使用seaborn jointplot改变每个点的颜色和标记

19 人关注

我的这段代码稍作修改，从 here :

import seaborn as sns
sns.set(style="darkgrid")
tips = sns.load_dataset("tips")
color = sns.color_palette()[5]
g = sns.jointplot("total_bill", "tip", data=tips, kind="reg", stat_func=None,
                  xlim=(0, 60), ylim=(0, 12), color='k', size=7)
g.set_axis_labels('total bill', 'tip', fontsize=16)
我得到了一个漂亮的图 - 然而，对于我的情况，我需要能够改变每个单独的点的颜色和格式。
我试着使用关键词，marker、style和fmt，但我得到的错误是TypeError: jointplot() got an unexpected keyword argument。
正确的方法是什么？我想避免调用sns.JointGrid并手动绘制数据和边际分布。


         4
         
         个评论


           
            也许我理解错了，但根据
            
             这个答案
            
            ，你不能向
            
             plt.scatter
            
            传递一个标记列表，所以
            
             seaborn
            
            的包装器也不能工作。


           
            说吧。我必须要编辑一下。也许可以在图形创建后清除这些点，然后单独绘制每个点。


           
            最后，这并不难。我所要做的就是
            
             g.ax_joint.cla()
            
            来清除绘制点的坐标轴，然后用你提到的答案绘制点。回归没有了，但我并不真正需要这部分，只是需要有边际分布的点。


           
            你能不能回答你自己的问题，展示你的代码（然后接受它）？如果你能添加一张图片就更好了，这样未来的人们就可以把它作为参考:)


         python


         matplotlib


         seaborn


        6
        
        个回答


          已采纳


         0
         
         人赞同


          
           解决这个问题与matplotlib的问题几乎没有区别（用不同的标记和颜色绘制散点图），只是我想保留边际分布。
          
          import seaborn as sns
from itertools import product
sns.set(style="darkgrid")
tips = sns.load_dataset("tips")
color = sns.color_palette()[5]
g = sns.jointplot("total_bill", "tip", data=tips, kind="reg", stat_func=None,
                  xlim=(0, 60), ylim=(0, 12), color='k', size=7)
#Clear the axes containing the scatter plot
g.ax_joint.cla()
#Generate some colors and markers
colors = np.random.random((len(tips),3))
markers = ['x','o','v','^','<']*100
#Plot each individual point separately
for i,row in enumerate(tips.values):
    g.ax_joint.plot(row[0], row[1], color=colors[i], marker=markers[i])
g.set_axis_labels('total bill', 'tip', fontsize=16)
Which gives me this:
回归线现在已经消失了，但这就是我所需要的。


           
            
             替换代码0】没有任何方法来控制用于单个点的标记，所以像这样的东西可能是你最好的选择，但你可以做
             
              g.ax_joint.collections[0].set_visible(False)
             
             而不是清除整个Axes，这将保留回归线。


           
            
             奇怪的是，这只有在指定了标记的情况下才有效。没有这个，它就不会绘制点!


           
            
             你怎么知道
             
              ['x','o','v','^','<']
             
             是可用的标记样式？我发现Seaborn的文档很难浏览。(编辑：我想我找到了 😀
             
              here
             
             )


          
           
            接受的答案太复杂了。
            
             plt.sca()
            
            可以用更简单的方法来做。
           
           import matplotlib.pyplot as plt
import seaborn as sns
tips = sns.load_dataset("tips")
g = sns.jointplot("total_bill", "tip", data=tips, kind="reg", stat_func=None,
                  xlim=(0, 60), ylim=(0, 12))
g.ax_joint.cla() # or g.ax_joint.collections[0].set_visible(False), as per mwaskom's comment
# set the current axis to be the joint plot's axis
plt.sca(g.ax_joint)
# plt.scatter takes a 'c' keyword for color
# you can also pass an array of floats and use the 'cmap' keyword to
# convert them into a colormap
plt.scatter(tips.total_bill, tips.tip, c=np.random.random((len(tips), 3)))


           
            
             
              我建议跳过对
              
               plt.sca
              
              的调用，直接使用轴对象。
              
               g.ax_joint.scatter(tips.total_bill, ...)
              
              。尽可能避免使用
              
               pyplot
              
              的状态机。


          
           
            
             
             
              Vincent Jeanselme
             
            
            
             发布于
             
             2016-04-19


          
           
            
             你也可以在参数列表中直接精确到它，多亏了关键字:
             
              joint_kws
             
             （在seaborn 0.8.1测试）。如果需要，你也可以用
             
              marginal_kws
             
             改变边际的属性
            
            
             So your code becomes :
            
            import seaborn as sns
colors = np.random.random((len(tips),3))
markers = (['x','o','v','^','<']*100)[:len(tips)]
sns.jointplot("total_bill", "tip", data=tips, kind="reg",
    joint_kws={"color":colors, "marker":markers})


          
           
            
             
              In
              
               seaborn/categorical.py
              
              , find
              
               def swarmplot
              
              .
             
             
              Add parameter
              
               marker='o'
              
              before
              
               **kwargs
              
             
             
              In
              
               kwargs.update
              
              , add
              
               marker=marker
              
              .
             
             
              然后在用
              
               sns.swarmplot()
              
              绘图时，像用Matplotlib的
              
               plt.scatter()
              
              那样，添加例如
              
               marker='x'
              
              作为参数。
             
             
              刚刚遇到了同样的需求，将
              
               marker
              
              作为
              
               kwarg
              
              并不可行。所以我简单看了一下。我们可以用类似的方式设置其他参数。
              
               https://github.com/ccneko/seaborn/blob/master/seaborn/categorical.py
              
             
             
              这里只需要做一个小改动，但这里是GitHub的分叉页面，可以快速参考；)


          
           
            
             
              另一个选择是使用JointGrid，因为jointplot是一个包装器，可以简化其使用。
             
             import matplotlib.pyplot as plt
import seaborn as sns
tips = sns.load_dataset("tips")
g = sns.JointGrid("total_bill", "tip", data=tips)
g = g.plot_joint(plt.scatter, c=np.random.random((len(tips), 3)))
g = g.plot_marginals(sns.distplot, kde=True, color="k")


          
           
            
             
              
               另外两个答案是复杂的奢望（实际上，它们是由真正了解引擎盖下发生的事情的人做出的）。
              
              
               这里有一个人的答案，他只是猜测。但它是有效的!