python统计分析——用seaborn绘制回归直线（sns.lmplot）

本文主要是介绍python统计分析——用seaborn绘制回归直线（sns.lmplot），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

参考资料：用python动手学统计学，帮助文档

1、导入库

# 导入库
# 用于数值计算的库
import numpy as np
import pandas as pd
import scipy as  sp
from scipy import stats
# 用于绘图的库
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
# 用于估计统计模型的库
import statsmodels.formula.api as smf
import statsmodels.api as sm

2、数据准备

data=pd.DataFrame({'beer':np.array([45.3, 59.3, 40.4, 38. , 37. , 40.9, 60.2, 63.3, 51.1, 44.9, 47. ,53.2, 43.5, 53.2, 37.4, 59.9, 41.5, 75.1, 55.6, 57.2, 46.5, 35.8,51.9, 38.2, 66. , 55.3, 55.3, 43.3, 70.5, 38.8]),'temp':np.array([20.5, 25. , 10. , 26.9, 15.8,  4.2, 13.5, 26. , 23.3,  8.5, 26.2,19.1, 24.3, 23.3,  8.4, 23.5, 13.9, 35.5, 27.2, 20.5, 10.2, 20.5,21.6,  7.9, 42.2, 23.9, 36.9,  8.9, 36.4,  6.4]),'hue':np.array(['A', 'B' , 'A', 'B' , 'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ,'A', 'B' ])
})
data.head()

3、绘制回归直线

sns.lmplot(x='temp',y='beer',data=data)

        上图同时展示了散点图和回归直线，阴影部分是回归直线的置信区间（默认95%的置信度）。下面对函数sns.lmplot()的常用参数进行讲解：

（1）data=None，为数据源，为dataframe格式

（2）x=None，y=None，分别为x轴坐标和y轴坐标，用数据源中的列名代表数据列。

（3）hue=None，代表不同的系列。当设置hue时，

代码如下：

sns.lmplot(x='temp',y='beer',data=data,hue='hue')

效果如下：

（4）col=None，row=None，两个参数类似，col表示分列显示，row表示分行显示。

当对col进行设置的代码和效果如下：

sns.lmplot(x='temp',y='beer',data=data,col='hue')

当对row进行设置的代码和效果如下：

sns.lmplot(x='temp',y='beer',data=data,row='hue')

（5）palette=None，调色板，当对hue进行设置时，用于设置不同系列的默认颜色。

（6）col_wrap=None，当设置了col参数后，用于设置显示的列数，与row参数不兼容。

注意观察下面col_wrap为1和2时的区别：

sns.lmplot(x='temp',y='beer',data=data,col='hue',col_wrap=1)

sns.lmplot(x='temp',y='beer',data=data,col='hue',col_wrap=2)

 

（7）height=5，用于设置最小单位图片的高度，单位inch（英寸）

（8）aspect=1，与height参数配合使用，用于设置最小单位图片的宽度。宽度=aspect * height

（9）markers='o'，用于设置散点图的标记样式。默认为“圆点”样式。

（10）sharex=None, sharey=None，用于设置多个图片组合显示时是否共享x坐标轴，或y坐标轴

（11）hue_order=None, col_order=None, row_order=None，用于设置显示顺序。这里以hue_order为例进行说明（注意与hue参数处的展示图片对比观察）

sns.lmplot(x='temp',y='beer',data=data,hue='hue',hue_order=['B','A'])

（12）legend=True，当设置hue参数后，用于设置是否显示图例。当为False时的效果如下：

sns.lmplot(x='temp',y='beer',data=data,hue='hue',legend=False)

（13）x_estimator=None，x_bins=None, x_ci='ci'，当x轴数据为离散型数据时使用。

（14）scatter=True，用于设置是否显示散点。当为False时效果如下：

sns.lmplot(x='temp',y='beer',data=data,scatter=False)

（15）fit_reg=True，用于拟合回归曲线。当为False时，则不显示回归曲线。效果如下：

sns.lmplot(x='temp',y='beer',data=data,fit_reg=False)

（16）ci=95，设置置信度，以显示回归曲线的置信区间。

（17）logistic=False，当设置为True时，表示逻辑回归。

这篇关于python统计分析——用seaborn绘制回归直线（sns.lmplot）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---