seaborn.objects命名空间是在 0.12 版本中引入的，作为制作seaborn绘图的全新接口。它提供了一个更加一致和灵活的 API，包括用于转换和绘制数据的可组合类的集合。与seaborn现有功能相比，新界面支持端到端的绘图规范和自定义，而无需下拉到 matplotlib（尽管在必要时仍然可以这样做）。

注意

对象接口目前处于实验阶段并且不完整。它足够稳定，可以认真使用，但肯定有一些粗糙的边缘和缺失的功能。

指定绘图和映射数据

按照以下约定导入对象接口：

In [2]:

import seaborn.objects as so

seaborn.objects命名空间将提供对所有相关类的访问。最重要的是 Plot。可以通过实例化Plot对象并调用其方法来指定绘图。

看一个简单的例子：

In [4]:

import seaborn as sns

In [5]:

sns.set_theme()

In [6]:

penguins = sns.load_dataset("penguins", data_home='seaborn-data',cache=True)
so.Plot(penguins, x="bill_length_mm", y="bill_depth_mm").add(so.Dot())

Out[6]:

No description has been provided for this image

生成散点图的这段代码看起来应该相当熟悉。与使用seaborn.scatterplot()时一样，传递了一个整洁的数据框(penguins)，并将其中的两列分配给该图的x和y坐标。但这里不是从图表类型开始，然后添加一些数据赋值，而是从数据赋值开始，然后添加一个图形元素。

设置属性

Dot类是Mark的一个例子:一个以图形方式表示数据值的对象。每个标记都有许多属性，可以通过设置来改变其外观:

In [7]:

(
    so.Plot(penguins, x="bill_length_mm", y="bill_depth_mm")
    .add(so.Dot(color="g", pointsize=4))
)

Out[7]:

映射属性

与 seaborn 的函数一样，也可以将数据值映射到各种图形属性：

In [8]:

(
    so.Plot(
        penguins, x="bill_length_mm", y="bill_depth_mm",
        color="species", pointsize="body_mass_g",
    )
    .add(so.Dot())
)

Out[8]:

虽然这个基本功能并不新颖，但与函数API的一个重要区别是，属性是使用直接设置属性的相同参数名称进行映射的(而不是使用hue与color等)。重要的是属性在哪里定义：在初始化Dot时传递一个值将直接设置它，而在设置Plot时分配一个变量将映射相应的数据。

除了这种差异之外，对象接口还允许映射更广泛的标记属性：

In [9]:

(
    so.Plot(
        penguins, x="bill_length_mm", y="bill_depth_mm",
        edgecolor="sex", edgewidth="body_mass_g",
    )
    .add(so.Dot(color=".8"))
)

Out[9]:

定义组

Dot标记独立地表示每个数据点，因此将变量赋值给属性仅具有更改每个点的外观的效果。对于对观测值进行分组或连接的标记（例如Line），它还确定不同图形元素的数量：

In [10]:

# healthexp = sns.load_dataset("healthexp")
healthexp = sns.load_dataset("healthexp",data_home='seaborn-data',cache=True)
so.Plot(healthexp, x="Year", y="Life_Expectancy", color="Country").add(so.Line())

Out[10]:

还可以在不更改任何视觉属性的情况下定义分组，方法是使用 group ：

In [11]:

(
    so.Plot(healthexp, x="Year", y="Life_Expectancy", group="Country")
    .add(so.Line())
)

Out[11]:

在绘图之前转换数据

统计转换

与许多 seaborn 函数一样，objects 接口支持统计转换。这些由 Stat 对象执行，例如 Agg ：

In [12]:

(
    so.Plot(penguins, x="species", y="body_mass_g")
    .add(so.Bar(), so.Agg())
)

Out[12]:

在函数界面中，统计转换可以使用一些可视化表示(例如seaborn.barplot())，但不能使用其他表示(例如seaborn.scatterplot())。对象接口更清晰地分离了表示和转换，允许组合Mark和Stat对象:

In [13]:

(
    so.Plot(penguins, x="species", y="body_mass_g")
    .add(so.Dot(pointsize=10), so.Agg())
)

Out[13]:

通过映射属性形成组时，Stat转换将分别应用于每个组：

In [14]:

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Dot(pointsize=10), so.Agg())
)

Out[14]:

解决过度绘图问题

一些 seaborn 函数还具有自动解决过度绘图的机制，例如一旦分配了色调，seaborn.barplot()就会“回避”条形图。对象接口的默认行为不那么复杂。默认情况下，表示多个组的条形图将重叠:

In [15]:

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Bar(), so.Agg())
)

Out[15]:

然而，可以将bar标记与Agg属性和第二次转换组合在一起，由Dodge实现:

In [16]:

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Bar(), so.Agg(), so.Dodge())
)

Out[16]:

Dodge类是Move转换的一个例子，它类似于Stat，但只调整x和y坐标。 Move类可以应用于任何标记，并且不需要先使用Stat:

In [17]:

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Dot(), so.Dodge())
)

Out[17]:

还可以按顺序应用多个 Move 操作：

In [18]:

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Dot(), so.Dodge(), so.Jitter(.3))
)

Out[18]:

通过转换创建变量

Agg 统计要求已经定义了x和y，但是也可以通过统计转换创建变量。例如，Hist状态只需要定义x或y中的一个，它将通过计数观察来创建另一个:

In [19]:

(
    so.Plot(penguins, x="species")
    .add(so.Bar(), so.Hist())
)

Out[19]:

当给定数值数据时，Hist统计信息还将创建新x值（通过分箱）：

In [20]:

(
    so.Plot(penguins, x="flipper_length_mm")
    .add(so.Bars(), so.Hist())
)

Out[20]:

请注意如何使用Bar ，而不是用于具有连续x轴的Bar图。这两个标记是相关的，但是Bar有不同的默认值，并且更适合连续直方图。它还会产生一个不同的、更高效的 matplotlib 艺术家。在其他地方找到单数/复数标记的模式。复数版本通常针对标记数量较多的情况进行优化。

某些转换同时接受x和y，但为每个坐标添加间隔数据。这对于在聚合后绘制误差线尤其重要：

In [21]:

(
    so.Plot(penguins, x="body_mass_g", y="species", color="sex")
    .add(so.Range(), so.Est(errorbar="sd"), so.Dodge())
    .add(so.Dot(), so.Agg(), so.Dodge())
)

Out[21]:

定向标记和变换

在聚合、躲避和绘制条形图时，x和y变量的处理方式不同。每个操作都有一个方向的概念。 Plot尝试根据变量的数据类型自动确定方向。例如，如果翻转 species 和 body_mass_g 的赋值，将得到相同的图，但方向是水平的：

In [22]:

(
    so.Plot(penguins, x="body_mass_g", y="species", color="sex")
    .add(so.Bar(), so.Agg(), so.Dodge())
)

Out[22]:

有时，正确的方向是模棱两可的，例如当x 和y 变量都是数字时。在这些情况下，可以通过将orient参数传递给 Plot.add()：

In [23]:

tips = sns.load_dataset("tips",data_home='seaborn-data',cache=True)
(
    so.Plot(tips, x="total_bill", y="size", color="time")
    .add(so.Bar(), so.Agg(), so.Dodge(), orient="y")
)

Out[23]:

构建和显示绘图

到目前为止，大多数示例都生成了一个子图，上面只有一种标记。但Plot并不局限于此。

添加多个图层

可以通过重复调用 Plot.add() 来创建更复杂的单子图图形。每次调用它时，它都会在图中定义一个图层。例如，可能想要添加一个散点图（现在使用 Dots ），然后添加回归拟合：

In [24]:

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Dots())
    .add(so.Line(), so.PolyFit())
)

Out[24]:

构造函数中Plot定义的变量映射将用于所有层：

In [25]:

(
    so.Plot(tips, x="total_bill", y="tip", color="time")
    .add(so.Dots())
    .add(so.Line(), so.PolyFit())
)

Out[25]:

特定于图层的映射

还可以定义映射，使其仅在特定图层中使用。这是通过在相关层的调用 Plot.add 中定义映射来实现的：

In [26]:

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Dots(), color="time")
    .add(so.Line(color=".2"), so.PolyFit())
)

Out[26]:

或者，为整个绘图定义图层，但通过将变量设置为 None 以下值将其从特定图层中删除：

In [27]:

(
    so.Plot(tips, x="total_bill", y="tip", color="time")
    .add(so.Dots())
    .add(so.Line(color=".2"), so.PolyFit(), color=None)
)

Out[27]:

总而言之，有三种方法可以指定标记属性的值：

在所有层中映射变量
在特定层中映射变量
直接设置属性：

分面和配对子图

与 seaborn 的图形级函数（seaborn.displot()， seaborn.catplot() 等）一样， Plot 接口也可以生成具有多个“面”的图形，或包含数据子集的子图。这是通过Plot.facet()方法完成的：

In [28]:

(
    so.Plot(penguins, x="flipper_length_mm")
    .facet("species")
    .add(so.Bars(), so.Hist())
)

Out[28]:

使用应用于定义绘图的列和/或行的变量进行调用 Plot.facet()：

In [29]:

(
    so.Plot(penguins, x="flipper_length_mm")
    .facet(col="species", row="sex")
    .add(so.Bars(), so.Hist())
)

Out[29]:

可以通过“包装”另一个维度来使用具有更多级别的变量进行分面：

In [30]:

(
    so.Plot(healthexp, x="Year", y="Life_Expectancy")
    .facet(col="Country", wrap=3)
    .add(so.Line())
)

Out[30]:

除非明确排除它们，否则所有图层都将被分面，这可以有助于为每个子图提供额外的上下文：

In [31]:

(
    so.Plot(healthexp, x="Year", y="Life_Expectancy")
    .facet("Country", wrap=3)
    .add(so.Line(alpha=.3), group="Country", col=None)
    .add(so.Line(linewidth=3))
)

Out[31]:

生成子图的另一种方法是Plot.pair() 。就像seaborn.PairGrid 一样，将绘制每个子图上的所有数据，对 x 和/或 y 坐标使用不同的变量：

In [32]:

(
    so.Plot(penguins, y="body_mass_g", color="species")
    .pair(x=["bill_length_mm", "bill_depth_mm"])
    .add(so.Dots())
)

Out[32]:

可以组合分面和配对，只要操作在相反的维度上添加子图：

In [33]:

(
    so.Plot(penguins, y="body_mass_g", color="species")
    .pair(x=["bill_length_mm", "bill_depth_mm"])
    .facet(row="sex")
    .add(so.Dots())
)

Out[33]:

与 `matplotlib` 集成

在某些情况下，可能希望多个子图出现在一个结构比 Plot.facet() 或 Plot.pair()可以提供的更复杂的图形中。当前的解决方案是将图形设置委托给 matplotlib ，并提供Plot应与Plot.on()方法一起使用的 matplotlib 对象。此对象可以是matplotlib.axes.Axes 、matplotlib.figure.Figure 或matplotlib.figure.SubFigure ；后者对于构建定制的子图布局最有用：

In [34]:

import matplotlib.pyplot as plt
f = plt.Figure(figsize=(8, 4))
sf1, sf2 = f.subfigures(1, 2)

In [35]:

(
    so.Plot(penguins, x="body_mass_g", y="flipper_length_mm")
    .add(so.Dots())
    .on(sf1)
    .plot()
)

Out[35]:

In [36]:

(
    so.Plot(penguins, x="body_mass_g")
    .facet(row="sex")
    .add(so.Bars(), so.Hist())
    .on(sf2)
    .plot()
)

Out[36]:

构建和显示绘图

需要知道的重要一点是，Plot方法克隆调用它们的对象并返回该克隆，而不是就地更新对象。这意味着可以定义一个通用的绘图规范，然后在其上生成多个变体。

因此，请遵循以下基本规范：

In [37]:

p = so.Plot(healthexp, "Year", "Spending_USD", color="Country")

我们可以用它来绘制线图：

In [38]:

p.add(so.Line())

Out[38]:

或者可能是堆积面积图：

In [39]:

p.add(so.Area(), so.Stack())

Out[39]:

Plot方法是完全声明性的。调用它们会更新情节规范，但实际上并没有进行任何绘图。这样做的一个后果是，方法可以以任何顺序调用，其中许多方法可以被多次调用。

剧情实际渲染时间是什么时候？Plot针对笔记本环境进行了优化。当Plot显示在Jupyter REPL中时，会自动触发渲染。这就是为什么我们在上面的例子中没有看到任何东西，在这个例子中，我们定义了一个Plot，但是将它赋值给p，而不是让它返回给REPL。

要查看笔记本中的绘图，要么从单元格的最后一行返回，要么调用Jupyter在对象上的内置display函数 matplotlib.pyplot。也可以通过调用Plot.show()在其他上下文中使用它的图形显示机制。还可以通过调用plot.save()将绘图保存到文件(或缓冲区)。

自定义外观

新的界面旨在通过Plot支持深度定制，减少切换设备和直接使用 matplotlib 功能的需要。 (但请耐心等待;并非实现这一目标所需的所有功能都已实现!)

参数化的尺度

所有与数据相关的属性都由Scale概念和Plot.scale()方法控制。此方法接受几种不同类型的参数。一种最接近于在 matplotlib 中使用尺度的可能性是传递一个转换坐标的函数的名称:

In [40]:

diamonds = sns.load_dataset("diamonds", data_home='seaborn-data',cache=True)
(
    so.Plot(diamonds, x="carat", y="price")
    .add(so.Dots())
    .scale(y="log")
)

Out[40]:

Plot.scale()还可以控制语义属性的映射，如color，可以直接向它传递任何参数，就像在 seaborn 的函数接口中传递给palette参数一样:

In [41]:

(
    so.Plot(diamonds, x="carat", y="price", color="clarity")
    .add(so.Dots())
    .scale(color="flare")
)

Out[41]:

另一种选择是提供(min, max)值的元组，控制比例应映射到的范围。这既适用于数值属性，也适用于颜色：

In [42]:

(
    so.Plot(diamonds, x="carat", y="price", color="clarity", pointsize="carat")
    .add(so.Dots())
    .scale(color=("#88c", "#555"), pointsize=(2, 10))
)

Out[42]:

对于其他控制，可以传递Scale对象。有几种不同类型的Scale，每种都有适当的参数。例如，Continuous允许定义输入域(norm)，输出范围(values)，以及它们之间的映射函数(trans)，而Nominal允许指定顺序:

In [43]:

(
    so.Plot(diamonds, x="carat", y="price", color="carat", marker="cut")
    .add(so.Dots())
    .scale(
        color=so.Continuous("crest", norm=(0, 3), trans="sqrt"),
        marker=so.Nominal(["o", "+", "x"], order=["Ideal", "Premium", "Good"]),
    )
)

Out[43]:

自定义图例和刻度

Scale对象还用于指定哪些值应在图例中作为刻度标签显示，以及它们的显示方式。例如，Continuous.tick()方法允许控制刻度的密度或位置，Continuous.label()方法允许修改格式:

In [44]:

(
    so.Plot(diamonds, x="carat", y="price", color="carat")
    .add(so.Dots())
    .scale(
        x=so.Continuous().tick(every=0.5),
        y=so.Continuous().label(like="${x:.0f}"),
        color=so.Continuous().tick(at=[1, 2, 3, 4]),
    )
)

Out[44]:

自定义限制、标签和标题

Plot具有多种简单自定义方法，包括 Plot.label() 、 Plot.limit() 和Plot.share() ：

In [45]:

(
    so.Plot(penguins, x="body_mass_g", y="species", color="island")
    .facet(col="sex")
    .add(so.Dot(), so.Jitter(.5))
    .share(x=False)
    .limit(y=(2.5, -.5))
    .label(
        x="Body mass (g)", y="",
        color=str.capitalize,
        title="{} penguins".format,
    )
)

Out[45]:

主题定制

最后，Plot通过Plot.theme方法支持与数据无关的主题。目前，此方法接受 matplotlib rc 参数的字典。可以直接设置它们和/或从 seaborn 的主题函数中传递一组参数：

In [46]:

from seaborn import axes_style
theme_dict = {**axes_style("whitegrid"), "grid.linestyle": ":"}
so.Plot().theme(theme_dict)

Out[46]:

要更改所有Plot实例的主题，请更新Plot.config设置：

In [47]:

so.Plot.config.theme.update(theme_dict)

指定绘图和映射数据

设置属性

映射属性

定义组

在绘图之前转换数据

统计转换

解决过度绘图问题

通过转换创建变量

定向标记和变换

构建和显示绘图

添加多个图层

特定于图层的映射

分面和配对子图

与 `matplotlib` 集成

构建和显示绘图

自定义外观

参数化的尺度

自定义图例和刻度

自定义限制、标签和标题

主题定制

① 阅读使用手册

② 注册用户账号

介绍

平台内核

注意事项

指定绘图和映射数据

设置属性

映射属性

定义组

在绘图之前转换数据

统计转换

解决过度绘图问题

通过转换创建变量

定向标记和变换

构建和显示绘图

添加多个图层

特定于图层的映射

分面和配对子图

与 matplotlib 集成

构建和显示绘图

自定义外观

参数化的尺度

自定义图例和刻度

自定义限制、标签和标题

主题定制

① 阅读使用手册

② 注册用户账号

③ 登陆

Python基础

Python进阶

标准类库

专题工具

图像处理

科学计算

自然语言

开源GIS

R 编程语言

Julia编程语言

介绍

平台内核

注意事项

与 `matplotlib` 集成