Seaborn.PairGrid 类

Seaborn.PairGrid 用于子图网格以绘制数据集中的成对关系。该对象为数据集中的每个变量创建了一个包含多个轴的网格，其中包含列和行。

二元图可以使用各种轴级别的图表工具在上下三角形中绘制，对角线可以显示每个变量的边际分布。使用 pairplot，可以在一条 line() 中生成许多常见的图。当您需要更大的通用性时，请使用 PairGrid。

语法

seaborn.PairGrid 的语法如下 −

class seaborn.PairGrid(**kwargs)

参数

seaborn.PairGridare 的一些参数在下面讨论。

S.No	名称和描述
1	Data 采用数据框，其中每一列都是一个变量，每一行都是一个观察值。
2	hue 指定将显示在特定网格面上的数据部分的变量。要调节此变量的级别顺序，请参阅 var order 参数。
3	Kind 从{'scatter', 'kde', 'hist', 'reg'}中获取值，然后确定要绘制的图的类型。
4	Diag_kind 从{'auto', 'hist', 'kde', None} 获取值，如果使用的话，确定对角线子图的类型。如果是"auto"，则根据是否使用色调进行选择。
5	Height 采用标量值并确定刻面的高度。
6	Aspect 获取每个刻面的标量值和纵横比，因此纵横比 * 高度给出每个刻面的宽度（以英寸为单位）。
7	corner 采用布尔值，如果为 True，则不要将坐标轴添加到网格的上（非对角线）三角形，使其成为"角"图。
8	hue_order 将列表作为输入，分面变量级别的顺序由此顺序确定。

加载 seaborn 库

让我们在继续开发绘图之前加载 seaborn 库和数据集。要加载或导入 seaborn 库，可以使用以下代码行。

Import seaborn as sns

加载数据集

在本文中，我们将使用 seaborn 库中内置的练习数据集。以下命令用于加载数据集。

exercise=sns.load_dataset("exercise")

下面提到的命令用于查看数据集中的前 5 行。这使我们能够了解哪些变量可用于绘制图形。

exercise.head()

以下是上面这段代码的输出。

index,Unnamed: 0,id,diet,pulse,time,kind
0,0,1,low fat,85,1 min,rest
1,1,1,low fat,85,15 min,rest
2,2,1,low fat,88,30 min,rest
3,3,2,low fat,90,1 min,rest
4,4,2,low fat,92,15 min,rest

现在我们已经加载了数据集，我们将探索几个示例。

示例 1

我们将从调用 PairGrid 并将数据帧传递给它开始。这将产生多个图，如下所示。

import seaborn as sns
import matplotlib.pyplot as plt
exercise=sns.load_dataset("exercise")
exercise.head()
g = sns.PairGrid(exercise)
plt.show()

输出

得到的绘图如下图 −

示例 2

在这个例子中，我们将把更多的参数连同数据帧一起传递给 PairGrid。我们正在使用练习数据集，我们将绘制本质上是散点图的图形。

import seaborn as sns
import matplotlib.pyplot as plt
exercise=sns.load_dataset("exercise")
exercise.head()
g = sns.PairGrid(exercise)
g.map(sns.scatterplot)
plt.show()

输出

得到的图如下所示。

示例 3

在这个例子中，我们将在 facet 中绘制不同类型的 sof plots。这可以在 map_upper、map_lower 和 map_diag 函数的帮助下完成，这些函数用于初始化需要在网格中绘制的绘图类型。

假设使用map_upper，设置的是scatterplot，那么grid上段的图就是散点图，以此类推。在下面的示例中，上面的图是实物散点图，下面的图是实物核密度估计 (KDE)，其余是经验累积密度函数 (ecdf) 图。

import seaborn as sns
import matplotlib.pyplot as plt
exercise=sns.load_dataset("exercise")
exercise.head()
g=sns.PairGrid(exercise)
g.map_upper(sns.scatterplot)
g.map_lower(sns.kdeplot)
g.map_diag(sns.ecdfplot)
plt.show()