Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
seaborn-doc-zh
提交
22e77bcc
S
seaborn-doc-zh
项目概览
OpenDocCN
/
seaborn-doc-zh
8 个月 前同步成功
通知
1
Star
156
Fork
58
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
S
seaborn-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
22e77bcc
编写于
4月 28, 2020
作者:
飞
飞龙
提交者:
GitHub
4月 28, 2020
浏览文件
操作
浏览文件
下载
差异文件
Merge pull request #38 from Shen-Yu/master
fix: 跳转链接
上级
bf14676f
7408ee56
变更
17
隐藏空白更改
内联
并排
Showing
17 changed file
with
27 addition
and
27 deletion
+27
-27
docs/1.md
docs/1.md
+11
-11
docs/10.md
docs/10.md
+1
-1
docs/12.md
docs/12.md
+1
-1
docs/13.md
docs/13.md
+1
-1
docs/14.md
docs/14.md
+1
-1
docs/15.md
docs/15.md
+1
-1
docs/16.md
docs/16.md
+1
-1
docs/17.md
docs/17.md
+1
-1
docs/18.md
docs/18.md
+1
-1
docs/19.md
docs/19.md
+1
-1
docs/20.md
docs/20.md
+1
-1
docs/21.md
docs/21.md
+1
-1
docs/27.md
docs/27.md
+1
-1
docs/28.md
docs/28.md
+1
-1
docs/32.md
docs/32.md
+1
-1
docs/35.md
docs/35.md
+1
-1
docs/54.md
docs/54.md
+1
-1
未找到文件。
docs/1.md
浏览文件 @
22e77bcc
...
...
@@ -6,14 +6,14 @@ Seaborn 是一个基于 [matplotlib](https://matplotlib.org/) 且数据结构与
这里列出了一些 seaborn 的功能:
*
计算
[
多变量
](
examples/faceted_lineplot.html#faceted-lineplot
)
间
[
关系
](
examples/scatter_bubbles.html#scatter-bubbles
)
的面向数据集接口
*
可视化类别变量的
[
观测
](
examples/jitter_stripplot.html#jitter-stripplot
)
与
[
统计
](
examples/pointplot_anova.html#pointplot-anova
)
*
可视化
[
单变量
](
examples/distplot_options.html#distplot-options
)
或
[
多变量
](
examples/joint_kde.html#joint-kde
)
分布并与其子数据集
[
比较
](
examples/horizontal_boxplot.html#horizontal-boxplot
)
*
控制
[
线性回归
](
examples/anscombes_quartet.html#anscombes-quartet
)
的不同
[
因变量
](
examples/logistic_regression.html#logistic-regression
)
并进行参数估计与作图
*
对复杂数据进行易行的整体
[
结构
](
examples/scatterplot_matrix.html#scatterplot-matrix
)
可视化
*
对
[
多表统计图
](
examples/faceted_histogram.html#faceted-histogram
)
的制作高度抽象并简化可视化过程
*
提供多个内建
[
主题
]
(
tutorial/aesthetics.html#aesthetics-tutorial
)
渲染 matplotlib 的图像样式
*
提供
[
调色板
]
(
tutorial/color_palettes.html#palette-tutorial
)
工具生动再现数据
*
计算
[
多变量
](
http://seaborn.pydata.org/examples/faceted_lineplot.html#faceted-lineplot
)
间
[
关系
](
http://seaborn.pydata.org/
examples/scatter_bubbles.html#scatter-bubbles
)
的面向数据集接口
*
可视化类别变量的
[
观测
](
http://seaborn.pydata.org/examples/jitter_stripplot.html#jitter-stripplot
)
与
[
统计
](
http://seaborn.pydata.org/
examples/pointplot_anova.html#pointplot-anova
)
*
可视化
[
单变量
](
http://seaborn.pydata.org/examples/distplot_options.html#distplot-options
)
或
[
多变量
](
http://seaborn.pydata.org/examples/joint_kde.html#joint-kde
)
分布并与其子数据集
[
比较
](
http://seaborn.pydata.org/
examples/horizontal_boxplot.html#horizontal-boxplot
)
*
控制
[
线性回归
](
http://seaborn.pydata.org/examples/anscombes_quartet.html#anscombes-quartet
)
的不同
[
因变量
](
http://seaborn.pydata.org/
examples/logistic_regression.html#logistic-regression
)
并进行参数估计与作图
*
对复杂数据进行易行的整体
[
结构
](
http://seaborn.pydata.org/
examples/scatterplot_matrix.html#scatterplot-matrix
)
可视化
*
对
[
多表统计图
](
http://seaborn.pydata.org/
examples/faceted_histogram.html#faceted-histogram
)
的制作高度抽象并简化可视化过程
*
提供多个内建[主题]
http://seaborn.pydata.org/
tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
*
提供[调色板]
http://seaborn.pydata.org/
tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
Seaborn 框架旨在以数据可视化为中心来挖掘与理解数据。它提供的面向数据集制图函数主要是对行列索引和数组的操作,包含对整个数据集进行内部的语义映射与统计整合,以此生成富于信息的图表。
...
...
@@ -49,7 +49,7 @@ sns.set()
```
这里改变了
[
matplotlib rcParam 系统
](
https://matplotlib.org/users/customizing.html
)
所以会影响所有 matplotlib 图像的显示,即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题,我们提供一些
[
其他选项
]
(
tutorial/aesthetics.html#aesthetics-tutorial
)
,你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中(例如,在演讲投影中使用一个拥有可阅读字体的图表)。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式,你可以跳过这一部分,只使用 seaborn 提供的制图函数。
这里改变了
[
matplotlib rcParam 系统
](
https://matplotlib.org/users/customizing.html
)
所以会影响所有 matplotlib 图像的显示,即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题,我们提供一些[其他选项]
http://seaborn.pydata.org/
tutorial/aesthetics.html#aesthetics-tutorial),你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中(例如,在演讲投影中使用一个拥有可阅读字体的图表)。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式,你可以跳过这一部分,只使用 seaborn 提供的制图函数。
1.
装载数据集
...
...
@@ -225,7 +225,7 @@ sns.relplot(x="total_bill", y="tip", col="time",
![
http://seaborn.pydata.org/_images/introduction_31_0.png
](
img/4263c8446521fa44bcb4c6f2bdec4bad.jpg
)
如果要仅针对图像设计,所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射,比如颜色。(对颜色的恰当选择在数据可视化中非常关键,seaborn 提供了
[
附加支持
]
(
tutorial/color_palettes.html#palette-tutorial
)
来引导调色板的使用)。
如果要仅针对图像设计,所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射,比如颜色。(对颜色的恰当选择在数据可视化中非常关键,seaborn 提供了[附加支持]
http://seaborn.pydata.org/
tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用)。
最后,当 seaborn 的函数与 matploblib 函数具有显然一致性时(例如
[
`scatterplot()`
](
generated/seaborn.scatterplot.html#seaborn.scatterplot
"seaborn.scatterplot"
)
和
`plt.scatter`
),多余的参数会被直接传给 matploblib 层:
...
...
@@ -313,4 +313,4 @@ fmri.head()
## 下一步
继续往下看,你有多个选择。比如你可能想去
[
安装 seaborn
](
installing.html#installing
)
。然后你可以看看
[
制图样例
](
examples/index.html#example-gallery
)
来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读
[
官方教程
](
tutorial.html#tutorial
)
来深入了解你所需要的工具。你也可以查看附带样例的
[
接口参考
](
api.html#api-ref
)
来实现你不同的想法。
继续往下看,你有多个选择。比如你可能想去
[
安装 seaborn
](
installing.html#installing
)
。然后你可以看看
[
制图样例
](
http://seaborn.pydata.org/
examples/index.html#example-gallery
)
来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读
[
官方教程
](
tutorial.html#tutorial
)
来深入了解你所需要的工具。你也可以查看附带样例的
[
接口参考
](
api.html#api-ref
)
来实现你不同的想法。
docs/10.md
浏览文件 @
22e77bcc
...
...
@@ -16,7 +16,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
对于数据不同子集的
`x`
与
`y`
的绘制关系可以通过
`hue`
,
`size`
以及
`style`
参数控制。这些参数控制使用哪些视觉语义来区分不同的子集。使用所有三个语义类型可以独立展示三个维度,但是这种方式得到的绘制结果难以被理解而且低效。使用多种语义(例如对相同变量同时使用
`hue`
及
`style`
)可以使图像更加易懂。
参考
[
tutorial
](
..
/tutorial/relational.html#relational-tutorial
)
获得更多信息。
参考
[
tutorial
](
http://seaborn.pydata.org
/tutorial/relational.html#relational-tutorial
)
获得更多信息。
绘制后,会返回带有图像的
[
`FacetGrid`
](
seaborn.FacetGrid.html#seaborn.FacetGrid
"seaborn.FacetGrid"
)
,随后可以直接进行图像细节调节或者加入其他图层。
...
...
docs/12.md
浏览文件 @
22e77bcc
...
...
@@ -10,7 +10,7 @@ seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, pal
`x`
和
`y`
之间的关系可以使用
`hue`
,
`size`
和
`style`
参数为数据的不同子集显示。这些参数控制用于识别不同子集的视觉语义。通过使用所有三种语义类型,可以独立地显示三个维度,但是这种画图样式可能难以解释并且通常是无效的。使用冗余语义(即同一变量的
`hue`
和
`style`
)有助于使图形更易于理解。
请查看
[
指南
](
..
/tutorial/relational.html#relational-tutoria
)
获取更多信息。
请查看
[
指南
](
http://seaborn.pydata.org
/tutorial/relational.html#relational-tutoria
)
获取更多信息。
默认情况下,图标在每个
`x`
值处汇总多个
`y`
值,并显示集中趋势的估计值和该估计值的置信区间。
...
...
docs/13.md
浏览文件 @
22e77bcc
...
...
@@ -35,7 +35,7 @@ seaborn.catplot 是一个将分类图绘制到 FacetGrid 上图级别接口。
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据具有数字或日期类型。
有关更多信息,请参考
[
tutorial
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
有关更多信息,请参考
[
tutorial
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
绘图后,返回带有绘图的
[
`FacetGrid`
](
seaborn.FacetGrid.html#seaborn.FacetGrid
"seaborn.FacetGrid"
)
,可以直接用于调整绘图细节或添加其他图层。
...
...
docs/14.md
浏览文件 @
22e77bcc
...
...
@@ -21,7 +21,7 @@ seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据具有数字或日期类型也是如此。
有关更多信息,请参阅
[
教程
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
有关更多信息,请参阅
[
教程
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`数据`
或矢量数据中的变量名称,可选
...
...
docs/15.md
浏览文件 @
22e77bcc
...
...
@@ -24,7 +24,7 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据具有数字或日期类型也是如此
有关更多信息,请参阅
[
教程
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
有关更多信息,请参阅
[
教程
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`数据`
或矢量数据中的变量名称,可选
...
...
docs/16.md
浏览文件 @
22e77bcc
...
...
@@ -21,7 +21,7 @@ seaborn.boxplot 接口的作用是绘制箱形图以展现与类别相关的数
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据属于数值类型或日期类型也是如此。
更多信息请参阅
[
教程
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
更多信息请参阅
[
教程
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`数据`
或向量数据中的变量名称,可选
...
...
docs/17.md
浏览文件 @
22e77bcc
...
...
@@ -23,7 +23,7 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据属于数值类型或日期类型也是如此。
更多信息请参阅
[
tutorial
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
更多信息请参阅
[
tutorial
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`数据`
或向量数据中的变量名称,可选
...
...
docs/18.md
浏览文件 @
22e77bcc
...
...
@@ -23,7 +23,7 @@ seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据属于数值类型或日期类型也是如此。
更多信息请参阅
[
教程
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
更多信息请参阅
[
教程
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`data`
或向量数据中的变量名称,可选
...
...
docs/19.md
浏览文件 @
22e77bcc
...
...
@@ -25,7 +25,7 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
此函数始终将其中一个变量视为分类,并在相关轴上的序数位置(0,1,... n)处绘制数据,即使数据属于数值类型或日期类型也是如此。
更多信息请参阅
[
教程
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
更多信息请参阅
[
教程
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`data`
或向量数据中的变量名称,可选
...
...
docs/20.md
浏览文件 @
22e77bcc
...
...
@@ -25,7 +25,7 @@ seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
这个函数始终把一个变量当做分类变量,即使这个数据是数值类型或者日期类型,并且按照序数顺序绘制在相关的轴上。
详情请看
[
教程
](
..
/tutorial/categorical.html#categorical-tutorial
)
。
详情请看
[
教程
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
。
参数:
`x, y, hue`
:
`data`
中的变量名词或者向量, optional
...
...
docs/21.md
浏览文件 @
22e77bcc
...
...
@@ -21,7 +21,7 @@ seaborn.countplot 使用条形图显示每个类别中观测值的数量。
这个函数总会将变量作为类别变量进行处理,按顺序(0, 1, ... n)在相应坐标轴绘制数据,即使数据为数值或者日期类型。
更多信息参考
[
tutorial
](
..
/tutorial/categorical.html#categorical-tutorial
)
.
更多信息参考
[
tutorial
](
http://seaborn.pydata.org
/tutorial/categorical.html#categorical-tutorial
)
.
参数:
`x, y, hue`
:
`data`
或者向量数据中的变量名,可选
...
...
docs/27.md
浏览文件 @
22e77bcc
...
...
@@ -12,7 +12,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
在考虑如何将变量分配到不同方面时,一般规则是使用
`hue`
进行最重要的比较,然后使用
`col`
和
`row `
。 但是,请始终考虑您的特定数据集以及您正在创建的可视化目标。
估算回归模型有许多互斥的选项。 有关详细信息,请参阅
[
tutorial
](
..
/tutorial/regression.html#regression-tutorial
)
。
估算回归模型有许多互斥的选项。 有关详细信息,请参阅
[
tutorial
](
http://seaborn.pydata.org
/tutorial/regression.html#regression-tutorial
)
。
此函数的参数涵盖了
[
`FacetGrid`
](
seaborn.FacetGrid.html#seaborn.FacetGrid
"seaborn.FacetGrid"
)
中的大多数选项,尽管这样,偶尔还是会出现您需要直接使用该类和
[
`regplot()`
](
seaborn.regplot.html#seaborn.regplot
"seaborn.regplot"
)
的情况。
...
...
docs/28.md
浏览文件 @
22e77bcc
...
...
@@ -8,7 +8,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
绘制数据和线性回归模型拟合。
估算回归模型有许多互斥的选项。查看这个
[
教程
](
..
/tutorial/regression.html#regression-tutorial
)
来了解更多的信息。
估算回归模型有许多互斥的选项。查看这个
[
教程
](
http://seaborn.pydata.org
/tutorial/regression.html#regression-tutorial
)
来了解更多的信息。
参数:
**x,y:字符串,序列(series)或者是向量数组(vector array)**
...
...
docs/32.md
浏览文件 @
22e77bcc
...
...
@@ -22,7 +22,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
基本工作流程是使用数据集和用于构造网格的变量初始化 FacetGrid 对象。然后,通过调用
[
`FacetGrid.map()`
](
seaborn.FacetGrid.map.html#seaborn.FacetGrid.map
"seaborn.FacetGrid.map"
)
或
[
`FacetGrid.map_dataframe()`
](
seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe
"seaborn.FacetGrid.map_dataframe"
)
,可以将一个或多个绘图函数应用于每个子集。最后,可以使用其他方法调整绘图,以执行更改轴标签、使用不同刻度或添加图例等操作。有关详细信息,请参阅下面的详细代码示例。
更多相关信息请参阅
[
`教程`
](
..
/tutorial/axis_grids.html#grid-tutorial
)
。
更多相关信息请参阅
[
`教程`
](
http://seaborn.pydata.org
/tutorial/axis_grids.html#grid-tutorial
)
。
参数:
`data`
:DataFrame 数据。
...
...
docs/35.md
浏览文件 @
22e77bcc
...
...
@@ -12,7 +12,7 @@ class seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=Non
它还可以通过
`hue`
参数用不同颜色绘制不同的数据子集来表示附加级别的条件化。这使用颜色来解析第三维的元素,但只是在彼此之上绘制子集,并且不会像接受
`hue`
的轴级函数那样为特定可视化定制
`hue`
参数。
参考
[
教程
](
..
/tutorial/axis_grids.html#grid-tutorial
)
获取更多信息。
参考
[
教程
](
http://seaborn.pydata.org
/tutorial/axis_grids.html#grid-tutorial
)
获取更多信息。
```
py
__init__
(
data
,
hue
=
None
,
hue_order
=
None
,
palette
=
None
,
hue_kws
=
None
,
vars
=
None
,
x_vars
=
None
,
y_vars
=
None
,
diag_sharey
=
True
,
height
=
2.5
,
aspect
=
1
,
despine
=
True
,
dropna
=
True
,
size
=
None
)
...
...
docs/54.md
浏览文件 @
22e77bcc
...
...
@@ -26,7 +26,7 @@ matplotlib 调色板的顺序可以通过在调色板名称后添加 “_r”
可以在
`with`
语句中使用此函数来为一个或多个点临时改变调色板。
参考这篇
[
教程
](
..
/tutorial/color_palettes.html#palette-tutorial
)
来获取更多信息。
参考这篇
[
教程
](
http://seaborn.pydata.org
/tutorial/color_palettes.html#palette-tutorial
)
来获取更多信息。
参数:
**palette:None, string, or sequence, optional**
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录