seaborn.FacetGrid

class seaborn.FacetGrid(data, 
                        row=None, 
                        col=None, 
                        hue=None, 
                        col_wrap=None, 
                        sharex=True, sharey=True, 
                        height=3, aspect=1, 
                        palette=None, 
                        row_order=None, 
                        col_order=None, 
                        hue_order=None, 
                        hue_kws=None, 
                        dropna=True, 
                        legend_out=True, 
                        despine=True, 
                        margin_titles=False, 
                        xlim=None, ylim=None, 
                        subplot_kws=None, 
                        gridspec_kws=None, 
                        size=None)

用于绘制条件关系的多图网格。

__init__(data, row=None, col=None, hue=None, 
         col_wrap=None, sharex=True, sharey=True, 
         height=3, aspect=1, palette=None, row_order=None, 
         col_order=None, hue_order=None, hue_kws=None, 
         dropna=True, legend_out=True, despine=True, 
         margin_titles=False, xlim=None, ylim=None, 
         subplot_kws=None, gridspec_kws=None, size=None)

初始化 matplotlib 画布和 FacetGrid 对象。

该类将数据集映射到由行和列组成的网格中的多个轴上，这些轴与数据集中变量的级别对应。它产生的图通常被称为“lattice”，“trellis”或“small-multiple”图形。

它还可以用hue参数表示第三个变量的级别，该参数绘制不同颜色的不同数据子集。它使用颜色来解析第三维度上的元素，但是只绘制相互重叠的子集，并且不会像接受“hue”的坐标轴级函数那样为特定的可视化定制“hue”参数。

当使用从数据集推断语义映射的 seaborn 函数时，必须注意在各个方面之间同步这些映射。在大多数情况下，使用图形级函数（例如relplot()或catplot()）比直接使用FacetGrid更好。

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()或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。

参数：data：DataFrame 数据。

整洁的（“长形式”）dataframe 数据，其中每一列是一个变量，每一行是一个观察实例。

row, col, hue：字符串。

定义数据子集的变量，这些变量将在网格的不同方面绘制。请参阅*_order参数以控制此变量的级别顺序。

col_wrap：整形数值，可选参数。

以此参数值来限制网格的列维度，以便列面跨越多行。与row面不兼容。

share{x,y}：布尔值，'col' 或 'row'可选

如果为 true，则跨列共享 y 轴或者跨行共享 x 轴。

height：标量，可选参数。

每个图片的高度设定（以英寸为单位）。另见：aspect

aspect：标量，可选参数。

每个图片的纵横比，因此 aspect * height 给出每个图片的宽度，单位为英寸。

palette：调色板名称，列表或字典，可选参数。

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

{row,col,hue}_order：列表，可选参数。

对所给命令级别进行排序。默认情况下，这将是在数据中显示的级别，或者，如果变量是 pandas 分类，则为类别顺序。

hue_kws：参数-列表值的映射字典

插入到绘图调用中的其他关键字参数，使得其他绘图属性在色调变量的级别上有所不同（例如散点图中的标记）。

legend_out：布尔值，可选参数。

如果为 True，则图形尺寸将被扩展，图例将绘制在中间右侧的图形之外。

despine：布尔值，可选参数。

从图中移除顶部和右侧边缘框架。

margin_titles：布尔值，可选参数。

如果为 True，则行变量的标题将绘制在最后一列的右侧。此选项是实验性的，可能无法在所有情况下使用。

{x, y}lim：元组，可选参数。

每个图片上每个轴的限制（仅当 share {x，y}为 True 时才相关）。

subplot_kws：字典，可选参数。

传递给 matplotlib subplot（s）方法的关键字参数字典。

gridspec_kws：字典，可选参数。

传递给 matplotlib 的gridspec模块（通过plt.subplots）的关键字参数字典。需要 matplotlib> = 1.4，如果col_wrap不是None，则忽略它。

另请参见

用于绘制成对关系的子图网格。

relplot

结合关系图和FacetGrid。

catplot

结合分类图和FacetGrid。

lmplot

结合回归图和FacetGrid。

范例

使用 tips 数据集初始化 2x2 网格图：

>>> import seaborn as sns; sns.set(style="ticks", color_codes=True)
>>> tips = sns.load_dataset("tips")
>>> g = sns.FacetGrid(tips, col="time", row="smoker")

undefined

在每个子图绘制一个单变量图：

>>> import matplotlib.pyplot as plt
>>> g = sns.FacetGrid(tips, col="time",  row="smoker")
>>> g = g.map(plt.hist, "total_bill")

undefined

（注意，没有必要重新捕获返回的变量;它是相同的对象，但在示例中这样做使得处理 doctests 更加方便）。

将其他关键字参数传递给映射函数：

>>> import numpy as np
>>> bins = np.arange(0, 65, 5)
>>> g = sns.FacetGrid(tips, col="time",  row="smoker")
>>> g = g.map(plt.hist, "total_bill", bins=bins, color="r")

undefined

在每个子图绘制一个双变量函数：

>>> g = sns.FacetGrid(tips, col="time",  row="smoker")
>>> g = g.map(plt.scatter, "total_bill", "tip", edgecolor="w")

undefined

将其中一个变量分配给绘图元素的颜色：

>>> g = sns.FacetGrid(tips, col="time",  hue="smoker")
>>> g = (g.map(plt.scatter, "total_bill", "tip", edgecolor="w")
...       .add_legend())

undefined

更改每个子图的高度和纵横比：

>>> g = sns.FacetGrid(tips, col="day", height=4, aspect=.5)
>>> g = g.map(plt.hist, "total_bill", bins=bins)

<img src="https://raw.githubusercontent.com/HG1227/image/master/img_tuchuang/20200512101819.jpg"

指定绘图元素的顺序：

>>> g = sns.FacetGrid(tips, col="smoker", col_order=["Yes", "No"])
>>> g = g.map(plt.hist, "total_bill", bins=bins, color="m")

undefined

使用不同的调色板：

>>> kws = dict(s=50, linewidth=.5, edgecolor="w")
>>> g = sns.FacetGrid(tips, col="sex", hue="time", palette="Set1",
...                   hue_order=["Dinner", "Lunch"])
>>> g = (g.map(plt.scatter, "total_bill", "tip", **kws)
...      .add_legend())

undefined

使用字典将色调级别映射到颜色：

>>> pal = dict(Lunch="seagreen", Dinner="gray")
>>> g = sns.FacetGrid(tips, col="sex", hue="time", palette=pal,
...                   hue_order=["Dinner", "Lunch"])
>>> g = (g.map(plt.scatter, "total_bill", "tip", **kws)
...      .add_legend())

undefined

另外，为色调级别使用不同的标记：

>>> g = sns.FacetGrid(tips, col="sex", hue="time", palette=pal,
...                   hue_order=["Dinner", "Lunch"],
...                   hue_kws=dict(marker=["^", "v"]))
>>> g = (g.map(plt.scatter, "total_bill", "tip", **kws)
...      .add_legend())

undefined

将包含多个级别的列变量“换行”到行中：

>>> att = sns.load_dataset("attention")
>>> g = sns.FacetGrid(att, col="subject", col_wrap=5, height=1.5)
>>> g = g.map(plt.plot, "solutions", "score", marker=".")

undefined

定义一个自定义双变量函数来映射到网格：

>>> from scipy import stats
>>> def qqplot(x, y, **kwargs):
...     _, xr = stats.probplot(x, fit=False)
...     _, yr = stats.probplot(y, fit=False)
...     plt.scatter(xr, yr, **kwargs)
>>> g = sns.FacetGrid(tips, col="smoker", hue="sex")
>>> g = (g.map(qqplot, "total_bill", "tip", **kws)
...       .add_legend())

undefined

定义一个使用DataFrame对象的自定义函数，并接受列名作为位置变量：

>>> import pandas as pd
>>> df = pd.DataFrame(
...     data=np.random.randn(90, 4),
...     columns=pd.Series(list("ABCD"), name="walk"),
...     index=pd.date_range("2015-01-01", "2015-03-31",
...                         name="date"))
>>> df = df.cumsum(axis=0).stack().reset_index(name="val")
>>> def dateplot(x, y, **kwargs):
...     ax = plt.gca()
...     data = kwargs.pop("data")
...     data.plot(x=x, y=y, ax=ax, grid=False, **kwargs)
>>> g = sns.FacetGrid(df, col="walk", col_wrap=2, height=3.5)
>>> g = g.map_dataframe(dateplot, "date", "val")

undefined

绘图后使用不同的轴标签：

>>> g = sns.FacetGrid(tips, col="smoker", row="sex")
>>> g = (g.map(plt.scatter, "total_bill", "tip", color="g", **kws)
...       .set_axis_labels("Total bill (US Dollars)", "Tip"))

undefined

设置每个子图共享的其他属性：

>>> g = sns.FacetGrid(tips, col="smoker", row="sex")
>>> g = (g.map(plt.scatter, "total_bill", "tip", color="r", **kws)
...       .set(xlim=(0, 60), ylim=(0, 12),
...            xticks=[10, 30, 50], yticks=[2, 6, 10]))

undefined

为子图标题使用不同的模板：

>>> g = sns.FacetGrid(tips, col="size", col_wrap=3)
>>> g = (g.map(plt.hist, "tip", bins=np.arange(0, 13), color="c")
...       .set_titles("{col_name} diners"))

undefined

收紧每个子图:

>>> g = sns.FacetGrid(tips, col="smoker", row="sex",
...                   margin_titles=True)
>>> g = (g.map(plt.scatter, "total_bill", "tip", color="m", **kws)
...       .set(xlim=(0, 60), ylim=(0, 12),
...            xticks=[10, 30, 50], yticks=[2, 6, 10])
...       .fig.subplots_adjust(wspace=.05, hspace=.05))

undefined

方法

| __init__(data[, row, col, hue, col_wrap, …]) | 初始化 matplotlib 画布和 FacetGrid 对象。 |

| add_legend([legend_data, title, label_order]) | 绘制一个图例，可能将其放在轴外并调整图形大小。|

| despine(**kwargs) | 从子图中移除轴的边缘框架。 |

| facet_axis(row_i, col_j) | 使这些索引识别的轴处于活动状态并返回。 |

| facet_data() | 用于每个子图的名称索引和数据子集的生成器。 |

| map(func, args, *kwargs) | 将绘图功能应用于每个子图的数据子集。 |

| map_dataframe(func, args, *kwargs) | 像.map一样，但是将 args 作为字符串传递并在 kwargs 中插入数据。 |

| savefig(args, *kwargs) | 保存图片。 |

| set(**kwargs) | 在每个子图集坐标轴上设置属性。|

| set_axis_labels([x_var, y_var]) | 在网格的左列和底行设置轴标签。 |

| set_titles([template, row_template, …]) | 在每个子图上方或网格边缘绘制标题。 |

| set_xlabels([label]) | 在网格的底行标记 x 轴。 |

| set_xticklabels([labels, step]) | 在网格的底行设置 x 轴刻度标签。 |

| set_ylabels([label]) | 在网格的左列标记 y 轴。 |

| set_yticklabels([labels]) | 在网格的左列上设置 y 轴刻度标签。 |

属性

| ax | 轻松访问单个坐标轴。 |

Update time： 2020-05-23

results matching ""

    No results matching ""