微信公众号里的小网站怎么做的,高端品牌网站设计公司价格,百度关键词点击器,网站开发意见书0、seaborn简介： 前言：下面的总结只是介绍seaborn有哪些方法和属性，至于具体使用，通过下面给出的名称稍作查找即可。重点应该关注本文介绍的seaborn的使用方法seaborn与机器学习的关系： 知识图谱 0.1、了解即可的知识： seaborn：在matplotlib的基础上画一些更好看的图，在…0、seaborn简介：
前言：下面的总结只是介绍seaborn有哪些方法和属性，至于具体使用，通过下面给出的名称稍作查找即可。重点应该关注本文介绍的seaborn的使用方法seaborn与机器学习的关系： 知识图谱 0.1、了解即可的知识：
seaborn：在matplotlib的基础上画一些更好看的图，在进行探索性数据分析时会常用到，对于seaborn需要做简单了解，掌握对应画法的查询方法。官网：https://seaborn.pydata.org/下载方法：在控制界面输入“pip install seaborn”如果seaborn版本不是最新，可以跟新：“pip install --upgrade seabron”seaborn中也自带一些数据集，通过属性调用就可以查看：“get_dataset_names()”，要调用这些数据集要通过调用方法：load_dataset(“数据集名称”)设置seaborn主题风格的方法：set_style(“风格名称”) # darkgrid、whitegrid、dark、white、ticks在seaborn中可以通过despine()方法去掉不需要的边框，这种操作在matplotlib中是无法实现的。通过其中的offset参数可以设置图形到轴线的距离。set_context()方法可以设置图形当中内容的格式，比如字体大小之类的。在seaborn中绘制子图可以将风格的使用控制在一定的作用范围内f = plt.figure(figsize=(10,4))
# 子图
with sns.axes_style('dark'):f.add_subplot(1,2, 1) # 1行2列排第1个sinplot()离散型颜色调色板： 1、seaborn默认的颜色是六种，如果面对分类问题大于六种时，就可以使用hls颜色空间来划分，例如需要有n种不同颜色时，就可以调用sns.color_palette(‘hls’, n)，调色板在seaborn中就相当于一个参数了。 2、亮度和饱和度：”sns.hls_palette(n,l=‘亮度数值’,‘饱和度数值’)“连续性颜色调色板： 1、颜色有浅到深：“sns.color_palette(‘‘颜色名称’)” 2、颜色有深到浅：“sns.color_palette(’‘颜色名称_r’)” 3、其他方法：“sns.cubehelix_palette(n, start=数值, rot=数值)”，“sns.light_palette(“颜色名称”)” 4、对于颜色问题，大部分时间使用默认的即可0.2、★★★seaborn使用重点
单变量分析（单个特征数据分布情况查看）：直方图，会根据数据自动生成每个柱子（bins）import numpy as np
import pandas as pd
import matplotlib.pyplot as pltimport seaborn as sns
sns.set() # 使用seaborn默认设置x = np.random.normal(size=100) # 随机生成高斯分布的数据
display(x.shape)
sns.displot(x,kde=False) # 直方图,kde为核密度估计，通过bins参数可以设置柱子的个数观测两个变量之间关系最好用的就是散点图：mean = [0, 1]
cov = [[1, 0.5], [0.5, 1]] # 协方差# 创建2维的正态分布
data = np.random.multivariate_normal(mean, cov, 200)
# datadf = pd.DataFrame(data=data, columns=['x','y'])
df# 画双变量图
# sns.jointplot(x='x', y='y', data=df)sns.jointplot(x='x', y='y', data=df)散点图中可能会有点重叠在一起，所以可以通过下面的hex图来看到散点图的同时看到数据密度分布
mean = [0, 1]
cov = [[1, 0.5], [0.5, 1]] # 协方差# # 创建2维的正态分布
data = np.random.multivariate_normal(mean, cov, 1000)
# datadf = pd.DataFrame(data=data, columns=['x','y'])
df
with sns.axes_style('white'):sns.jointplot(x=
