Python数据可视化：最佳配色方案

1、引言

在这篇文章中，我们将研究Python的一些配色方案，主要是Seaborn库。这将采用 Python Notebook 格式，其中包括绘图的代码。

2、实验数据

首先导入必要的库：

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

我们将使用 Seaborn 库的数据集之一，称为“tips”。

数据集摘要如下：

—244 笔餐厅订单交易（行）以及7个特征（列）

df = sns.load_dataset("tips")
df.head(7)

3、使用默认样式/调色板

现在让我们使用默认配色方案 (matplotlib) 在 seaborn barplot 中可视化每天的消费额：

sns.barplot(x="tip",y="day",data=df,orient="h")
plt.show()

4、更换样式

有五种样式可供选择，可以使用“set_style”或“set”来更改其余部分的图形样式。

句法：sns.set_style(“darkgrid”)

plt.figure(figsize=(9,8))
for i,style in enumerate(["white", "whitegrid", "dark", "darkgrid", "ticks"]):
    sns.set(style=style)
    plt.subplot(3,2,i+1)
    sns.barplot(x="tip",y="day",data=df,orient="h")
    plt.ylabel(None)
    plt.title("style: '"+style+"'",fontweight="bold")
plt.tight_layout()
plt.show()

现在我们的绘图样式是for循环中最新应用的样式，即“ticks”

sns.barplot(x="tip",y="day",data=df,orient="h")
plt.show()

如果想在不同部分使用不同的样式。可以使用“with”语句临时设置样式，该语句仅将样式应用于其下的绘图。

语法：with sns.axes_style(“darkgrid”)

with sns.axes_style("darkgrid"):
    sns.barplot(x="tip",y="day",data=df,orient="h")
plt.show()

5、更改调色板

除了定义样式之外，还可以调整调色板：

语法：sns.set(palette=”muted”)

可用的调色板名称：

Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cividis, cividis_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spring, spring_r, summer, summer_r, tab10, tab10_r, tab20, tab20_r, tab20b, tab20b_r, tab20c, tab20c_r, terrain, terrain_r, twilight, twilight_r, twilight_shifted, twilight_shifted_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r

sns.set(style="darkgrid",palette="Set2") 
sns.barplot(x="tip",y="day",data=df,orient="h") 
plt.show()

或者，可以使用以下语法来完全更改样式和调色板：plt.style.use(“ggplot”)

26种款式可选，“seaborn-muted”很好看。

plt.figure(figsize=(15,20)) 
for i,style in enumerate(plt.style.available): 
    with plt.style.context(style): #with 关键字允许临时更改样式
        plt.subplot(9 ,3,i+1) 
        sns.barplot(x="tip",y="day",data=df,orient="h") plt.ylabel 
        (style) 
plt.tight_layout() 
plt.show()

现在可视化一些喜欢的样式，并看看它们在不同类型的图表中的外观：

sns.set(style="darkgrid")
palettes = ["muted","Set2","Set2_r","Pastel1","Pastel2","tab20"]
plt.figure(figsize=(15,24))
for i,palette in enumerate(palettes):
    plt.subplot(len(palettes),3,3*i+1)
    sns.set(palette=palette)
    sns.barplot(x="tip",y="day",data=df,orient="h")
    plt.title(palette,fontweight="bold",fontsize=15)
    plt.subplot(len(palettes),3,3*i+2)
    df["sex"].value_counts().plot.pie(autopct="%.1f%%", pctdistance=0.8,
                   wedgeprops=dict(width=0.4))
    plt.title(palette,fontweight="bold",fontsize=15)
    ax3 = plt.subplot(len(palettes),3,3*i+3)
    df[["tip","total_bill","size"]].plot(ax=ax3)
    plt.title(palette,fontweight="bold",fontsize=15)
plt.tight_layout()
plt.show()

或者，对于散点图和线图，可以使用plt.cm.get_cmap()语法来选择调色板

import numpy as np
palette="Spectral"
plt.figure(figsize=(10,6))
plt.scatter(df.total_bill,df.tip,s=df["size"]**5,alpha=0.8,
c=np.arange(1,df.shape[0]+1),cmap=plt.cm.get_cmap(palette,df.shape[0]))

假设想要可视化数值变量的分布（“total_bill”、“tip”、“size”），但是由于它们的值范围不同，图表看起来不太漂亮：

sns.set(palette="Set2") 
plt.figure(figsize=(15,4)) 
for i,col in enumerate(["total_bill","tip","size"]): 
    sns.distplot(df[ col],label=col) 
plt.xlabel("值") 
plt.legend() 
plt.show()

让我们在循环中使用子图来绘制它们。我们需要一个新函数来按照调色板的顺序进行颜色分布，否则它们将具有相同的颜色。

语法：sns.color_palette(“Set2”)

plt.figure(figsize=(15,4)) 
for i,col in enumerate(["total_bill","tip","size"]): 
    plt.subplot(1,3,i+1) 
    sns.distplot( df[col],color=sns.color_palette("Set2")[i]) 
    
plt.show()

6、手动着色

最后，可以手动选择自己的颜色集，而不是使用样式和调色板。

sns.boxplot(x=df.tip,y=df.day,hue=df.sex,palette=["salmon","darkslateblue"]) 
plt.show()

from  matplotlib.axes._axes  import _log as matplotlib_axes_logger 
matplotlib_axes_logger.setLevel('ERROR')
sns.boxenplot(x=df.tip,y=df.day,palette=["rosybrown","tab:olive","cornflowerblue","lightsteelblue","plum","sandybrown"]) 
plt.show()

sns.countplot(y="size",data=df,palette=["c","y","m","pink","deepskyblue","k"])