1.子图绘制

使用matplotlib, seaborn绘制子图时主要注意plt.subplot(a, b, c)这个方法使用，其中

  • a， 代表行数

  • b， 代表列数

  • c， 代表绘制在第几个

    这3个参数经常写作abc这种形式。本文来自于 tutorial-python-subplots。

而 seaborn.countplot()绘制函数可以在 seaborn.countplot学习,其它也类似。

1. 绘制1x1子图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from pathlib import Path
np.set_printoptions(threshold=20)

data_dir = Path(r'data')
df  = pd.read_csv(data_dir/'heart.csv')
print(df.head(), df.shape)

## 1.绘制1x2的子图
fig = plt.figure(figsize=(10, 4))

#subplot 1
plt.subplot(121)#1行2列中第一个子图
plt.title('heart subplot: 121')
sns.countplot(data=df, x='cp')

#子图2
plt.subplot(122)#1行2列中第一个子图
plt.title('heart subplot: 122')
sns.scatterplot(data=df, x='age', y='chol', hue='sex')
plt.show()
=================================================
   age  sex  cp  trestbps  chol  fbs  ...  exang  oldpeak  slope  ca  thal  target
0   63    1   3       145   233    1  ...      0      2.3      0   0     1       1
1   37    1   2       130   250    0  ...      0      3.5      0   0     2       1
2   41    0   1       130   204    0  ...      0      1.4      2   0     2       1
3   56    1   1       120   236    0  ...      0      0.8      2   0     2       1
4   57    0   0       120   354    0  ...      1      0.6      2   0     2       1

[5 rows x 14 columns] (303, 14)

image-20210810232333868

2. 绘制2x1的子图

1
2
3
4
5
6
7
8
9
10
11
12
13
## 2.绘制2x1的子图
fig = plt.figure(figsize=(5, 10), dpi=250)

#subplot 1
plt.subplot(211)#2行1列中第一个子图
plt.title('heart subplot: 211')
sns.countplot(data=df, x='cp')

#子图2
plt.subplot(212)
plt.title('heart subplot: 212')
sns.scatterplot(data=df, x='age', y='chol', hue='sex')
plt.show()

image-20210810232903674

3.绘制2x3子图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
fig = plt.figure(figsize=(14, 12), dpi=250)

plt.subplot(231)
plt.title('heart subplot: 231')
sns.countplot(data=df, x='cp', hue='sex')

plt.subplot(232)
plt.title('heart subplot: 232')
sns.scatterplot(data=df, x='age', y='chol', hue='sex')

plt.subplot(233)
plt.title('heart subplot: 233')
# 折线图 阴影表示y在一个95%的置信范围 实线代表均值
sns.lineplot(data=df, x='age', y='oldpeak') 

plt.subplot(234)
plt.title('heart subplot: 234')
sns.boxplot(data=df[['chol', 'trestbps', 'thalach']]) #箱图

plt.subplot(235)
plt.title('heart subplot: 235')
sns.histplot(df.age) #分布直方图
plt.show()

202203261912695

4. 用for循环绘制子图

1
2
3
4
5
6
7
8
9
10
11
12
heart_categorical = ['sex', 'cp', 'ca', 'thal', 'restecg']
a, b, c = 2, 3, 1

fig = plt.figure(figsize=(14, 10), dpi=250)

for i in heart_categorical:
    plt.subplot(a, b, c)
    plt.title('{}, subplot:{}{}{}'.format(i, a, b, c))
    plt.xlabel(i)
    sns.countplot(df[i])
    c += 1
plt.show()

202203261912696

5.用for循环绘制不同类型子图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
heart_categorical = ['age', 'trestbps', 'thalach', 'oldpeak']
a, b, c = 4, 3, 1

fig = plt.figure(figsize=(14, 22), dpi=250)
for i in heart_categorical:
    plt.subplot(a, b, c)
    plt.title('{} (dist), subplot:{}{}{}'.format(i, a, b, c))
    plt.xlabel(i)
    sns.distplot(df[i])
    c += 1

    plt.subplot(a, b, c)
    plt.title('{} (box), subplot:{}{}{}'.format(i, a, b, c))
    plt.xlabel(i)
    sns.boxplot(x = df[i])
    c += 1

    plt.subplot(a, b, c)
    plt.title('{} (scatter), subplot:{}{}{}'.format(i, a, b, c))
    plt.xlabel(i)
    sns.scatterplot(data=df, x=i, y='chol', hue='sex')
    c += 1
plt.show()

202203261912697

6. 热力图子图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
df2 = df[['sex', 'age', 'trestbps', 'chol', 'thalach', 'oldpeak']]

#相关性女性
df_female = df2[df2['sex']==1]
print(df_female.head())
df_female_corr = df_female.drop(['sex'], axis=1).corr()

df_male = df2[df2['sex']==0]
print(df_male.head())
df_male_corr = df_male.drop(['sex'], axis=1).corr()

fig = plt.figure(figsize=(12, 6), dpi=250)
plt.subplot(121)
plt.title('female.corr, subplot: 121')
sns.heatmap(df_female_corr, annot=True, fmt='.2f', square=True, cmap='rainbow')

plt.subplot(122)
plt.title('male.corr, subplot: 122')
sns.heatmap(df_male_corr, annot=True, fmt='.2f', square=True, cmap='rainbow')
plt.show()
===========================================================
 sex  age  trestbps  chol  thalach  oldpeak
0    1   63       145   233      150      2.3
1    1   37       130   250      187      3.5
3    1   56       120   236      178      0.8
5    1   57       140   192      148      0.4
7    1   44       120   263      173      0.0
    sex  age  trestbps  chol  thalach  oldpeak
2     0   41       130   204      172      1.4
4     0   57       120   354      163      0.6
6     0   56       140   294      153      1.3
11    0   48       130   275      139      0.2
14    0   58       150   283      162      1.0

image-20210811001709097

7. pairplot 成对绘制相关性

1
2
sns.pairplot(data=df[['age', 'chol', 'trestbps']])
plt.show()

image-20210811002818192

可以看看这个对pairplot解释：Python可视化 | Seaborn5分钟入门(七)——pairplot.

  • kind：用于控制非对角线上的图的类型，可选"scatter"与`”reg”
  • diag_kind：控制对角线上的图的类型，可选"hist"与 kde ,其中: 直方图（hist）+内核密度函数（kde）