Seaborn的6个简单技巧

作者|Zolzaya Luvsandorj
编译|VK
来源|Towards Datas Science

在这篇文章中，我们将探讨一些简单的方法来定制你的图表，使它们在美学上更好。我希望这些简单的技巧能帮助你得到更好看的图。

基线图

本文中的脚本在Jupyter笔记本中的python3.8.3中进行了测试。

让我们使用Seaborn内置的penguins数据集作为样本数据：

# 导入包
import matplotlib.pyplot as plt
import seaborn as sns

# 导入数据
df = sns.load_dataset('penguins').rename(columns={'sex': 'gender'})
df

我们将使用默认图表设置构建标准散点图，以将其用作基线：

# 图
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')

我们将看到这个图如何随着每一个技巧而改变。

技巧

你将看到，前两个技巧用于单个绘图，而其余四个技巧用于更改所有图表的默认设置。

技巧1：分号

你有没有注意到在上一个图中，文本输出就在图表的正上方？抑制此文本输出的一个简单方法是在绘图末尾使用;。

# 图
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender');

只需在代码末尾添加；就可以得到更清晰的输出。

技巧2：plt.figure()

绘图通常可以从调整大小中获益。如果我们想调整大小，我们可以这样做：

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender');

当我们调整大小时，图例移到了左上角。让我们将图例移到图表之外，这样它就不会意外地覆盖数据点：

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1));

如果你想知道如何知道figsize()或bbox_to_anchor()使用什么数的字组合，则需要尝试哪些数字最适合绘图。

技巧3：sns.set_style()

如果不喜欢默认样式，此函数有助于更改绘图的整体样式。这包括轴的颜色和背景。让我们将样式更改为whitegrid，并查看打印外观如何更改：

# 更改默认样式
sns.set_style('whitegrid')

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.2, 1));

这里还有一些其他的选择可以尝试：“darkgrid”、“dark”和“ticks”来找到你更喜欢的那个。

技巧4：sns.set_context()

在前面的图中，标签尺寸看起来很小。如果不喜欢默认设置，我们使用sns.set_context()可以更改上下文参数。

我使用这个函数主要是为了控制绘图中标签的默认字体大小。通过更改默认值，我们可以节省时间，而不必为单个绘图的不同元素（例如轴标签、标题、图例）调整字体大小。让我们把上下文改成“talk”，再看看图：

# 默认上下文更改
sns.set_context('talk')

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

它更容易辨认，不是吗？另一个可以尝试的选项是：“poster”，这将增加默认大小甚至更多。

技巧5：sns.set_palette()

如果你想将默认调色板自定义为你喜欢的颜色组合，此功能非常方便。我们可以使用Matplotlib中的彩色映射。这里是从颜色库中选择的。让我们将调色板更改为“rainbow”并再次查看该图：

# 更改默认调色板
sns.set_palette('rainbow')

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

如果找不到你喜欢的Matplotlib颜色映射，可以手动选择颜色来创建自己独特的调色板。🎨 创建自己调色板的一种方法是将颜色名称列表传递给函数，如下例所示。这个链接是颜色名称列表：https://matplotlib.org/3.1.0/gallery/color/named_colors.html。

# 更改默认调色板
sns.set_palette(['green', 'purple', 'red'])

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

如果颜色名称不能很好地捕捉到你所追求的，你可以使用十六进制颜色构建自己的调色板来访问更广泛的选项（超过1600万种颜色！）。这里是我最喜欢的资源，可以找到一个十六进制的自定义调色板。我们来看一个例子：

# 更改默认调色板
sns.set_palette(['#62C370', '#FFD166', '#EF476F'])

# 图
plt.figure(figsize=(9, 5))
sns.scatterplot(data=df, x='body_mass_g', y='bill_length_mm', 
                alpha=0.7, hue='species', size='gender')
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1));

技巧6：sns.set()

从前面的三个技巧中，我希望你能找到你最喜欢的组合（在某些情况下，它可能会保留默认设置）。如果我们要更新图表的默认设置，最好是在导入可视化软件包之后再更新。这意味着我们在脚本的开头会有这样一个片段：

# 导入包
import matplotlib.pyplot as plt
import seaborn as sns

# 更改默认值
sns.set_style('whitegrid')
sns.set_context('talk')
sns.set_palette('rainbow')

更新上面的多个默认值可以用sns.set(). 以下是同一代码的简洁版本：

# 导入包
import matplotlib.pyplot as plt
import seaborn as sns

# 更改默认值
sns.set(style='whitegrid', context='talk', palette='rainbow')

这是六个技巧。以下是调整前后的图对比：

我希望你学会了一些简单的方法来调整你的图表，这不用花太多时间。我希望这篇文章能给你一些初步的想法，让你开始个性化你的图表，并使它们更具视觉上的美。如果你感兴趣，以下是我的一些帖子的链接：

• https://towardsdatascience.com/exploratory-text-analysis-in-python-8cf42b758d9e
• https://towardsdatascience.com/5-tips-for-pandas-users-e73681d16d17
• https://towardsdatascience.com/writing-5-common-sql-queries-in-pandas-90b52f17ad76
• https://towardsdatascience.com/writing-5-common-sql-queries-in-pandas-90b52f17ad76
• https://towardsdatascience.com/writing-advanced-sql-queries-in-pandas-1dc494a17afe

原文链接：https://towardsdatascience.com/6-simple-tips-for-prettier-and-customised-plots-in-seaborn-python-22f02ecc2393

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/