Seaborn Facet Grid

探索中维数据的一个有用的方法是在你的数据集的不同子集上绘制同一个图形的多个实例。

这种技术通常被称为 “格子 “或 “花架 “图，它与 “小倍数 “的概念有关。

要使用这些功能，你的数据必须是在Pandas数据框架中。

绘制数据子集的小倍数图

在上一章中，我们已经看到了FacetGrid的例子，FacetGrid类有助于在你的数据集的子集中使用多个面板分别可视化一个变量的分布以及多个变量之间的关系。

FacetGrid最多可以用三个维度来绘制–行、色和色调。前两个维度与所产生的坐标轴阵列有明显的对应关系；把色调变量看作是沿着深度轴的第三个维度，不同的层次用不同的颜色来绘制。

FacetGrid 对象接受一个数据框架作为输入，并接受将形成网格的行、列或色调维度的变量名称。

变量应该是分类的，变量的每一级的数据将被用于沿该轴的一个面。

例子

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
g = sb.FacetGrid(df, col = "time")
plt.show()

输出

在上面的例子中，我们只是初始化了 facetgrid 对象，并没有在其上绘制任何东西。

在这个网格上实现数据可视化的主要方法是使用 FacetGrid.map() 方法。让我们用直方图来看看每个子集中的提示分布。

例子

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
g = sb.FacetGrid(df, col = "time")
g.map(plt.hist, "tip")
plt.show()

输出

由于col参数的存在，图的数量多于1。我们在以前的章节中讨论过col参数。

要制作一个关系图，需要传递多个变量名。

例子

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
g = sb.FacetGrid(df, col = "sex", hue = "smoker")
g.map(plt.scatter, "total_bill", "tip")
plt.show()

输出