Kaggle、Python数据可视化seaborn(四)：散点图

在本教程中，您将学习如何创建高级散点图。

准备好笔记本

和往常一样，我们从设置编码环境开始。

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
print("Setup Complete")

加载并检查数据

我们将使用一个(合成的)保险费用数据集，看看我们是否能理解为什么有些客户比其他人支付更多。

如果您愿意，您可以在这里阅读关于数据集的更多信息。

# Path of the file to read
insurance_filepath = "../input/insurance.csv"

# Read the file into a variable insurance_data
insurance_data = pd.read_csv(insurance_filepath)

与往常一样，我们通过打印前五行来检查数据集是否正确加载。

insurance_data.head()

散点图

要创建简单的散点图，我们使用sns.scatterplot命令并指定以下值：

• 水平x轴（x = insurance_data ['bmi']），和
• 垂直y轴（y = insurance_data ['charge']）。

sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'])

输出：

<matplotlib.axes._subplots.AxesSubplot at 0x7f19008afd68>

上面的散点图表明，体重指数（BMI）和保险费用正相关，而BMI较高的客户通常也倾向于支付更高的保险费用。 （这种模式是有道理的，因为高BMI通常与慢性疾病的高风险相关。）

要仔细检查此关系的强度，您可能希望添加回归线或最适合数据的线。 我们通过将命令更改为sns.regplot来完成此操作。

sns.regplot(x=insurance_data['bmi'], y=insurance_data['charges'])

输出：

/opt/conda/lib/python3.6/site-packages/scipy/stats/stats.py:1713: FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
  return np.add.reduce(sorted[indexer] * weights, axis=axis) / sumval
<matplotlib.axes._subplots.AxesSubplot at 0x7f18fcf85e80>

颜色编码的散点图

我们可以使用散点图来显示三个变量之间的关系!一种方法是用颜色编码这些点。
例如，为了了解吸烟是如何影响BMI和保险成本之间的关系，我们可以用“吸烟者”来对这些点进行颜色编码，并在坐标轴上标出另外两列(BMI, charge)。

sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'], hue=insurance_data['smoker'])

输出：

<matplotlib.axes._subplots.AxesSubplot at 0x7f18fce7c710>

这个散点图显示，随着体重指数的增加，不吸烟的人愿意支付更多的钱，而吸烟的人支付更多。
为了进一步强调这一事实，我们可以使用sns.lmplot命令添加两个回归线，分别对应于吸烟者和非吸烟者。(您会注意到，相对于非吸烟者，吸烟者的回归曲线斜率要大得多!)

sns.lmplot(x="bmi", y="charges", hue="smoker", data=insurance_data)

输出：

/opt/conda/lib/python3.6/site-packages/scipy/stats/stats.py:1713: FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
  return np.add.reduce(sorted[indexer] * weights, axis=axis) / sumval
<seaborn.axisgrid.FacetGrid at 0x7f18fce61160>

sns.lmplot命令的工作原理与您目前学到的命令略有不同:

• 我们没有设置x=insurance_data['bmi']来选择insurance_data中的'bmi'列，而是设置x="bmi"来指定列的名称。
• 同样，y="charge "和hue=" smoking "也包含列的名称
• 我们使用data=insurance_data指定数据集。

最后，还有一个你会学到的图，它可能看起来和你习惯看到的散点图有点不同。通常，我们使用散点图来突出两个连续变量(如“bmi”和“charge”)之间的关系。但是，我们可以调整散点图的设计，使其在一个主轴上显示一个分类变量(如“smoking”)。我们将此图类型称为分类散点图，并使用sns.swarmplot命令构建它。

sns.swarmplot(x=insurance_data['smoker'],
              y=insurance_data['charges'])

输出：

<matplotlib.axes._subplots.AxesSubplot at 0x7f18fc5c06d8>

除此之外，这幅图还告诉我们:

• 平均而言，非吸烟者的收费比吸烟者低，而且支付最多的顾客是吸烟者;而花费最少的顾客是非吸烟者。

本地可运行代码：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Path of the file to read
insurance_filepath = "data-for-datavis/insurance.csv"

# Read the file into a variable insurance_data
insurance_data = pd.read_csv(insurance_filepath)

print(insurance_data.head())

sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'])

# 添加回归线
sns.regplot(x=insurance_data['bmi'], y=insurance_data['charges'])

# 颜色区分 
sns.scatterplot(x=insurance_data['bmi'], y=insurance_data['charges'], hue=insurance_data['smoker'])

# 2条回归线
sns.lmplot(x="bmi", y="charges", hue="smoker", data=insurance_data)

# 分类散点图
sns.swarmplot(x=insurance_data['smoker'],
              y=insurance_data['charges'])

plt.show()

在线联系地址：https://www.kaggle.com/xugj520/exercise-scatter-plots/edit