Seaborn

本文集文档发布于灏天文库

7.1 多图组合与布局

文档摘要

7.1 多图组合与布局 Seaborn 高级应用领域：7.1 多图组合与布局详解 在数据可视化中，单张图表有时难以全面展现数据的复杂性和多维度信息。为了更有效地传达数据故事，我们经常需要将多个图表组合在一起，形成一个统一的视图。Seaborn 作为强大的 Python 数据可视化库，不仅提供了丰富的图表类型，还提供了灵活多样的多图组合与布局方案。本节将深入探讨 Seaborn 在多图组合与布局方面的应用，帮助你创建更具洞察力和表现力的数据可视化作品。 7.1.1 为什么要进行多图组合与布局？ 单图的局限性在于其表达能力的单一性。当我们需要： 比较不同维度的数据: 例如，在不同类别下观察同一变量的分布，或者比较多个变量之间的关系。

7.1 多图组合与布局

Seaborn 高级应用领域：7.1 多图组合与布局详解

在数据可视化中，单张图表有时难以全面展现数据的复杂性和多维度信息。为了更有效地传达数据故事，我们经常需要将多个图表组合在一起，形成一个统一的视图。Seaborn 作为强大的 Python 数据可视化库，不仅提供了丰富的图表类型，还提供了灵活多样的多图组合与布局方案。本节将深入探讨 Seaborn 在多图组合与布局方面的应用，帮助你创建更具洞察力和表现力的数据可视化作品。

7.1.1 为什么要进行多图组合与布局？

单图的局限性在于其表达能力的单一性。当我们需要：

  • 比较不同维度的数据: 例如，在不同类别下观察同一变量的分布，或者比较多个变量之间的关系。

  • 展示数据的不同侧面: 例如，同时展示数据的总体分布和局部细节，或者从不同角度分析同一数据集。

  • 构建数据故事: 通过一系列相关的图表，逐步引导读者理解数据的内在逻辑和趋势。

  • 节省空间，提高信息密度: 在有限的空间内呈现更多的数据信息，提高可视化效率。

多图组合与布局能够有效地克服单图的局限性，通过合理的组织和排列，将多个图表整合为一个整体，从而更全面、深入地挖掘和展现数据价值。

7.1.2 Seaborn 中的多图组合方法概览

Seaborn 提供了多种方法来实现多图组合与布局，主要可以归纳为以下几类：

  1. 使用 matplotlib.pyplot.subplots() 手动创建子图网格: 这是最基础和灵活的方法，Seaborn 图表可以绘制在 matplotlib 的子图之上。

  2. 利用 Seaborn 的 FacetGrid 对象: FacetGrid 专为条件关系可视化设计，能够基于一个或多个分类变量创建子图网格。

  3. 使用 Seaborn 的 PairGrid 对象: PairGrid 专注于变量对关系的可视化，可以绘制变量两两之间的散点图、直方图等，并形成矩阵式的子图网格。

  4. 运用 Seaborn 的 JointGrid 对象: JointGrid 用于可视化两个变量的联合分布以及边缘分布，通常包含一个中心联合分布图和两个边缘分布图。

  5. 结合 matplotlib.gridspec.GridSpec 实现更复杂的布局: GridSpec 提供了更高级的网格布局控制，允许创建不规则形状的子图网格，实现更自由的布局设计。

  6. 自定义布局与手动调整: 对于特殊的需求，可以结合 matplotlib 的底层功能进行更精细的布局控制和手动调整。

下面我们将逐一深入探讨这些方法，并通过代码实践和详细解释，帮助你掌握 Seaborn 多图组合与布局的技巧。

7.1.3 使用 matplotlib.pyplot.subplots() 创建子图网格

matplotlib.pyplot.subplots() 是 matplotlib 库中用于创建子图网格的基础函数。Seaborn 图表本质上构建于 matplotlib 之上，因此我们可以利用 subplots() 创建的 Axes 对象，并在其上绘制 Seaborn 图表。

代码实践:

import matplotlib.pyplot as plt
import seaborn as sns
# 加载示例数据集
iris = sns.load_dataset('iris')
# 创建一个 2x2 的子图网格
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
fig.suptitle('Iris Dataset Feature Distributions', fontsize=16) # 设置整个图表的标题
# 在第一个子图上绘制花萼长度的直方图
sns.histplot(iris['sepal_length'], ax=axes[0, 0], color='skyblue')
axes[0, 0].set_title('Sepal Length Distribution')
# 在第二个子图上绘制花萼宽度的箱线图
sns.boxplot(x='species', y='sepal_width', data=iris, ax=axes[0, 1], palette='pastel')
axes[0, 1].set_title('Sepal Width by Species')
# 在第三个子图上绘制花瓣长度的散点图，按物种着色
sns.scatterplot(x='petal_length', y='petal_width', hue='species', data=iris, ax=axes[1, 0], palette='viridis')
axes[1, 0].set_title('Petal Length vs Petal Width')
# 在第四个子图上绘制物种计数的条形图
sns.countplot(x='species', data=iris, ax=axes[1, 1], palette='magma')
axes[1, 1].set_title('Species Count')
plt.tight_layout(rect=[0, 0, 1, 0.96]) # 调整布局，防止标题重叠
plt.show()
​

代码详解:

  1. plt.subplots(nrows=2, ncols=2, figsize=(12, 8)): subplots() 函数创建了一个 2 行 2 列的子图网格。figsize 参数设置整个图表的尺寸。函数返回两个对象：

    • fig: Figure 对象，代表整个图表（画布）。

    • axes: 一个 NumPy 数组，包含了 4 个 Axes 对象，每个 Axes 对象代表一个子图。对于 nrows=2, ncols=2 的情况，axes 是一个 2x2 的数组，可以通过 axes[row, col] 的方式访问每个子图。

  2. fig.suptitle('Iris Dataset Feature Distributions', fontsize=16): 使用 fig.suptitle() 设置整个图表的总标题。

  3. sns.histplot(iris['sepal_length'], ax=axes[0, 0], color='skyblue'): 在第一个子图 (axes[0, 0]) 上绘制花萼长度的直方图。关键在于 ax=axes[0, 0] 参数，它指定了图表要绘制在哪个 Axes 对象上。后续的 Seaborn 图表函数也都使用了 ax 参数，将图表绘制到指定的子图上。

  4. axes[0, 0].set_title('Sepal Length Distribution'): 使用 axes[0, 0].set_title() 为第一个子图设置子标题。每个 Axes 对象都有自己的标题、轴标签等属性，可以独立设置。

  5. plt.tight_layout(rect=[0, 0, 1, 0.96]): plt.tight_layout() 函数自动调整子图的布局，避免子图之间或子图与图表边缘重叠。 rect 参数用于调整整个布局的边界，这里是为了给总标题预留空间。

graph TD 图示:

内容详解:

使用 subplots() 方法的优点在于其基础性和灵活性。你可以完全掌控子图网格的结构，并在每个子图上绘制任何类型的 matplotlib 或 Seaborn 图表。这对于创建自定义布局和组合不同类型的图表非常有用。

7.1.4 利用 Seaborn 的 FacetGrid 对象

FacetGrid 是 Seaborn 中专门用于创建条件关系图的类。它可以根据一个或多个分类变量，将数据集分割成多个子集，并在每个子集上绘制相同的图表类型。这非常适合比较不同条件下的数据分布或关系。

代码实践:

import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
tips = sns.load_dataset('tips')
# 创建 FacetGrid 对象，按 'time' 和 'smoker' 分面
g = sns.FacetGrid(tips, col='time', row='smoker', hue='sex', aspect=1.2, height=3)
# 在每个子图上绘制散点图，展示 'total_bill' 和 'tip' 的关系
g.map(sns.scatterplot, 'total_bill', 'tip')
# 添加图例
g.add_legend()
# 设置轴标签和标题
g.set_axis_labels('Total Bill ($)', 'Tip ($)')
g.fig.suptitle('Tip Amount vs. Total Bill by Time, Smoker, and Sex', y=1.02) # 设置整个图表的标题，并调整 y 坐标避免重叠
plt.show()
​

代码详解:

  1. g = sns.FacetGrid(tips, col='time', row='smoker', hue='sex', aspect=1.2, height=3): 创建 FacetGrid 对象。

    • data=tips: 指定数据集为 tips。

    • col='time': 按 'time' 列的值（Lunch, Dinner）进行列分面，即按列排列子图。

    • row='smoker': 按 'smoker' 列的值（Yes, No）进行行分面，即按行排列子图。

    • hue='sex': 使用 'sex' 列的值（Male, Female）进行颜色编码，在散点图中用不同颜色区分性别。

    • aspect=1.2: 设置子图的宽高比。

    • height=3: 设置每个子图的高度，宽度会根据 aspect 自动调整。

  2. g.map(sns.scatterplot, 'total_bill', 'tip'): g.map() 方法将指定的绘图函数 (sns.scatterplot) 应用于每个子图。 'total_bill' 和 'tip' 是 sns.scatterplot 函数的位置参数，表示 x 轴和 y 轴的数据列。

  3. g.add_legend(): 添加图例，用于解释颜色编码的含义（在本例中是性别）。

  4. g.set_axis_labels('Total Bill ($)', 'Tip ($)'): 设置所有子图的 x 轴和 y 轴标签。

  5. g.fig.suptitle('Tip Amount vs. Total Bill by Time, Smoker, and Sex', y=1.02): 设置整个 FacetGrid 图表的总标题。 y=1.02 参数稍微向上调整标题的位置，避免与子图标题重叠。

graph TD 图示:

内容详解:

FacetGrid 的核心优势在于其 分面 (facet) 功能，可以根据分类变量自动创建子图网格，并方便地在每个子图上绘制条件关系图。它简化了条件可视化的流程，使得比较不同组别的数据变得更加直观和高效。FacetGrid 适用于需要根据一个或多个分类变量进行分组比较的场景。

7.1.5 使用 Seaborn 的 PairGrid 对象

PairGrid 专注于变量对关系的可视化。它可以绘制数据集中所有数值变量两两之间的关系，形成一个矩阵式的子图网格。对角线上的子图通常用于展示单个变量的分布（例如直方图或密度图），非对角线上的子图则用于展示两个变量之间的关系（例如散点图或核密度估计图）。

代码实践:

import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
iris = sns.load_dataset('iris')
# 创建 PairGrid 对象，使用 'species' 进行颜色编码
g = sns.PairGrid(iris, hue='species', palette='husl', diag_sharey=False)
# 对角线上绘制直方图
g.map_diag(sns.histplot)
# 非对角线上绘制散点图
g.map_offdiag(sns.scatterplot)
# 添加图例
g.add_legend()
# 设置总标题
g.fig.suptitle('Pairwise Relationships of Iris Features', y=1.02)
plt.show()
​

代码详解:

  1. g = sns.PairGrid(iris, hue='species', palette='husl', diag_sharey=False): 创建 PairGrid 对象。

    • data=iris: 指定数据集为 iris。

    • hue='species': 使用 'species' 列进行颜色编码。

    • palette='husl': 指定颜色调色板。

    • diag_sharey=False: 设置对角线子图是否共享 y 轴。这里设置为 False，表示对角线上的直方图的 y 轴不共享，各自独立。

  2. g.map_diag(sns.histplot): g.map_diag() 方法将指定的绘图函数 (sns.histplot) 应用于对角线上的子图。

  3. g.map_offdiag(sns.scatterplot): g.map_offdiag() 方法将指定的绘图函数 (sns.scatterplot) 应用于非对角线上的子图。

  4. g.add_legend(): 添加图例。

  5. g.fig.suptitle('Pairwise Relationships of Iris Features', y=1.02): 设置总标题。

graph TD 图示:

内容详解:

PairGrid 特别适合于探索数据集中多个变量之间的关系。它可以快速生成变量两两关系的可视化矩阵，帮助我们发现变量之间的相关性、分布特征以及潜在的模式。PairGrid 常用于初步的数据探索和特征工程阶段，快速了解数据集的整体结构。

7.1.6 运用 Seaborn 的 JointGrid 对象

JointGrid 用于可视化两个变量的联合分布以及边缘分布。它通常由三个子图组成：中心的联合分布图，以及分别位于上方和右侧的两个边缘分布图。边缘分布图展示了两个变量各自的单变量分布，而联合分布图则展示了它们之间的关系。

代码实践:

import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
iris = sns.load_dataset('iris')
# 创建 JointGrid 对象，指定 x 和 y 变量
g = sns.JointGrid(data=iris, x='sepal_length', y='sepal_width', hue='species', palette='muted')
# 绘制散点图作为联合分布图
g.plot_joint(sns.scatterplot)
# 绘制直方图作为边缘分布图
g.plot_marginals(sns.histplot, kde=False) # kde=False 关闭核密度估计，只显示直方图
# 设置轴标签和总标题
g.ax_joint.set_xlabel('Sepal Length (cm)')
g.ax_joint.set_ylabel('Sepal Width (cm)')
g.fig.suptitle('Joint and Marginal Distributions of Sepal Length and Sepal Width', y=1.02)
plt.show()
​

代码详解:

  1. g = sns.JointGrid(data=iris, x='sepal_length', y='sepal_width', hue='species', palette='muted'): 创建 JointGrid 对象。

    • data=iris: 指定数据集。

    • x='sepal_length', y='sepal_width': 指定 x 轴和 y 轴的变量。

    • hue='species', palette='muted': 使用 'species' 进行颜色编码，并指定调色板。

  2. g.plot_joint(sns.scatterplot): g.plot_joint() 方法用于绘制联合分布图。这里使用 sns.scatterplot 绘制散点图。

  3. g.plot_marginals(sns.histplot, kde=False): g.plot_marginals() 方法用于绘制边缘分布图。这里使用 sns.histplot 绘制直方图，并设置 kde=False 关闭核密度估计曲线。

  4. g.ax_joint.set_xlabel('Sepal Length (cm)'), g.ax_joint.set_ylabel('Sepal Width (cm)'): 设置联合分布图的 x 轴和 y 轴标签。 g.ax_joint 属性可以访问到中心的联合分布图的 Axes 对象。

  5. g.fig.suptitle('Joint and Marginal Distributions of Sepal Length and Sepal Width', y=1.02): 设置总标题。

graph TD 图示:

内容详解:

JointGrid 能够清晰地展示两个变量的联合分布以及各自的边缘分布，帮助我们理解两个变量之间的关系类型（例如线性关系、非线性关系、相关性强弱）以及各自的分布形态。JointGrid 适用于需要深入分析两个变量之间关系，并同时关注它们各自分布情况的场景。

7.1.7 结合 matplotlib.gridspec.GridSpec 实现复杂布局

matplotlib.gridspec.GridSpec 提供了更高级的网格布局控制能力。它允许我们创建不规则形状的子图网格，例如，某些子图可以跨越多行或多列，从而实现更自由和复杂的布局设计。

代码实践:

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import seaborn as sns
# 加载示例数据集
flights = sns.load_dataset('flights')
flights_data = flights.pivot_table(index='month', columns='year', values='passengers')
# 创建 Figure 对象
fig = plt.figure(figsize=(14, 10))
# 使用 GridSpec 创建布局，3行 2列
gs = gridspec.GridSpec(3, 2)
# 第一个子图：热力图，占据第 1 行和第 1 列
ax1 = fig.add_subplot(gs[0, 0])
sns.heatmap(flights_data, ax=ax1, cmap='YlGnBu', cbar_kws={'shrink': 0.8})
ax1.set_title('Monthly Passenger Heatmap')
# 第二个子图：箱线图，占据第 1 行和第 2 列
ax2 = fig.add_subplot(gs[0, 1])
sns.boxplot(x='month', y='passengers', data=flights, ax=ax2, palette='viridis')
ax2.set_title('Monthly Passenger Boxplot')
# 第三个子图：折线图，跨越第 2 和第 3 行，占据第 1 列
ax3 = fig.add_subplot(gs[1:, 0]) # gs[1:, 0] 表示从第 1 行开始到最后一行，第 0 列
sns.lineplot(x='year', y='passengers', data=flights, hue='month', ax=ax3, palette='tab20')
ax3.set_title('Yearly Passenger Trend by Month')
ax3.legend(loc='upper left', bbox_to_anchor=(1, 1)) # 将图例放置在子图外部
# 第四个子图：小提琴图，跨越第 2 和第 3 行，占据第 2 列
ax4 = fig.add_subplot(gs[1:, 1]) # gs[1:, 1] 表示从第 1 行开始到最后一行，第 1 列
sns.violinplot(x='month', y='passengers', data=flights, ax=ax4, palette='plasma')
ax4.set_title('Monthly Passenger Violinplot')
plt.tight_layout(rect=[0, 0, 1, 0.96]) # 调整布局
fig.suptitle('Flight Passenger Analysis', fontsize=16, y=0.99) # 设置总标题
plt.show()
​

代码详解:

  1. gs = gridspec.GridSpec(3, 2): 创建 GridSpec 对象，指定网格为 3 行 2 列。

  2. ax1 = fig.add_subplot(gs[0, 0]): 使用 fig.add_subplot(gs[index]) 创建子图。 gs[0, 0] 表示第一个子图占据网格的第 1 行第 1 列。

  3. ax3 = fig.add_subplot(gs[1:, 0]): gs[1:, 0] 使用切片表示法，表示第三个子图跨越网格的第 2 行到最后一行（这里是第 2 和第 3 行），占据第 1 列。

  4. ax4 = fig.add_subplot(gs[1:, 1]): gs[1:, 1] 表示第四个子图跨越网格的第 2 行到最后一行，占据第 2 列。

  5. ax3.legend(loc='upper left', bbox_to_anchor=(1, 1)): 调整折线图的图例位置，使用 bbox_to_anchor 将图例放置在子图的右上角外部。

graph TD 图示:

内容详解:

GridSpec 提供了更强大的布局控制，可以创建不规则的子图网格，例如，子图可以跨越多行或多列，或者占据特定的网格区域。这使得我们可以设计更灵活、更具表现力的多图布局，更好地适应数据的特点和可视化目标。GridSpec 适用于需要创建复杂布局、组合不同类型图表、以及突出显示某些重要信息的情况。

7.1.8 自定义布局与手动调整

除了上述 Seaborn 提供的便捷方法外，我们还可以结合 matplotlib 的底层功能进行更精细的布局控制和手动调整。例如，可以使用 fig.add_axes([left, bottom, width, height]) 手动指定子图的位置和尺寸，其中 left, bottom, width, height 都是相对于 Figure 尺寸的比例值 (0 到 1)。

代码实践 (示例，概念演示):

import matplotlib.pyplot as plt
import seaborn as sns
# 加载示例数据集
iris = sns.load_dataset('iris')
fig = plt.figure(figsize=(12, 6))
# 手动添加第一个子图，占据左侧大部分区域
ax1 = fig.add_axes([0.05, 0.1, 0.6, 0.8]) # [left, bottom, width, height]
sns.scatterplot(x='petal_length', y='petal_width', hue='species', data=iris, ax=ax1)
ax1.set_title('Petal Length vs Petal Width')
# 手动添加第二个子图，位于右侧上方小区域
ax2 = fig.add_axes([0.7, 0.6, 0.25, 0.3])
sns.boxplot(x='species', y='sepal_width', data=iris, ax=ax2, palette='pastel')
ax2.set_title('Sepal Width Boxplot')
# 手动添加第三个子图，位于右侧下方小区域
ax3 = fig.add_axes([0.7, 0.1, 0.25, 0.3])
sns.histplot(iris['sepal_length'], ax=ax3, color='skyblue')
ax3.set_title('Sepal Length Histogram')
fig.suptitle('Custom Layout Example', fontsize=16)
plt.show()
​

代码详解:

  1. ax1 = fig.add_axes([0.05, 0.1, 0.6, 0.8]): fig.add_axes() 函数手动创建一个 Axes 对象，并将其添加到 Figure 中。参数 [0.05, 0.1, 0.6, 0.8] 指定了子图的位置和尺寸：

    • left=0.05: 子图左边界距离 Figure 左边界的比例为 0.05。

    • bottom=0.1: 子图下边界距离 Figure 下边界的比例为 0.1。

    • width=0.6: 子图宽度占 Figure 宽度的比例为 0.6。

    • height=0.8: 子图高度占 Figure 高度的比例为 0.8。

  2. 后续的 ax2 和 ax3 也使用 add_axes() 手动指定位置和尺寸，从而实现了自定义的非网格布局。

内容详解:

add_axes() 方法提供了最精细的布局控制，允许我们完全自定义子图的位置和尺寸。这在需要创建非常规布局，或者需要将图表元素与文本、图像等其他元素自由组合时非常有用。然而，手动调整布局通常需要更多的 trial-and-error，不如 Seaborn 的网格对象那样方便快捷。

7.1.9 多图布局的最佳实践

  • 明确可视化目标: 在进行多图组合之前，首先要明确你的可视化目标。你想通过多图组合传达什么信息？哪些维度需要比较？哪些关系需要突出？清晰的目标是布局设计的指南。

  • 选择合适的布局方法: 根据可视化目标和数据特点，选择最合适的布局方法。对于条件比较，FacetGrid 是首选；对于变量对关系，PairGrid 和 JointGrid 很方便；对于复杂布局，GridSpec 提供了更大的灵活性；对于完全自定义的布局，add_axes() 可以实现精细控制。

  • 保持布局的逻辑性和一致性: 多图布局应该具有清晰的逻辑结构，方便读者理解图表之间的关系。例如，使用 FacetGrid 时，分面变量的选择要合理；使用 GridSpec 时，子图的排列要符合阅读习惯。同时，保持子图之间风格和元素的统一性，例如颜色、字体、轴标签等，可以提高整体视觉效果。

  • 合理利用空间，避免信息过载: 多图组合的目的是提高信息密度，但也要避免信息过载，导致图表过于拥挤和难以解读。合理设置子图的尺寸、间距、以及图表元素的密度，确保图表清晰易读。

发布者: 作者: 转发
评论区 (0)
U
0/500