Python可視化24|seaborn繪制多變量分布圖（jointplot|JointGrid）

本文介紹兩個變量之間的分布圖（Draw a plot of two variables with bivariate and univariate graphs.）。

本文内容速看

• seaborn.jointplot繪制兩個變量分布圖

• seaborn.JointGrid繪制兩個變量分布圖（更個性化） 

目錄

1、繪圖資料準備

2、seaborn.jointplot

圖形基本設定

修改中部圖

修改邊際圖

 kind參數設定

給中部散點圖加上核密度圖 

3、seaborn.JointGrid

sns.JointGrid基礎使用 

分别繪制中心及邊際圖

分别個性化繪制邊際圖 

分别繪制x軸方向及y軸方向邊際圖 

1、繪圖資料準備

還是鸢尾花iris資料集：鸢尾花iris資料集介紹

#導入本帖要用到的庫，聲明如下：
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd 
import palettable
from pandas import Series,DataFrame
from sklearn import datasets
import seaborn as sns
import palettable
#導入鸢尾花iris資料集（方法一）
#該方法更有助于了解資料集
iris=datasets.load_iris()
x, y =iris.data,iris.target
y_1 = np.array(['setosa' if i==0 else 'versicolor' if i==1 else 'virginica' for i in y])
pd_iris = pd.DataFrame(np.hstack((x, y_1.reshape(150,1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'])
 
#astype修改pd_iris中資料類型object為float64
pd_iris['sepal length(cm)']=pd_iris['sepal length(cm)'].astype('float64')
pd_iris['sepal width(cm)']=pd_iris['sepal width(cm)'].astype('float64')
pd_iris['petal length(cm)']=pd_iris['petal length(cm)'].astype('float64')
pd_iris['petal width(cm)']=pd_iris['petal width(cm)'].astype('float64')
 
 
#導入鸢尾花iris資料集（方法二）
#該方法有時候會卡巴斯基，是以棄而不用
#import seaborn as sns
#iris_sns = sns.load_dataset("iris")
           

 資料集浏覽下

2、seaborn.jointplot

seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None, marginal_kws=None, annot_kws=None, **kwargs)

同時繪制兩個變量之間的分布圖（Draw a plot of two variables with bivariate and univariate graphs.）

該圖由三部分組成：

• 中間兩變量關系圖
• 上部x軸變量分布邊際圖
• 右側y軸變量分布邊際圖

• 圖形基本設定

sns.set(style="white",font_scale=1.5)#設定主題，文本大小
g = sns.jointplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,#輸入兩個繪圖變量
                 color='#098154',#修改顔色
                 )
g.fig.set_size_inches(10,8)#設定圖尺寸
           

• 修改中部圖

sns.set(style="white",font_scale=1.5)
g = sns.jointplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
                  color='#098154',
                  height=5, #中部圖高度（中部圖為正方形）
                  ratio=2,#中部圖與邊際圖尺寸比
                  marker='^',#修改散點marker
                 )
g.fig.set_size_inches(10,8) 
           

• 修改邊際圖

邊際圖是一個直方圖hist，更多詳細設定可參考：：

sns.set(style="white",font_scale=1.5)

g = sns.jointplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,

color='#098154',

marginal_kws=dict(bins=15, #hist箱子個數

kde=True,#開啟核密度圖

color='#c72e29',#直方圖hist填充色

),

)

g.fig.set_size_inches(10,8)

•  kind參數設定

包含五個選項，即'scatter,reg,resid,kde,hex'，預設為scatter，下面看看各類是什麼樣子。

for i in list('scatter,reg,resid,kde,hex'.split(',')):
    sns.set(style="white",font_scale=1.5)
    g = sns.jointplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,
                      color='#098154',
                      kind=i,#scatter（預設）,可選reg,resid,kde,hex
                     )
    g.fig.set_size_inches(10,8)  
           

• 給中部散點圖加上核密度圖 

sns.set(style="white",font_scale=1.5)#設定主題，文本大小
#sns.set_style("white", {"axes.facecolor": "#d5e4eb"})#自定義背景色
g = sns.jointplot(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,#輸入兩個繪圖變量
                 color='#098154',
                 )
g.fig.set_size_inches(10,8)#設定圖尺寸
g.plot_joint(sns.kdeplot, zorder=0, n_levels=6,color='red')
           

 以上隻是基礎玩法，進階玩法還得seaborn.jointplot的底層seaborn.JointGrid上場

3、seaborn.JointGrid

class seaborn.JointGrid(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, size=None)

seaborn.JointGrid是seaborn.jointplot的底層，個人了解類似于seaborn的底層是matplotlib一般。

• sns.JointGrid基礎使用 

g = sns.JointGrid(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,#一張畫布
                 )
g = g.plot(sns.regplot, sns.distplot,)#畫布上繪制三張圖
g.fig.set_size_inches(10,8)#設定圖尺寸
           

• 分别繪制中心及邊際圖

g = sns.JointGrid(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris,)
g.fig.set_size_inches(10,8)
g = g.plot_joint(sns.scatterplot, color='g',marker='$\clubsuit$',s=340)#中心繪制散點圖
g = g.plot_marginals(sns.distplot, kde=True, color='#c72e29')#邊際繪制hist直方圖
           

• 分别個性化繪制邊際圖  

g = sns.JointGrid(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris, space=0)
g.fig.set_size_inches(10,8)
g = g.plot_joint(sns.scatterplot, color='g',marker='$\clubsuit$',s=340)

#x軸方向邊際圖
g.ax_marg_x.hist(pd_iris['sepal length(cm)'], color='#01a2d9', alpha=1,
                 bins=15,
                 
                )

#y軸方向邊際圖
g.ax_marg_y.hist(pd_iris['sepal width(cm)'], color='#c72e29', alpha=1,
                    orientation="horizontal",
                   bins=15)
plt.show()
           

• 分别繪制x軸方向及y軸方向邊際圖 

#每個邊際圖是一個matplotlib.axes._subplots.AxesSubplot對象，可自由發揮繪制想要的圖
g = sns.JointGrid(x='sepal length(cm)', y='sepal width(cm)', data=pd_iris, space=0)
g.fig.set_size_inches(10,8)
g = g.plot_joint(sns.scatterplot, color='g',marker='$\clubsuit$',s=340)

#x軸方向邊際圖
g.ax_marg_x.hist(pd_iris['sepal length(cm)'], color='#01a2d9', alpha=1,bins=15)

#y軸方向繪制箱圖
g.ax_marg_y.boxplot(pd_iris['sepal width(cm)'],boxprops={'color':'r',})
plt.show()
           

 參考資料：

• http://seaborn.pydata.org/generated/seaborn.jointplot.html#seaborn.jointplot
• http://seaborn.pydata.org/generated/seaborn.JointGrid.html#seaborn.JointGrid