基于Python的回归图的绘制

一、实验目的

1.掌握seaborn库

2.回归图主要是基于 seaborn 库中的 regplot 函数进行绘制。

二、实验设备与器件

PC机、TempoAI平台

三、实验内容

seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)

%matplotlib inline

# 导入库

import seaborn as sns

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

# 设置风格样式

sns.set(color_codes=True)

# 构建数据

# 载入example.csv

tips = pd.read_csv("/data/shixunfiles/56516317765e7b7e0b50d0f9d01f2d82_1609223779873.csv")

# 查看数据

print(tips)

# 绘制双变量的线性关系

sns.regplot(x="total_bill",y="tip",data=tips)

# 显示

plt.show()

 

 

# 在上述图形的基础上，加入对x轴分组数据的抖动

# x_jitter 表示沿轴随机分布，相对避免重叠

sns.regplot(x="size", y="total_bill",

            data=tips, x_jitter=.05)

# 显示

plt.show()

 

 

# 根据数据的情况，指定按x轴进行分组，只显示每一组数据的均值和置信区间

# x_estimator：将此函数应用于x的每个唯一值并绘制结果的估计值

sns.regplot(x="size", y="total_bill",

            data=tips,x_estimator=np.mean)

# 显示

plt.show()

 

 

In [4]:

# 使用log(x)拟合回归模型，进行模型预测

# logx为使用log(x)拟合

# truncate：默认情况下，绘制回归线以在绘制散点图后填充x轴限制。 如果truncate是True，它将改为受到数据本身限制的限制

sns.regplot(x="size", y="total_bill",

            data=tips,x_estimator=np.mean,

            logx=True, truncate=True)

plt.show()

 

 

In [5]:

%matplotlib inline

# 导入库

import seaborn as sns

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

# 设置风格样式

sns.set(color_codes=True)

# 构建数据

np.random.seed(10)

mean, cov = [4, 7], [(1.5, .6), (.8, 1)]

x, y = np.random.multivariate_normal(mean, cov, 50).T

# 构建随机数据，绘制双变量的线性关系，使用70%的置信区间，该区间对应于估计的标准误差

# ci：回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制

sns.regplot(x=x, y=y, color="g",ci=70)

# 显示

plt.show()

/usr/local/lib/python3.6/site-packages/ipykernel_launcher.py:14: RuntimeWarning: covariance is not positive-semidefinite.

 

 

In [6]:

# 将连续变量绘制成不连续的区域

x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")

# x_bins：将x变量加入离散区间，然后估计中心趋势和置信区间。使用此参数时，x_estimator的默认值为numpy.mean。

sns.regplot(x=x, y=y, x_bins=4)

# 显示

plt.show()

 

 

In [7]:

%matplotlib inline

# 导入库

import seaborn as sns

import matplotlib.pyplot as plt

# 设置风格样式

sns.set(color_codes=True)

# 构建数据

# 载入example2.csv

ans = pd.read_csv("/data/shixunfiles/db9ae053abe28259bf7d18e8d9ddc2e9_1609223779877.csv")

# 显示数据

print(ans)

# 拟合高阶多项式回归并进行模型预测

# scatter_kws：传递给plt.scatter和plt.plot的附加关键字参数

# order：如果order大于1，使用numpy.polyfit来估计多项式回归

 

 

至此，Python 的回归图的绘制结束。