Python可视化17seborn-boxplot（一文玩烂）

pythonic生物人

关于箱图的所有都在这
本文系统详解利用python中 seaborn.boxplot 绘制 箱图boxplot 。
seaborn.boxplot是matplotlib.pyplot.boxplot的封装版， 更个性化的设置请研究matplotlib.pyplot.boxplot 。

本文将了解到什么？

欢迎随缘关注@ pythonic生物人

1、数据集准备及箱图简介
2、seaborn.boxplot箱图外观设置
默认参数绘制箱图
 箱图异常值属性设置 
 异常值关闭显示
 异常值marker大小设置
 异常值marker形状、填充色、轮廓设置
箱图上下横线属性设置 
 上下横线关闭
 上下横线颜色、线型、线宽等设置
箱图上下须线属性设置
箱图箱子设置
 箱子设置缺口
 箱子不填充颜色 
 箱子外框、内部填充色 
箱图中位数线属性设置 
箱图均值属性设置 
 均值使用点显示、设置点形状、填充色
 均值使用线显示 、线型、颜色设置
箱图中所有线属性设置 
3、seaborn.boxplot分组箱图
分组绘图（方法一）
分组绘图（方法二）
箱子颜色设置 
 设置箱子颜色
 设置箱子颜色饱和度
箱子间距设置 
每个小组再按子组绘图 
按顺序绘制箱图

箱线图用来展现数据的分布，能直观的 展示数据的关键指标 （如下四分位数、上四分位数、中位数、最大值、最小值、离散点/异常值点）；箱线图可直观 展示不同组数据的差异 ；下面详细介绍python中matplotlib及seaborn库绘制箱图。

1、数据集准备及箱图简介

还是使用鸢尾花数据集iris，iris详细介绍请戳： Python可视化|matplotlib10-绘制散点图scatter

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import seaborn as sns
import palettable
from sklearn import datasets 
plt.rcParams['font.sans-serif']=['SimHei']  # 用于显示中文
plt.rcParams['axes.unicode_minus'] = False  # 用于显示中文
iris=datasets.load_iris()
x, y = iris.data, iris.target
pd_iris = pd.DataFrame(np.hstack((x, y.reshape(150, 1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'] )

查看数据集样子？

pd_iris["sepal width(cm)"]简单统计， 后文主要使用该列数据集绘图 。

pd_iris["sepal width(cm)"].describe()#以上各个值其实都可以使用describe函数查看

count 150.000000
mean 3.054000
std 0.433594
min 2.000000
25% 2.800000（下四分位数，25% 的数据小于等于此值。）
50% 3.000000（中位数，50% 的数据小于等于此值。）
75% 3.300000（上四分位数，75% 的数据小于等于此值。）
max 4.400000
Name: sepal width(cm), dtype: float64

上面注释部分很好的解释了下面箱图中 四分位数的含义

2、seaborn.boxplot箱图外观设置

默认参数绘制箱图

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],#传入一组数据
            orient='v'#箱子垂直显示，默认为'h'水平显示
plt.show()

箱图异常值属性设置

异常值关闭显示

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            showfliers=False,#异常值关闭显示
plt.show()

异常值marker大小设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            orient='v',
            fliersize=15,#设置离散值marker大小，默认为5
plt.show()

异常值marker形状、填充色、轮廓设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            orient='v',
            flierprops = {'marker':'o',#异常值形状
                          'markerfacecolor':'red',#形状填充色
                          'color':'black',#形状外廓颜色
plt.show()

箱图上下横线属性设置

上下横线关闭

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            showcaps=False,#上下横线关闭
plt.show()

上下横线颜色、线型、线宽等设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            capprops={'linestyle':'--','color':'red'},#设置上下横线属性
plt.show()

箱图上下须线属性设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            whiskerprops={'linestyle':'--','color':'red'},#设置上下须属性
plt.show()

箱图箱子设置

箱子设置缺口

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            orient='v',
            notch=True,#箱子设置缺口
plt.show()

箱子不填充颜色

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            orient='v',
            color='white',#箱子不填充
plt.show()

箱子外框、内部填充色

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
           boxprops = {'color':'red',#箱子外框
           'facecolor':'pink'#箱子填充色
           },#设置箱子属性
plt.show()

箱图中位数线属性设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
           medianprops = {'linestyle':'--','color':'red'},#设置中位数线线型及颜色
plt.show()

箱图均值属性设置

均值使用点显示、设置点形状、填充色

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            showmeans=True,#箱图显示均值，
            meanprops = {'marker':'D','markerfacecolor':'red'},#设置均值属性
plt.show()

均值使用线显示、线型、颜色设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            showmeans=True,#箱图显示均值，
            meanline=True,#显示均值线
            meanprops = {'linestyle':'--','color':'red'},#设置均值线属性
plt.show()

箱图中所有线属性设置

plt.figure(dpi=100)
sns.boxplot(y=pd_iris["sepal width(cm)"],
            orient='v',
            linewidth=8#设置箱子等线的宽度
plt.show()

3、seaborn.boxplot分组箱图

分组绘图（方法一）

plt.figure(dpi=100)
class_name=[iris.target_names[0] if i==0.0 else iris.target_names[1] if i==1.0 else iris.target_names[2] for i in pd_iris['class']]
sns.boxplot(x=class_name,#按照pd_iris["sepal width(cm)"]分组，即按照每种鸢尾花（'setosa', 'versicolor', 'virginica'）分组绘图
            y=pd_iris["sepal width(cm)"],#绘图数据
            orient='v'
plt.show()

分组绘图（方法二）

plt.figure(dpi=100)
sns.boxplot(x='class',
            y='sepal width(cm)',
            data=pd_iris,#data的作用就是x，y每次不需要输入pd_iris
            orient='v'
plt.show()

箱子颜色设置

设置箱子颜色

import palettable
plt.figure(dpi=100)
sns.boxplot(x='class',
            y='sepal width(cm)',
            data=pd_iris,
            orient='v',
            palette=palettable.tableau.TrafficLight_9.mpl_colors,#设置每个箱子颜色
plt.show()

设置箱子颜色饱和度

import palettable
plt.figure(dpi=100)
sns.boxplot(x='class',
            y='sepal width(cm)',
            data=pd_iris,
            orient='v',
            palette=palettable.tableau.TrafficLight_9.mpl_colors,
            saturation=0.3,#设置颜色饱和度
plt.show()

箱子间距设置

import palettable
plt.figure(dpi=100)
sns.boxplot(x='class',
            y='sepal width(cm)',
            data=pd_iris,
            orient='v',
            palette=palettable.tableau.TrafficLight_9.mpl_colors,
            saturation=0.3,#设置颜色饱和度
            width=1.0,#设置箱子之间距离，为1时，每个箱子之间距离为0
plt.show()

每个小组再按子组绘图

plt.figure(dpi=100)
class_name=[iris.target_names[0] if i==0.0 else iris.target_names[1] if i==1.0 else iris.target_names[2] for i in pd_iris['class']]
sns.boxplot(x=class_name,
            y=pd_iris['sepal width(cm)'],
            hue=pd_iris['petal width(cm)'],#每类按照子类分组：上图三类再按照'sepal width(cm)'分组绘图
            orient='v'
plt.show()

按顺序绘制箱图

plt.figure(dpi=100)
class_name=[iris.target_names[0] if i==0.0 else iris.target_names[1] if i==1.0 else iris.target_names[2] for i in pd_iris['class']]
sns.boxplot(x=class_name,
            y=pd_iris["sepal width(cm)"],