目录

本文速览1、绘图数据准备2、seaborn.regplotregplot默认参数线型回归图分别设置点和拟合线属性置信区间（confidenceinterval）设置拟合线延伸与坐标轴相交拟合离散变量曲线多项式回归（polynomialregression）拟合曲线3、seaborn.lmplot按变量分类拟合回归线散点marker设置散点调色盘拟合线属性设置绘制分面图

本文速览

1、绘图数据准备

依旧使用鸢尾花iris数据集，详细介绍见之前文章。

#导入本帖要用到的库，声明如下：
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd 
import palettable
from pandas import Series,DataFrame
from sklearn import datasets
import seaborn as sns
import palettable
#导入鸢尾花iris数据集（方法一）
#该方法更有助于理解数据集
iris=datasets.load_iris()
x, y =iris.data,iris.target
y_1 = np.array(["setosa" if i==0 else "versicolor" if i==1 else "virginica" for i in y])
pd_iris = pd.DataFrame(np.hstack((x, y_1.reshape(150,1))),columns=["sepal length(cm)","sepal width(cm)","petal length(cm)","petal width(cm)","class"])
 
#astype修改pd_iris中数据类型object为float64
pd_iris["sepal length(cm)"]=pd_iris["sepal length(cm)"].astype("float64")
pd_iris["sepal width(cm)"]=pd_iris["sepal width(cm)"].astype("float64")
pd_iris["petal length(cm)"]=pd_iris["petal length(cm)"].astype("float64")
pd_iris["petal width(cm)"]=pd_iris["petal width(cm)"].astype("float64")
 
 
#导入鸢尾花iris数据集（方法二）
#该方法有时候会卡巴斯基，所以弃而不用
#import seaborn as sns
#iris_sns = sns.load_dataset("iris")

数据集简单查看

2、seaborn.regplot

seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci="ci", scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker="o", scatter_kws=None, line_kws=None, ax=None)

regplot默认参数线型回归图

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)#设置主题，文本大小
g=sns.regplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             color="#000000",#设置marker及线的颜色
             marker="*",#设置marker形状
             )

分别设置点和拟合线属性

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
              color="#000000",
              marker="*",
              scatter_kws={"s": 60,"color":"g",},#设置散点属性，参考plt.scatter
              line_kws={"linestyle":"--","color":"r"}#设置线属性，参考 plt.plot          

置信区间（confidence interval）设置

注意拟合线周围阴影面积变化

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             color="#000000",
             marker="*",
             ci=60,#置信区间设置，默认为95%置信区间，越大线周围阴影部分面积越大
             )

拟合线延伸与坐标轴相交

# extend the regression line to the axis limits
plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             color="#000000",
             marker="*",
             truncate=False,#让拟合线与轴相交
             )

拟合离散变量曲线

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
x_discrete=[0 if i=="setosa" else 1 if i=="versicolor" else 2 for i in pd_iris["class"]]#
g=sns.regplot(x=x_discrete, y="sepal width(cm)", data=pd_iris,#x此时为离散变量
             color="#000000",
             marker="*",
             )

多项式回归（ polynomial regression）拟合曲线

plt.figure(dpi=110)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.regplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             marker="*",
             order=4,#默认为1，越大越弯曲
             scatter_kws={"s": 60,"color":"#016392",},#设置散点属性，参考plt.scatter
             line_kws={"linestyle":"--","color":"#c72e29"}#设置线属性，参考 plt.plot             
             
             )

3、seaborn.lmplot

seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers="o", sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci="ci", scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)

seaborn.lmplot结合seaborn.regplot()和FacetGrid，比seaborn.regplot()更灵活，可绘制更个性化的图形。

按变量分类拟合回归线

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             hue="class",
             )
g.fig.set_size_inches(10,8)

散点marker设置

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             hue="class",
             markers=["+","^","o"],   #设置散点marker          
             )
g.fig.set_size_inches(10,8)

散点调色盘

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             hue="class",
             markers=["+","^","*"],
             scatter_kws={"s":180},
             palette=["#01a2d9", "#31A354", "#c72e29"],#调色盘
             )
g.fig.set_size_inches(10,8)

拟合线属性设置

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             hue="class",
             markers=["+","^","*"],
             scatter_kws={"s":180},
             line_kws={"linestyle":"--"},#拟合线属性设置
             palette=["#01a2d9", "#31A354", "#c72e29"],
             )
g.fig.set_size_inches(10,8)

绘制分面图

plt.figure(dpi=100)
sns.set(style="whitegrid",font_scale=1.2)
g=sns.lmplot(x="sepal length(cm)", y="sepal width(cm)", data=pd_iris,
             col="class",#按class绘制分面图
             markers="*",
             scatter_kws={"s":150,"color":"#01a2d9"},
             line_kws={"linestyle":"--","color":"#c72e29"},#直线属性设置
             )
g.fig.set_size_inches(10,8)

以上就是Python可视化学习之seaborn绘制线型回归曲线的详细内容，更多关于Python seaborn线型回归曲线的资料请关注脚本之家其它相关文章！

关键词： 属性设置 置信区间 回归曲线 离散变量 数据准备