忽略警告
import warnings
warnings.filterwarnings("ignore")
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="white", color_codes=True)
# 载入数据
iris = pd.read_csv("../input/Iris.csv") # 数据现在为 DataFrame格式
# 用head函数看一下数据结构啥样
iris.head()
数据结构就这样：
| Id | SepalLengthCm | SepalWidthCm | PetalLengthCm | PetalWidthCm | Species | |
|---|---|---|---|---|---|---|
| 0 | 1 | 5.1 | 3.5 | 1.4 | 0.2 | Iris-setosa |
| 1 | 2 | 4.9 | 3.0 | 1.4 | 0.2 | Iris-setosa |
| 2 | 3 | 4.7 | 3.2 | 1.3 | 0.2 | Iris-setosa |
| 3 | 4 | 4.6 | 3.1 | 1.5 | 0.2 | Iris-setosa |
| 4 | 5 | 5.0 | 3.6 | 1.4 | 0.2 | Iris-setosa |
# 让我们用counts功能看下一共有多少种花 iris["Species"].value_counts()
结果是：
Iris-setosa 50 Iris-virginica 50 Iris-versicolor 50 Name: Species, dtype: int64
1.
# 使用 .plot 做散点图 iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")#数据为萼片的长和宽 结果如下
2.
# 开始使用seaborn了它能同时显示直方图噢 sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", data=iris, size=5)
3.神奇的还在下面：
# 我们还可以用seaborn's FacetGrid 标记不同的种类噢 sns.FacetGrid(iris, hue="Species", size=5) #hue英文是色彩的意思 .map(plt.scatter, "SepalLengthCm", "SepalWidthCm") #注意这里的plt哦 .add_legend()
4.箱线图！
# Seaborn中的boxplot，可以画箱线图，可以看出不同种类的分布情况 sns.boxplot(x="Species", y="PetalLengthCm", data=iris)
5.
# 利用striplot可以锦上添花，加上散点图 # # 使振动值jitter=True 使各个散点分开，要不然会是一条直线 # # 注意这里将坐标图用ax来保存了哦，这样第二次才会在原来的基础上加点 ax = sns.boxplot(x="Species", y="PetalLengthCm", data=iris) ax = sns.stripplot(x="Species", y="PetalLengthCm", data=iris, jitter=True, edgecolor="gray")
6.小提琴图
# 这图可以变现出密度的分布 sns.violinplot(x="Species", y="PetalLengthCm", data=iris, size=6)
7.kdeplot
# 通过这个曲线图可以看出不同特征值时的分布密度 sns.FacetGrid(iris, hue="Species", size=6) .map(sns.kdeplot, "PetalLengthCm") .add_legend()
8.大招来了
# pairplot显示不同特征之间的关系
sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3)
9.中间对角线的图形也可以用kde显示哦
# 修改参数dige_kind
sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3, diag_kind="kde")
10.现在是pandas表现的时间了
# 用Pandas 快速做出每个特征在不同种类下的箱线图
iris.drop("Id", axis=1).boxplot(by="Species", figsize=(12, 6))
11.调和曲线图 Andrew Curves
首先啥是Andrew curves呢 看维基百科
https://en.wikipedia.org/wiki/Andrews_plot
他是将高维的点 化为二维的曲线，曲线是一条傅里叶函数的样子，参数项为不同的特征值，臆想出来了自变量t,这样每个点都是一条曲线
# 画图的函数在下面，我们会发现相同种类的线总是缠绵在一起，可以和聚类混在一起噢，事实上他们与欧氏距离是有关系的
from pandas.tools.plotting import andrews_curves
andrews_curves(iris.drop("Id", axis=1), "Species")
12.轮廓图
https://en.wikipedia.org/wiki/Parallel_coordinates
# 轮廓图也是看高维数据的一种方法，将不同的特征放在横坐标，然后将各点的特征值放在纵坐标就可以了
from pandas.tools.plotting import parallel_coordinates
parallel_coordinates(iris.drop("Id", axis=1), "Species")
13 radviz
http://www.doc88.com/p-912968623585.html
# 这也是一种将高维点表现在二维平面的方法，具体作图方法应该在上面的网址上应该有
from pandas.tools.plotting import radviz
radviz(iris.drop("Id", axis=1), "Species")
暂时就是这些，希望会对大家有帮助
补充参考：