seaborn.boxenplot

译者：FindNorthStar

seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, k_depth='proportion', linewidth=None, scale='exponential', outlier_prop=None, ax=None, **kwargs)

为更大的数据集绘制增强的箱型图。

这种风格的绘图最初被命名为“信值图”，因为它显示了大量被定义为“置信区间”的分位数。它类似于绘制分布的非参数表示的箱形图，其中所有特征对应于实际观察的数值点。通过绘制更多分位数，它提供了有关分布形状的更多信息，特别是尾部数据的分布。欲了解更详细的解释，您可以阅读介绍该绘图的论文：

https://vita.had.co.nz/papers/letter-value-plot.html

输入数据可以通过多种格式传入，包括：

• 格式为列表，numpy 数组或 pandas Series 对象的数据向量可以直接传递给x，y和hue参数。
• 对于长格式的 DataFrame，x，y，和hue参数会决定如何绘制数据。
• 对于宽格式的 DataFrame，每一列数值列都会被绘制。
• 一个数组或向量的列表。

在大多数情况下，可以使用 numpy 或 Python 对象，但更推荐使用 pandas 对象，因为与数据关联的列名/行名可以用于标注横轴/纵轴的名称。此外，您可以使用分类类型对变量进行分组以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，即使数据属于数值类型或日期类型也是如此。

更多信息请参阅 教程。

参数：x, y, hue：data或向量数据中的变量名称，可选

用于绘制长格式数据的输入。查看样例以进一步理解。

data：DataFrame，数组，数组列表，可选

用于绘图的数据集。如果x和y都缺失，那么数据将被视为宽格式。否则数据被视为长格式。

order, hue_order：字符串列表，可选

控制分类变量（对应的条形图）的绘制顺序，若缺失则从数据中推断分类变量的顺序。

orient：“v” | “h”，可选

控制绘图的方向（垂直或水平）。这通常是从输入变量的 dtype 推断出来的，但是当“分类”变量为数值型或绘制宽格式数据时可用于指定绘图的方向。

color：matplotlib 颜色，可选

所有元素的颜色，或渐变调色板的种子颜色。

palette：调色板名称，列表或字典，可选

用于hue变量的不同级别的颜色。可以从 color_palette() 得到一些解释，或者将色调级别映射到 matplotlib 颜色的字典。

saturation：float，可选

控制用于绘制颜色的原始饱和度的比例。通常大幅填充在轻微不饱和的颜色下看起来更好，如果您希望绘图颜色与输入颜色规格完美匹配可将其设置为1。

width：float，可选

不使用色调嵌套时完整元素的宽度，或主要分组变量一个级别的所有元素的宽度。

dodge：bool，可选

使用色调嵌套时，元素是否应沿分类轴移动。

k_depth：“proportion” | “tukey” | “trustworthy”，可选

通过增大百分比的粒度控制绘制的盒形图数目。所有方法都在 Wickham 的论文中有详细描述。每个参数代表利用不同的统计特性对异常值的数量做出不同的假设。

linewidth：float，可选

构图元素的灰线宽度。

scale：“linear” | “exponential” | “area”

用于控制增强箱型图宽度的方法。所有参数都会给显示效果造成影响。 “linear” 通过恒定的线性因子减小宽度，“exponential” 使用未覆盖的数据的比例调整宽度， “area” 与所覆盖的数据的百分比成比例。

outlier_prop：float，可选

被认为是异常值的数据比例。与 k_depth 结合使用以确定要绘制的百分位数。默认值为 0.007 作为异常值的比例。该参数取值应在[0,1]范围内。

ax：matplotlib 轴，可选

绘图时使用的 Axes 轴对象，否则使用当前 Axes 轴对象。

kwargs：键，值映射

其他在绘制时传递给plt.plot和plt.scatter参数。

返回值：ax：matplotlib 轴

返回 Axes 对轴象，并在其上绘制绘图。

亦可参见

boxplot 和核密度估计的结合。一个传统的箱型图具有类似的 API。

示例

绘制一个独立的横向增强箱型图：

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

根据分类变量分组绘制一个纵向的增强箱型图：

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

根据 2 个分类变量嵌套分组绘制一个增强箱型图：

>>> ax = sns.boxenplot(x="day", y="total_bill", hue="smoker",
...                    data=tips, palette="Set3")

当一些数据为空时根据嵌套分组绘制一个增强箱型图：

>>> ax = sns.boxenplot(x="day", y="total_bill", hue="time",
...                    data=tips, linewidth=2.5)

通过显式传入参数指定顺序控制箱型图的显示顺序：

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

针对 DataFrame 里每一个数值型变量绘制增强箱型图：

>>> iris = sns.load_dataset("iris")
>>> ax = sns.boxenplot(data=iris, orient="h", palette="Set2")

使用 stripplot() 显示箱型图顶部的数据点：

>>> ax = sns.boxenplot(x="day", y="total_bill", data=tips)
>>> ax = sns.stripplot(x="day", y="total_bill", data=tips,
...                    size=4, jitter=True, color="gray")

将 catplot() to combine boxenplot() 以及 FacetGrid 结合起来使用。这允许您通过额外的分类变量进行分组。使用 catplot() 比直接使用 FacetGrid 更为安全，因为它保证了不同切面上变量同步的顺序：

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

---

我们一直在努力

apachecn/AiLearning

---