seaborn

記事

簡単な使い方

https://gyazo.com/97e07b335bfaa9d92f01a8612496dcdd

relplot / displot / catplot

数値同士の関係見るなら relplot

カテゴリと値なら catplot

分布を見るなら displot

code:facet_hist.py

sns.displot(

kind='hist',

col='variable',

hue='label', # 重ねず行増やすなら row で

x='value',

bins=30,

kde=True,

# log_scale=True,

# facet_kws={'sharey': False, 'sharex': False},

)

これら + heatmap でだいたい済む

relational

sns.lineplot

sns.scatterplot

categorical

ヒストグラム

boxplot の区分多くするやつ

boxplot より複数のピークが見れてよい

四分位 + カーネル密度推定

えーこれ良いと思うんだけどな

他

ヒートマップ、dataframe で値域が一定でないと意味ないかな?

sns.heatmap(df.corr())

散布図 + 各軸にグラフ

普段から relplot これでやってもいいか?

回帰線つける、あんまりつかわないか

regplot をカテゴリ別に重ねる、こっちのほうが使うかな

列の2つのペアごとに可視化する、関係性を見る

FacetGrid

code:facetgrid.py

g = sns.FacetGrid(tips, col="time", row="sex")

g.map(sns.scatterplot, "total_bill", "tip")

軸を共通にしないなら

軸を各 subplot に表示したいが、グラフの範囲(値域)は共通にしたい場合

sns.FacetGrid(..., xlim=(0, 10), ylim=(0, 100))

FacetGrid で heatmap 出す

code:facet_heatmap.py

g = sns.FacetGrid(df, col="category")

def plot_heatmap(data, **kwargs):

pivot = data.pivot(index="x", columns="y", values="value")

sns.heatmap(pivot, **kwargs,)

# map_dataframe は FacetGrid の条件のサブセットの DataFrame ごとに呼ばれる

g.map_dataframe(

plot_heatmap,

annot=True, # 値出す

cbar=False

# 軸は手作りするより min~max を共通にするのが楽

)

グラフ間のスペースちょっとだけ広げる

g.figure.subplots_adjust(wspace=0.3, hspace=0.3)

1 だとこれ

https://gyazo.com/5d96791f4c0a7c35af7647a78c8c2798

凡例をグラフの外に出す

plt.legend(loc="upper left", bbox_to_anchor=(1, 1))

あるいは

code:legend.py

ax = sns.hogeplot(...)

sns.move_levend(ax, "upper left", bbox_to_anchor=(1, 1))

サイズ調整

しぶしぶ matplotlib 使う、調整はしやすい

code:size.py

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 4.5))

sns.scatterplot(...)

ラベルがかぶる

大抵 x 軸ラベル

code:rotate_labels.py

import seaborn as sns

import matplotlib.pyplot as plt

# matplotlib 経由で触る

sns.barplot(x='カテゴリ', y='値', data=df)

plt.xticks(rotation=90)

# グラフ

g = sns.relplot(data=df, x="day", y="total_bill", kind="line")

g.tick_params(axis="x", labelrotation=90) # これがいちばん穏当かな

カラーパレット

連続データ

https://gyazo.com/cbd59645fd60c110e64f5b3eacd9955d

mako

https://gyazo.com/440d0d63ba47c33b37f491cc370d2283

viridis

https://gyazo.com/3e1e72f2572f49860e9dd6778a9bf12f

まあ単に単色のほうがわかりやすいことも

seagreen

https://gyazo.com/70bdd6dcd28f473b798a8375dbd2418d

Blues

https://gyazo.com/5e48a2ebef0ed3729aad4260e60ca62c

相関関係、中央から両端へ

coolwarm

https://gyazo.com/cd59228d98329ba82dd35b4dea607bfb

Spectral

https://gyazo.com/fb27ac2808dd396b9a314331f7fa224a

icefire

https://gyazo.com/fa4f1ab61f8917e4118887ef5fecf31c

多クラスの可視化

palette が足りない時

code:colorcet.py

import colorcet as cc

palette = sns.color_palette(cc.glasbey, n_colors=len(set(labels)))

まあ1つ1つの要素見るというよりクラスタリングの結果可視化するときに...

https://gyazo.com/f1b212abdb2d178f3fd1ab56ff76459d

あるいは color * marker で順繰りに使う

code:markers.py

import math

colors = sns.color_palette("tab10", 10)

# 特定のエラー値だけ上書きして置き換える

sns.scatterplot(

hue=labels,

style=labels,

markers=markers_map,

palette=colors,

)

https://gyazo.com/fbcb0f75785b16c08120b99f56914148

見た目

markers

複数列で hue

まあ結合して列を作って指定

時刻フォーマットがダルくなりがちなのでどうするか調べる

普通に dataframe の plot のほうがましだったりする

histplot

discrete=True

x 軸のラベルが棒グラフなどのまんなかに来る