seaborn.stripplot

译者：LIJIANcoder97

seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=True, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)

绘制一个散点图，其中一个变量是分类。

条形图可以单独绘制，但如果您想要显示所有观察结果以及底层分布的某些表示，它也是一个盒子或小提琴图的良好补充。

输入数据可以以多种格式传递，包括：

表示为列表，numpy 数组或 pandas Series 对象的数据向量直接传递给x，y和hue参数
在这种情况下，x，y和hue变量将决定数据的绘制方式。
“wide-form” DataFrame, 用于绘制每个数字列。
一个数组或向量列表。

在大多数情况下，可以使用 numpy 或 Python 对象，但最好使用 pandas 对象，因为关联的名称将用于注释轴。另外，您可以使用分组变量的分类类型来控制绘图元素的顺序。

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。

参数：x, y, hue： 数据或矢量数据中的变量名称，可选

用于绘制长格式数据的输入。查看解释示例。

data：DataFrame, 数组, 数组列表, 可选

用于绘图的数据集。如果 x 和 y 不存在，则将其解释为宽格式。否则预计它将是长格式的。

order, hue_order：字符串列表，可选

命令绘制分类级别，否则从数据对象推断级别。

jitter：float, True/1 是特殊的，可选

要应用的抖动量（仅沿分类轴）。当您有许多点并且它们重叠时，这可能很有用，因此更容易看到分布。您可以指定抖动量（均匀随机变量支持的宽度的一半），或者仅使用True作为良好的默认值

dodge：bool, 可选

使用 hue 嵌套时，将其设置为 True 将沿着分类轴分离不同色调级别的条带。否则，每个级别的点将相互叠加。

orient：“v” | “h”, 可选

图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但可用于指定“分类”变量何时是数字或何时绘制宽格式数据。

color：matplotlib 颜色，可选

所有元素的颜色，或渐变调色板的种子。

palette：调色板名称，列表或字典，可选

用于色调变量的不同级别的颜色。应该是 color_palette(), 可以解释的东西，或者是将色调级别映射到 matplotlib 颜色的字典。

size：float, 可选

标记的直径，以磅为单位。（虽然 plt.scatter 用于绘制点，但这里的 size 参数采用“普通”标记大小而不是大小^ 2，如 plt.scatter 。

edgecolor：matplotlib 颜色，“灰色”是特殊的，可选的

每个点周围线条的颜色。如果传递"灰色"，则亮度由用于点体的调色板决定。

linewidth：float, 可选

构图元素的灰线宽度。

ax：matplotlib 轴，可选

返回 Axes 对象，并在其上绘制绘图。

返回值：ax：matplotlib 轴

返回 Axes 对象，并在其上绘制绘图。

也可参看

分类散点图，其中点不重叠。可以与其他图一起使用来显示每个观察结果。带有类似 API 的传统盒须图。箱形图和核密度估计的组合。

例子

绘制单个水平条形图：

>>> import seaborn as sns
>>> sns.set(style="whitegrid")
>>> tips = sns.load_dataset("tips")
>>> ax = sns.stripplot(x=tips["total_bill"])

通过分类变量对条形图进行分组：

>>> ax = sns.stripplot(x="day", y="total_bill", data=tips)

添加抖动以显示值的分布：

>>> ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

使用较少量的抖动：

>>> ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=0.05)

画水平条形图：

>>> ax = sns.stripplot(x="total_bill", y="day", data=tips,
...                    jitter=True)

围绕要点绘制轮廓：

>>> ax = sns.stripplot(x="total_bill", y="day", data=tips,
...                    jitter=True, linewidth=1)

将条带嵌套在第二个分类变量中：

>>> ax = sns.stripplot(x="sex", y="total_bill", hue="day",
...                    data=tips, jitter=True)

在主要分类轴上的不同位置绘制 hue 变量的每个级别：

>>> ax = sns.stripplot(x="day", y="total_bill", hue="smoker",
...                    data=tips, jitter=True,
...                    palette="Set2", dodge=True)

通过传递显式顺序来控制条带顺序：

>>> ax = sns.stripplot(x="time", y="tip", data=tips,
...                    order=["Dinner", "Lunch"])

绘制具有大点和不同美感的条带：

>>> ax =  sns.stripplot("day", "total_bill", "smoker", data=tips,
...                    palette="Set2", size=20, marker="D",
...                    edgecolor="gray", alpha=.25)

在箱形图上绘制观察条带：

>>> ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
>>> ax = sns.stripplot(x="tip", y="day", data=tips,
...                    jitter=True, color=".3")

在小提琴情节的顶部绘制观察条带：

>>> ax = sns.violinplot(x="day", y="total_bill", data=tips,
...                     inner=None, color=".8")
>>> ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

使用 catplot() 组合stripplot()和FacetGrid。这允许在其他分类变量中进行分组。使用catplot()比直接使用FacetGrid更安全，因为它确保了跨方面的变量顺序的同步

>>> g = sns.catplot(x="sex", y="total_bill",
...                 hue="smoker", col="time",
...                 data=tips, kind="strip",
...                 jitter=True,
...                 height=4, aspect=.7);

我们一直在努力

apachecn/AiLearning