Python Seaborn: 常见的画图与保存方法总结_seaborn 保存图片

2. Distplot 频率分布图

绘图与保存的方法：
x = np.random.randn(100)
x = pd.Series(x, name = "x variable")
ax = sns.distplot(x)
hist_fig = ax.get_figure()
hist_fig.savefig(fig_path, dpi = 400)
其中，sns.distplot()为绘制分布图的方法。 
3. Boxplot 箱型图
 
绘图与保存的方法： 
fig_dims = (7.5, 4)
fig, ax = plt.subplots(figsize=fig_dims)
fig = sns.boxplot(x = data['tip'], data = data, ax = ax, orient = "h", palette = "Set2")
plt.show()
boxplot = fig.get_figure()
boxplot.savefig(fig_path, dpi=400)
其中，
 fig_dims = (7.5, 4) 为控制箱型图的大小；
 sns.boxplot()为绘制箱型图的方法。 
4. Heatmap 热力图
 
绘图与保存的方法： 
x = np.array([[1,2,3,4], [2,3,4,6], [10,2,3,6], [8,9,7,3]])
fig_name = 'heatmap.png'
fig_path = filepath + '/' + fig_name
fig = sns.heatmap(x, annot = True)
heatmap = fig.get_figure()
heatmap.savefig(fig_path, dpi = 400)
其中， sns.heatmap()为绘制热力图的方法。 
5. Pairplot 多变量图
 
绘图与保存的方法： 
iris = sns.load_dataset("iris")
pairplot_fig = sns.pairplot(iris, kind = 'scatter', hue="species", palette="Set2", 
                                height=2.5, plot_kws=dict(s=50, alpha=0.4))
pairplot_fig.savefig(fig_path, dpi = 400)
其中，
 sns.pairplot()为绘制多变量图的方法，里面的plot_kws = dict(s = 50, alpha = 0.4)为控制多变量的散点大小与颜色的透明度。 
注意： 在.pairplot()中是没有.get_figure()方法的。在保存多变量图时，直接调用.savefig()方法。 
对于散点图、频率分布图、箱型图、热力图，都可以使用.get_figure()和.savefig()来保存图片，而多变量图只需要使用savefig()来保存图片。 
参考链接
 Pairplot 多变量图
 Heatmap 热力图
 Scatterplot 散点图
 Boxplot 箱型图
 Distplot 频率分布图
                    Python Seaborn: 常见的画图与保存方法总结Scatterplot 散点图绘图与保存的方法： data = sns.load_dataset("tips") filepath = 'C:/Users' fig_name = 'scatterplot.png'# fig_path为想要存入的文件夹或地址 fig_path = filepath + '/' + fig_n...
				写在开头：在该系列第一篇文章介绍了一下整体seaborn对于画图整体风格与比例的调控，今天开始分享一下seaborn对于颜色的设计。该文章参考文献主要为学习路远老师的seaborn教程，会在结尾放上链接。
上节回顾：上一节分享了Seaborn绘图的整体颜色与风格比例调控，可点击链接查看。python数据可视化之Seaborn（一）
Seaborn可视化内容安排
在Seaborn的学习中安排如下，
一、画风设置：会简单介绍一下绘图风格（一）与颜色风格（二）的设置；
二、绘图技巧：这里会介绍数据集（三）、相关数据（四）、分类数据（五）、线性关系（六）可视化的相关内容；
三、结构网络：本节主要介绍数
				可视化对于大家来说确实是有关的，因为确实是直观的，每一组大数据如果可以用可视化进行展示的话可以让大家豁然开朗。但在另外一些场景中，辅之以少量的文字提示（textual cue）和标签是必不可少的。虽然最基本的注释（annotation）类型可能只是坐标轴标题与图标题，但注释可远远不止这些。让我们可视化一些数据，看看如何通过添加注释来更恰当地表达信息。
首先导入画图需要用到的一些函数：
import matplotlib.pyplot as plt
import matplotlib as mpl
plt.style.use('seaborn-whitegrid')
import numpy 
如同艺术家们用绘画让人们更贴切的感知世界，数据可视化也能让人们更直观的传递数据所要表达的信息。
我们今天就分享一下如何用 Python 简单便捷的完成数据可视化。
其实利用 Python 可视化数据并不是很麻烦，因为 Python 中有两个专用于可视化的库 matplotlib 和 seaborn 能让我们很容易的完成任务。
  Matplotlib：基于Python的绘图库，提供完全的 2D 支持和部分 3D 图像支持。在跨平台和互动式环境中生成高质量数据时，matplotlib 会很有帮助。也可以用作制作动画。
  Seaborn：该 Python 库能够创建富含信息量和美观的统计图
import matplotlib.pyplot as plt
from matplotlib import cm
from matplotlib.colors import Normalize
from matplotlib import ticker
plt.style.use('seaborn-dar..
				python图片保存到文件夹基本存储（plt.savefig()）创建文件夹并存储图片（if结构+OS模块）批量绘制图片+批量存储（for循环）图片/文件夹命名与所运行时间关联（datatime模块）
最近一直在做实验但在解决问题时总是兜兜转转又回到原点，因此只能记录一些零碎的知识，在此用学术的语言记录最为简单的知识。
下面以循序渐进的方式记录将图片保存到文件夹的过程，由需求促进代码进一步完善。在此以本人解决这个问题所思考的步骤记录下来，主要是经历了以下几个过程：
过程一：单纯实现将所绘制的图片保存到代码
				好的，Seaborn 是 Python 中一个常用的数据可视化工具，它基于 Matplotlib 进行了更高级的封装和美化，可以帮助我们更快速地进行数据探索和呈现。下面是一个简单的示例，展示如何使用 Seaborn 画出一个散点图：
首先，我们需要导入必要的库：
```python
import seaborn as sns
import matplotlib.pyplot as plt
接着，我们需要准备一些数据，这里使用 Seaborn 自带的 `tips` 数据集作为例子：
```python
tips = sns.load_dataset("tips")
现在我们可以开始画图了，下面的代码将绘制一个散点图，横轴为 `total_bill`，纵轴为 `tip`：
```python
sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.show()
除了散点图，Seaborn 还支持各种类型的图表，如折线图、柱状图、箱线图等。具体的用法可以参考 Seaborn 的官方文档。
				Python pd.DataFrame: 解决 ‘ValueError: Shape of passed values is (6, 1), indices imply (6, 6)‘
					33282