Seaborn.lineplot() 方法

Seaborn.lineplot() 方法有助於繪製線形圖，並可能包含多個語義分組。也就是說，變數可以分組，並可以繪製這些變數的圖形表示。

Seaborn 線形圖是一種資料視覺化工具，它描繪了一組連續和分類資料點之間的關係。這些點根據語義值進行分類。例如，考慮兩個點 x 和 y，它們的關係可以使用此方法的各種引數以視覺方式表示：例如色調、大小和樣式。

但是，這種型別的圖表難以解釋，並且通常效率低下。在這種情況下，使用冗餘語義很有幫助。

語法

以下是seaborn.lineplot() 方法的語法：

seaborn.lineplot(*, x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, seed=None, sort=True, err_style='band', err_kws=None, legend='auto', ax=None, **kwargs)

引數

下面顯示了 seaborn.lineplot() 方法的一些引數。

序號	引數和描述
1	x,y 分別表示在 x 軸和 y 軸上的變數。
2	Hue 這將生成具有不同顏色的元素。它是一個分組變數。
3	Size 這將生成不同大小的元素。它也是一個分組變數。
4	Style 這將生成具有不同樣式的元素。
5	Data 此引數接受輸入資料結構。即對映或序列。
7	Hue_order 此引數接受輸入，將生成具有不同顏色的線條。
8	Kind 對應於要繪製的圖形型別。可以是線形圖或散點圖。散點圖是預設設定。
9	Palette 此引數用於設定對映的顏色色調。可以是明亮、柔和、深色等。
10	Height, width 這些是確定圖形高度和寬度的標量量。
11	Sort() 根據 x,y 變數對資料進行排序。
12	Seed() 用於生成可重複引導的隨機數。
13	Hue_norm() 用於設定資料單位中的歸一化範圍。提供一對資料值。

返回值

此方法返回帶有已繪製點的 matplotlib 軸。

載入資料集

在繼續開發圖形之前，讓我們載入資料集。在本文中，我們將使用 Seaborn 庫中內建的 FMRI 資料集。以下命令用於載入資料集。

fmri=sns.load_dataset("fmri")

以下命令用於檢視資料集中前 5 行。這使我們能夠理解可以使用哪些變數來繪製圖形。

fmri.head()

以下是上述程式碼段的輸出。

index,subject,timepoint,event,region,signal
0,s13,18,stim,parietal,-0.017551581538
1,s5,14,stim,parietal,-0.0808829319505
2,s12,18,stim,parietal,-0.0810330187333
3,s11,18,stim,parietal,-0.0461343901751999
4,s10,18,stim,parietal,-0.0379702032642

示例 1

（在整篇文章中，Seaborn 庫已匯入為 sns。）

此示例用於瞭解如何使用寬格式的兩個變數繪製線形圖。這裡，寬格式指的是整個資料，而不是特定約束。更多內容將在示例 4 中看到。

要繪製資料集中兩個變數的寬格式線形圖，請使用以下命令。

import seaborn as sns
import matplotlib.pyplot as plt
fmri=sns.load_dataset("fmri")
fmri.head()
sns.lineplot(data=fmri, x="timepoint", y="signal")
plt.show()

輸出

示例 2

要繪製具有 4 個變數的寬格式線形圖，請使用以下命令。在此特定資料集中，我們將使用時間點、訊號、區域和事件變數，使用 4 個引數繪製線形圖；x、y、hue 和 style。

import seaborn as sns
import matplotlib.pyplot as plt
fmri=sns.load_dataset("fmri")
fmri.head()
sns.lineplot(data=fmri, x="timepoint", y="signal", hue="region", style="event")
plt.show()

輸出

上述命令將給出以下圖形。

示例 3

在此示例中，我們將使用 sort 引數繪製圖形。此 sort 引數接受布林值，當其為真時，資料將根據 x 和 y 變數進行排序。如果為假，則線條將按其在資料集中出現的順序連線點。

import seaborn as sns
import matplotlib.pyplot as plt
fmri=sns.load_dataset("fmri")
fmri.head()
sns.lineplot(data=fmri.query("region == 'parietal'"),x="timepoint", y="signal", hue="event", estimator=None, sort=True)
plt.show()

輸出

使用此程式碼段獲得的圖形如下所示。

示例 4

我們還可以使用線形圖突出顯示資料的置信區間，使用帶或條形。

此示例將演示如何在給定資料集中突出顯示置信區間。在繼續繪製此圖形之前，讓我們瞭解為什麼 lineplot() 如此受歡迎。

lineplot 的主要優點之一是它允許以寬格式和指定格式繪製資料。

也就是說，對於 FMRI 資料集，有兩種型別的區域，頂葉和額葉。我們可以僅針對頂葉或僅針對額葉資料繪製圖形。以下示例說明了如何執行此操作。

要繪製僅屬於一種輸入型別的資料，我們必須使用 query 函式對資料進行分組。在以下示例中，將對區域列為“頂葉”的資料進行分組，然後繪製線形圖。

import seaborn as sns
import matplotlib.pyplot as plt
fmri=sns.load_dataset("fmri")
fmri.head()
sns.lineplot(data=fmri.query("region == 'parietal'"),x="timepoint", y="signal", hue="event", units="subject",estimator=None)
plt.show()

輸出

estimator 引數接受可呼叫方法、pandas 方法名稱或無。如果傳遞無，它將考慮資料集中所有值以進行繪圖。

seaborn_relational_plots_introduction.htm

列印頁面

上一個

下一個