python画回归曲线,python 绘制曲线

　　这篇文章主要为大家介绍了如何利用海生的绘制变量之间线型回归（线性回归)曲线，2文中涉及如下两个重要函数：seaborn.regplot和seaborn.lmplot，感兴趣的小伙伴可以跟随小编一起学习一下

目录

本文速览

1、绘图数据准备

　　依旧使用鸢尾花虹膜数据集，详细介绍见之前文章。

　　#导入本帖要用到的库，声明如下：

　　将matplotlib.pyplot作为血小板计数导入

　　将数组作为铭牌导入

　　进口熊猫作为螺纹中径

　　进口托盘

　　来自熊猫进口系列，数据框架

　　从实例导入数据集

　　将海生的作为社交网站（Social Network Site的缩写）导入

　　进口托盘

　　#导入鸢尾花虹膜数据集（方法一)

　　#该方法更有助于理解数据集

　　iris=datasets.load_iris()

　　x，y=虹膜。数据，虹膜。目标

　　y _ 1=NP。数组([ setosa if I==0 else versicolor if I==1 else virginica for I in y])

　　pd_iris=pd .DataFrame(np.hstack((x，y _ 1。shape(150，1)))，columns=[萼片长度(厘米)，萼片宽度(厘米)，花瓣长度(厘米)，花瓣宽度(厘米)，类])

　　# a类型修改pd_iris中数据类型目标为float64

　　pd_iris[萼片长度（厘米)]=pd_iris[萼片长度（厘米)]。astype(float64 )

　　pd_iris[萼片宽度（厘米)]=pd_iris[萼片宽度（厘米)]。astype(float64 )

　　pd_iris[花瓣长度（厘米)]=pd_iris[花瓣长度（厘米)]。astype(float64 )

　　pd_iris[花瓣宽度（厘米)]=pd_iris[花瓣宽度（厘米)]。astype(float64 )

　　#导入鸢尾花虹膜数据集（方法二)

　　#该方法有时候会卡巴斯基，所以弃而不用

　　#将海生的作为社交网站（Social Network Site的缩写）导入

　　# iris _ SNS=SNS。load _ dataset( iris )

　　数据集简单查看

2、seaborn.regplot

　　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，seed=None，order=1，logistic=False，lowess=False，robust=False，logx=False，x_partial=None，y_partial=None，truncate=True，dropna=Tr

　　ue, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)

regplot默认参数线型回归图

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)#设置主题，文本大小
　　g=sns.regplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 color=#000000,#设置marker及线的颜色
　　 marker=*,#设置marker形状
　　 )

分别设置点和拟合线属性

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.regplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 color=#000000,
　　 marker=*,
　　 scatter_kws={s: 60,color:g,},#设置散点属性，参考plt.scatter
　　 line_kws={linestyle:--,color:r}#设置线属性，参考 plt.plot 
　　

置信区间（confidence interval）设置

　　注意拟合线周围阴影面积变化

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.regplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 color=#000000,
　　 marker=*,
　　 ci=60,#置信区间设置，默认为95%置信区间，越大线周围阴影部分面积越大
　　 )

拟合线延伸与坐标轴相交

# extend the regression line to the axis limits
　　plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.regplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 color=#000000,
　　 marker=*,
　　 truncate=False,#让拟合线与轴相交
　　 )

拟合离散变量曲线

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　x_discrete=[0 if i==setosa else 1 if i==versicolor else 2 for i in pd_iris[class]]#
　　g=sns.regplot(x=x_discrete, y=sepal width(cm), data=pd_iris,#x此时为离散变量
　　 color=#000000,
　　 marker=*,
　　 )
　　

多项式回归（ polynomial regression）拟合曲线

plt.figure(dpi=110)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.regplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 marker=*,
　　 order=4,#默认为1，越大越弯曲
　　 scatter_kws={s: 60,color:#016392,},#设置散点属性，参考plt.scatter
　　 line_kws={linestyle:--,color:#c72e29}#设置线属性，参考 plt.plot 
　　 )

3、seaborn.lmplot

　　seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)

　　seaborn.lmplot结合seaborn.regplot()和FacetGrid，比seaborn.regplot()更灵活，可绘制更个性化的图形。

按变量分类拟合回归线

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.lmplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 hue=class,
　　 )
　　g.fig.set_size_inches(10,8)

散点marker设置

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.lmplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 hue=class,
　　 markers=[+,^,o], #设置散点marker 
　　 )
　　g.fig.set_size_inches(10,8)

散点调色盘

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.lmplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 hue=class,
　　 markers=[+,^,*],
　　 scatter_kws={s:180},
　　 palette=["#01a2d9", "#31A354", "#c72e29"],#调色盘
　　 )
　　g.fig.set_size_inches(10,8)

拟合线属性设置

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.lmplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 hue=class,
　　 markers=[+,^,*],
　　 scatter_kws={s:180},
　　 line_kws={linestyle:--},#拟合线属性设置
　　 palette=["#01a2d9", "#31A354", "#c72e29"],
　　 )
　　g.fig.set_size_inches(10,8)

绘制分面图

plt.figure(dpi=100)
　　sns.set(style="whitegrid",font_scale=1.2)
　　g=sns.lmplot(x=sepal length(cm), y=sepal width(cm), data=pd_iris,
　　 col=class,#按class绘制分面图
　　 markers=*,
　　 scatter_kws={s:150,color:#01a2d9},
　　 line_kws={linestyle:--,color:#c72e29},#直线属性设置
　　 )
　　g.fig.set_size_inches(10,8)

　　以上就是Python可视化学习之seaborn绘制线型回归曲线的详细内容，更多关于Python seaborn线型回归曲线的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。