>>> from env_helper import info; info()
页面更新时间: 2024-01-06 20:44:36
运行环境:
Linux发行版本: Debian GNU/Linux 12 (bookworm)
操作系统内核: Linux-6.1.0-16-amd64-x86_64-with-glibc2.36
Python版本: 3.11.2
5.4. seaborn.objects 接口¶
seaborn.objects
命名空间是在 0.12
版本中引入的,作为制作海边图的全新接口。它提供了一个更加一致和灵活的
API,包括一组用于转换和绘制数据的可组合类。与seaborn
现有功能相比,新界面旨在支持端到端的绘图规范和自定义,而无需下拉到
matplotlib(尽管在必要时仍然可以这样做)。
注意
对象接口目前处于实验阶段,尚未完成。它足够稳定,可以认真使用,但肯定有一些粗糙的边缘和缺失的功能。
5.4.1. 指定绘图和映射数据¶
应按照以下约定导入对象接口:
>>> import seaborn.objects as so
seaborn.objects
命名空间将提供对所有相关类的访问。最重要的是Plot
。您可以通过实例化Plot
对象并调用其方法来指定绘图。让我们看一个简单的例子:
>>> import seaborn as sns
>>>
>>> sns.set_theme()
>>>
>>> penguins = sns.load_dataset("penguins")
>>> (
>>> so.Plot(penguins, x="bill_length_mm", y="bill_depth_mm")
>>> .add(so.Dot())
>>> )

生成散点图的这段代码看起来应该相当熟悉。与使用seaborn.scatterplot()
时一样,我们传递了一个整洁的数据框(penguins
),并将其中的两列分配给该图的x
和y
坐标。但这里我们不是从图表类型开始,然后添加一些数据赋值,而是从数据赋值开始,然后添加一个图形元素。
设置属性¶
Dot
类是Mark
的一个例子:一个以图形方式表示数据值的对象。每个标记都有许多属性,可以通过设置来改变其外观:
>>> (
>>> so.Plot(penguins, x="bill_length_mm", y="bill_depth_mm")
>>> .add(so.Dot(color="g", pointsize=4))
>>> )

映射属性¶
与 seaborn 的函数一样,也可以将数据值映射到各种图形属性:
>>> (
>>> so.Plot(
>>> penguins, x="bill_length_mm", y="bill_depth_mm",
>>> color="species", pointsize="body_mass_g",
>>> )
>>> .add(so.Dot())
>>> )

虽然这个基本功能并不新颖,但与函数API的一个重要区别是,属性是使用直接设置属性的相同参数名称进行映射的(而不是使用hue
与color
等)。重要的是属性在哪里定义:在初始化Dot
时传递一个值将直接设置它,而在设置Plot
时分配一个变量将映射相应的数据。
除了这种差异之外,对象接口还允许映射更广泛的标记属性:
>>> (
>>> so.Plot(
>>> penguins, x="bill_length_mm", y="bill_depth_mm",
>>> edgecolor="sex", edgewidth="body_mass_g",
>>> )
>>> .add(so.Dot(color=".8"))
>>> )

定义组¶
Dot
标记独立地表示每个数据点,因此将变量赋值给属性仅具有更改每个点的外观的效果。对于对观测值进行分组或连接的标记(例如Line
),它还确定不同图形元素的数量:
>>>
>>> healthexp = sns.load_dataset("healthexp")
>>> #sns.load_dataset("tips",data_home='seaborn-data',cache=True)
>>> (
>>> so.Plot(healthexp, x="Year", y="Life_Expectancy", color="Country")
>>> .add(so.Line())
>>> )

还可以在不更改任何视觉属性的情况下定义分组,方法是使用group
:
>>> (
>>> so.Plot(healthexp, x="Year", y="Life_Expectancy", group="Country")
>>> .add(so.Line())
>>> )

5.4.2. 在绘图之前转换数据¶
统计转换¶
与许多 seaborn 函数一样,objects
接口支持统计转换。这些由Stat
对象执行,例如Agg
:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g")
>>> .add(so.Bar(), so.Agg())
>>> )

在函数界面中,统计转换可以使用一些可视化表示(例如seaborn.barplot()
),但不能使用其他表示(例如seaborn.scatterplot()
)。对象接口更清晰地分离了表示和转换,允许你组合Mark
和Stat
对象:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g")
>>> .add(so.Dot(pointsize=10), so.Agg())
>>> )

通过映射属性形成组时,Stat
转换将分别应用于每个组:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g", color="sex")
>>> .add(so.Dot(pointsize=10), so.Agg())
>>> )

解决过度绘图问题¶
一些seaborn函数还具有自动解决过度绘图的机制,例如一旦分配了色调
,seaborn.barplot()
就会“回避”条形图。对象接口的默认行为不那么复杂。默认情况下,表示多个组的条形图将重叠:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g", color="sex")
>>> .add(so.Bar(), so.Agg())
>>> )

然而,可以将bar
标记与Agg
属性和第二次转换组合在一起,由Dodge
实现:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g", color="sex")
>>> .add(so.Bar(), so.Agg(), so.Dodge())
>>> )

Dodge
类是Move
转换的一个例子,它类似于Stat
,但只调整x和y坐标。Move
类可以应用于任何标记,并且不需要先使用Stat
:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g", color="sex")
>>> .add(so.Dot(), so.Dodge())
>>> )

还可以按顺序应用多个Move
操作:
>>> (
>>> so.Plot(penguins, x="species", y="body_mass_g", color="sex")
>>> .add(so.Dot(), so.Dodge(), so.Jitter(.3))
>>> )

通过转换创建变量¶
Agg
统计要求已经定义了x
和y
,但是也可以通过统计转换创建变量。例如,Hist
状态只需要定义x
或y
中的一个,它将通过计数观察来创建另一个:
>>> (
>>> so.Plot(penguins, x="species")
>>> .add(so.Bar(), so.Hist())
>>> )

当给定数值数据时,Hist
统计信息还将创建新x
值(通过分箱):
>>> (
>>> so.Plot(penguins, x="flipper_length_mm")
>>> .add(so.Bars(), so.Hist())
>>> )
请注意我们如何使用Bar
,而不是用于具有连续x
轴的Bar
图。这两个标记是相关的,但具Bar
有不同的默认值,并且更适合连续直方图。它还会产生一个不同的、更高效的
matplotlib
艺术家。您会在其他地方找到单数/复数标记的模式。复数版本通常针对标记数量较多的情况进行优化。
某些转换同时接受x
和y
,但为每个坐标添加间隔数据。这对于在聚合后绘制误差线尤其重要:
>>> (
>>> so.Plot(penguins, x="body_mass_g", y="species", color="sex")
>>> .add(so.Range(), so.Est(errorbar="sd"), so.Dodge())
>>> .add(so.Dot(), so.Agg(), so.Dodge())
>>> )

定向标记和变换¶
在聚合、躲避和绘制条形图时,x
和y
变量的处理方式不同。每个操作都有一个方向的概念。Plot
尝试根据变量的数据类型自动确定方向。例如,如果我们翻转species
和body_mass_g
的赋值,我们将得到相同的图,但方向是水平的:
>>> (
>>> so.Plot(penguins, x="body_mass_g", y="species", color="sex")
>>> .add(so.Bar(), so.Agg(), so.Dodge())
>>> )

有时,正确的方向是模棱两可的,例如当x
和y
变量都是数字时。在这些情况下,可以通过将orient
参数传递给
Plot.add()
:
>>> tips = sns.load_dataset("tips",data_home='seaborn-data',cache=True)
>>> (
>>> so.Plot(tips, x="total_bill", y="size", color="time")
>>> .add(so.Bar(), so.Agg(), so.Dodge(), orient="y")
>>> )

5.4.3. 构建和显示绘图¶
到目前为止,大多数示例都生成了一个子图,上面只有一种标记。但Plot
并不局限于此。
添加多个图层¶
可以通过重复调用Plot.add()
来创建更复杂的单子图图形。每次调用它时,它都会在图中定义一个图层。例如,我们可能想要添加一个散点图(现在使用Dots
),然后添加回归拟合:
>>> (
>>> so.Plot(tips, x="total_bill", y="tip")
>>> .add(so.Dots())
>>> .add(so.Line(), so.PolyFit())
>>> )

构造函数中Plot
定义的变量映射将用于所有层:
>>> (
>>> so.Plot(tips, x="total_bill", y="tip", color="time")
>>> .add(so.Dots())
>>> .add(so.Line(), so.PolyFit())
>>> )

特定于图层的映射¶
您还可以定义映射,使其仅在特定图层中使用。这是通过在相关层的调用Plot.add
中定义映射来实现的:
>>> (
>>> so.Plot(tips, x="total_bill", y="tip")
>>> .add(so.Dots(), color="time")
>>> .add(so.Line(color=".2"), so.PolyFit())
>>> )

或者,为整个绘图定义图层,但通过将变量设置为None
以下值将其从特定图层中删除:
>>> (
>>> so.Plot(tips, x="total_bill", y="tip", color="time")
>>> .add(so.Dots())
>>> .add(so.Line(color=".2"), so.PolyFit(), color=None)
>>> )

总而言之,有三种方法可以指定标记属性的值: 1. 在所有层中映射变量 2. 在特定层中映射变量 3. 直接设置属性:
分面和配对子图¶
与 seaborn 的图形级函数(seaborn.displot()
,
seaborn.catplot()
等)一样,Plot
接口也可以生成具有多个“面”的图形,或包含数据子集的子图。这是通过Plot.facet()
方法完成的:
>>> (
>>> so.Plot(penguins, x="flipper_length_mm")
>>> .facet("species")
>>> .add(so.Bars(), so.Hist())
>>> )

使用应用于定义绘图的列和/或行的变量进行调用Plot.facet()
:
>>> (
>>> so.Plot(penguins, x="flipper_length_mm")
>>> .facet(col="species", row="sex")
>>> .add(so.Bars(), so.Hist())
>>> )

您可以通过“包装”另一个维度来使用具有更多级别的变量进行分面:
>>> (
>>> so.Plot(healthexp, x="Year", y="Life_Expectancy")
>>> .facet(col="Country", wrap=3)
>>> .add(so.Line())
>>> )

除非您明确排除它们,否则所有图层都将被分面,这可以 有助于为每个子图提供额外的上下文:
>>> (
>>> so.Plot(healthexp, x="Year", y="Life_Expectancy")
>>> .facet("Country", wrap=3)
>>> .add(so.Line(alpha=.3), group="Country", col=None)
>>> .add(so.Line(linewidth=3))
>>> )

生成子图的另一种方法是Plot.pair()
。就像seaborn.PairGrid
一样,这将绘制每个子图上的所有数据,对 x 和/或 y 坐标使用不同的变量:
>>> (
>>> so.Plot(penguins, y="body_mass_g", color="species")
>>> .pair(x=["bill_length_mm", "bill_depth_mm"])
>>> .add(so.Dots())
>>> )

您可以组合分面和配对,只要操作在相反的维度上添加子图:
>>> (
>>> so.Plot(penguins, y="body_mass_g", color="species")
>>> .pair(x=["bill_length_mm", "bill_depth_mm"])
>>> .facet(row="sex")
>>> .add(so.Dots())
>>> )

与 matplotlib 集成¶
在某些情况下,您可能希望多个子图出现在一个结构比 Plot.facet()
或
Plot.pair()
可以提供的更复杂的图形中。当前的解决方案是将图形设置委托给
matplotlib,并提供Plot
应与Plot.on()
方法一起使用的
matplotlib 对象。此对象可以是matplotlib.axes.Axes
、matplotlib.figure.Figure
或matplotlib.figure.SubFigure
;后者对于构建定制的子图布局最有用:
>>> import matplotlib.pyplot as plt
>>> f = plt.Figure(figsize=(8, 4))
>>> sf1, sf2 = f.subfigures(1, 2)
>>> (
>>> so.Plot(penguins, x="body_mass_g", y="flipper_length_mm")
>>> .add(so.Dots())
>>> .on(sf1)
>>> .plot()
>>> )
>>> (
>>> so.Plot(penguins, x="body_mass_g")
>>> .facet(row="sex")
>>> .add(so.Bars(), so.Hist())
>>> .on(sf2)
>>> .plot()
>>> )

构建和显示绘图¶
需要知道的重要一点是,Plot
方法克隆调用它们的对象并返回该克隆,而不是就地更新对象。这意味着您可以定义一个通用的绘图规范,然后在其上生成多个变体。
因此,请遵循以下基本规范:
>>> p = so.Plot(healthexp, "Year", "Spending_USD", color="Country")
我们可以用它来绘制线图:
>>> p.add(so.Line())

或者可能是堆积面积图:
>>> p.add(so.Area(), so.Stack())

Plot
方法是完全声明性的。调用它们会更新情节规范,但实际上并没有进行任何绘图。这样做的一个后果是,方法可以以任何顺序调用,其中许多方法可以被多次调用。
剧情实际渲染时间是什么时候?Plot
针对笔记本环境进行了优化。当Plot
显示在Jupyter
REPL中时,会自动触发渲染。这就是为什么我们在上面的例子中没有看到任何东西,在这个例子中,我们定义了一个Plot
,但是将它赋值给p
,而不是让它返回给REPL。
要查看笔记本中的绘图,要么从单元格的最后一行返回,要么调用Jupyter在对象上的内置display
函数。matplotlib.pyplot
。但是您可以通过调用Plot.show()
在其他上下文中使用它的图形显示机制。
还可以通过调用plot.save()
将绘图保存到文件(或缓冲区)。
5.4.4. 自定义外观¶
新的界面旨在通过Plot
支持深度定制,减少切换设备和直接使用matplotlib功能的需要。(但请耐心等待;并非实现这一目标所需的所有功能都已实现!)
参数化的尺度¶
所有与数据相关的属性都由Scale
概念和Plot.scale()
方法控制。此方法接受几种不同类型的参数。一种最接近于在matplotlib中使用尺度的可能性是传递一个转换坐标的函数的名称:
>>> diamonds = sns.load_dataset("diamonds")
>>> (
>>> so.Plot(diamonds, x="carat", y="price")
>>> .add(so.Dots())
>>> .scale(y="log")
>>> )

Plot.scale()
还可以控制语义属性的映射,如color
,你可以直接向它传递任何参数,就像在seaborn的函数接口中传递给palette
参数一样:
>>> (
>>> so.Plot(diamonds, x="carat", y="price", color="clarity")
>>> .add(so.Dots())
>>> .scale(color="flare")
>>> )

另一种选择是提供(min, max)
值的元组,控制比例应映射到的范围。这既适用于数值属性,也适用于颜色:
>>> (
>>> so.Plot(diamonds, x="carat", y="price", color="clarity", pointsize="carat")
>>> .add(so.Dots())
>>> .scale(color=("#88c", "#555"), pointsize=(2, 10))
>>> )

对于其他控制,您可以传递Scale
对象。有几种不同类型的Scale
,每种都有适当的参数。例如,Continuous
允许你定义输入域(norm
),输出范围(values
),以及它们之间的映射函数(trans
),而Nominal
允许你指定顺序:
>>> (
>>> so.Plot(diamonds, x="carat", y="price", color="carat", marker="cut")
>>> .add(so.Dots())
>>> .scale(
>>> color=so.Continuous("crest", norm=(0, 3), trans="sqrt"),
>>> marker=so.Nominal(["o", "+", "x"], order=["Ideal", "Premium", "Good"]),
>>> )
>>> )
/usr/lib/python3/dist-packages/seaborn/_core/properties.py:370: RuntimeWarning: invalid value encountered in cast
ixs = np.asarray(x, np.intp)

自定义图例和刻度¶
Scale
对象还用于指定哪些值应在图例中作为刻度标签显示,以及它们的显示方式。例如,Continuous.tick()
方法允许你控制刻度的密度或位置,Continuous.label()
方法允许你修改格式:
>>> (
>>> so.Plot(diamonds, x="carat", y="price", color="carat")
>>> .add(so.Dots())
>>> .scale(
>>> x=so.Continuous().tick(every=0.5),
>>> y=so.Continuous().label(like="${x:.0f}"),
>>> color=so.Continuous().tick(at=[1, 2, 3, 4]),
>>> )
>>> )

自定义限制、标签和标题¶
Plot
具有多种简单自定义方法,包括Plot.label()
、Plot.limit()
和Plot.share()
:
>>> (
>>> so.Plot(penguins, x="body_mass_g", y="species", color="island")
>>> .facet(col="sex")
>>> .add(so.Dot(), so.Jitter(.5))
>>> .share(x=False)
>>> .limit(y=(2.5, -.5))
>>> .label(
>>> x="Body mass (g)", y="",
>>> color=str.capitalize,
>>> title="{} penguins".format,
>>> )
>>> )

主题定制¶
最后,Plot
通过Plot.theme
方法支持与数据无关的主题。目前,此方法接受
matplotlib rc 参数的字典。您可以直接设置它们和/或从 seaborn
的主题函数中传递一组参数:
>>> from seaborn import axes_style
>>> theme_dict = {**axes_style("whitegrid"), "grid.linestyle": ":"}
>>> so.Plot().theme(theme_dict)

要更改所有Plot
实例的主题,请更新Plot.config
设置:
so.Plot.config.theme.update(theme_dict)