Seaborn - 绘制分类数据

在我们之前的章节中，我们学习了散点图、六边形图和kde图，这些图用于分析所研究的连续变量。当所研究的变量是分类变量时，这些图不适用。

当一个或两个研究变量是分类变量时，我们使用stripplot()、swarmplot()等图。Seaborn 提供了这样的接口。

分类散点图

在本节中，我们将学习分类散点图。

stripplot()

当所研究的变量之一是分类变量时，使用stripplot()。它以排序的方式沿着任何一个轴表示数据。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.stripplot(x = "species", y = "petal_length", data = df)
plt.show()

输出

在上图中，我们可以清楚地看到每个物种的petal_length差异。但是，上述散点图的主要问题是散点图上的点重叠了。我们使用“Jitter”参数来处理这种情况。

Jitter 为数据添加一些随机噪声。此参数将调整沿分类轴的位置。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.stripplot(x = "species", y = "petal_length", data = df, jitter = Ture)
plt.show()

输出

现在，可以很容易地看到点的分布。

Swarmplot()

另一个可以作为“Jitter”替代方案的选项是函数swarmplot()。此函数将每个散点图点定位在分类轴上，从而避免点重叠。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.swarmplot(x = "species", y = "petal_length", data = df)
plt.show()

输出