【数据操作与可视化】Serborn绘图-单变量分布
一、简单入门
Matplotlib虽然已经是比较优秀的绘图库了，但是它有个今人头疼的问题，那就是API使用过于复杂，它里面有上千个函数和参数，属于典型的那种可以用它做任何事，却无从下手。
Seaborn基于 Matplotlib核心库进行了更高级的API封装，可以轻松地画出更漂亮的图形，而Seaborn的漂亮主要体现在配色更加舒服，以及图形元素的样式更加细腻。
使用前安装和导入：
python
# 安装
pip3 install seaborn
# 导入
import seaborn as sns
# 画一张图
import seaborn as sns
import matplotlib.pyplot as plt
sns.lineplot(x=[1,2,3],y=[2,4,6])
plt.show()
二、绘制单变量分布
可以采用最简单的直方图描述单变量的分布情况。 Seaborn中提供了 distplot()函数，它默认绘制的是一个带有核密度估计曲线的直方图。 distplot()函数的语法格式如下。
python
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, color=None)上述函数中常用参数的含义如下：
- (1) a：表示要观察的数据，可以是 Series、一维数组或列表。
- (2) bins：用于控制条形的数量。
- (3) hist：接收布尔类型，表示是否绘制(标注)直方图。
- (4) kde：接收布尔类型，表示是否绘制高斯核密度估计曲线。
- (5) rug：接收布尔类型，表示是否在支持的轴方向上绘制rugplot。
通过 distplot())函数绘制直方图的示例如下。
python
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
sns.set()
np.random.seed(0) # 确定随机数生成器的种子,如果不使用每次生成图形不一样
arr = np.random.randn(100) # 生成随机数组
sns.distplot(arr, bins=10, hist=True, kde=True, rug=True) # 绘制直方图
plt.show()上述示例中，首先导入了用于生成数组的numpy库，然后使用 seaborn调用set()函数获取默认绘图，并且调用 random模块的seed函数确定随机数生成器的种子，保证每次产生的随机数是一样的，接着调用 randn()函数生成包含100个随机数的数组，最后调用 distplot()函数绘制直方图。
运行结果如下图所示。
从上图中看出：
- 直方图共有10个条柱，每个条柱的颜色为蓝色，并且有核密度估计曲线。
- 根据条柱的高度可知，位于-1-1区间的随机数值偏多，小于-2的随机数值偏少。
通常，采用直方图可以比较直观地展现样本数据的分布情况，不过，直方图存在一些问题，它会因为条柱数量的不同导致直方图的效果有很大的差异。为了解决这个问题，可以绘制核密度估计曲线进行展现。
- 核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，可以比较直观地看出数据样本本身的分布特征。
通过 distplot()函数绘制核密度估计曲线的示例如下。
ini
# 创建包含500个位于[0，100]之间整数的随机数组
array_random = np.random.randint(0, 100, 500)
# 绘制核密度估计曲线
sns.distplot(array_random, hist=False, rug=True)
plt.show()上述示例中，首先通过 random.randint()函数返回一个最小值不低于0、最大值低于100的500个随机整数数组然后调用 displot()函数绘制核密度估计曲线。
运行结果如图所示。
从上图中看出，图表中有一条核密度估计曲线，并且在x轴的上方生成了观测数值的小细条。