Python数据分析与数据挖掘 第8章 数据可视化分析.ppt

回归分析图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=True, x_jitter=None, y_jitter=None, label=None, color=None, marker=o, scatter_kws=None, line_kws=None, ax=None) 参数 说明 x_estimator 计算估计结果的回调函数（可处理离散的x变量值），例如numpy.mean。如果设置了参数x_ci，则据此进行bootstrap，给出估计值的置信区间。 x_ci 参数x的中心趋势曲线数值的置信区间（0~100的整数）；或为默认值ci，表示使用参数ci的值；或为sd，表示跳过bootstrap直接显示数据的标准差。 scatter, scatter_kws 是否绘制观测值（或x_estimator值）的散点图； 散点图绘图属性keywords。 fit_reg, line_kws 是否估计和绘制回归模型； 曲线图绘图属性keywords。 order 回归阶数。如果不为默认值1，则使用numpy.polyfit完成多项式回归。 logistic 是否对二元变量y使用statsmodels扩展库估计logistic回归模型 lowess 是否使用statsmodels扩展库来估计非参数局部加权回归(LOWESS)模型 robust 是否使用statsmodels扩展库来进行稳健回归估计（降低最小二乘法中异常值的权重） logx 是否使用y ~ log(x)的模式进行线性回归（x必须为正值） x_partial, y_partial x的混淆变量；y的混淆变量。 truncate 是否回归曲线受x数值范围局限（或超出x轴范围） dropna 是否忽略带有缺失值的数据 回归分析图regplot # 绘制图形 sns.regplot(x=total_bill, y=tip, data=tips, ci=95, marker=*, ax=ax[0][0]) ax[0][0].set_title(Scatter with mean trade) sns.regplot(x=total_bill, y=tip, data=tips, x_bins=50, x_estimator=np.mean, x_ci=95, truncate=True, ax=ax[0][1]) ax[0][1].set_title(mean estimation) sns.regplot(x=total_bill, y=tip, data=tips, scatter_kws={s: 10, color: r}, order=5, ci=None, ax=ax[1][0]) ax[1][0].set_title(High-order Polynomial regression) tips[big_tip] = (tips.tip / tips.total_bill) 0.125 sns.regplot(x=total_bill, y=big_tip, data=tips, logistic=True, n_boot=500, y_jitter=.03, scatter_kws=dict(s=10,color=g), ax=ax[1][1]) ax[1][1].set_title(Logistic regression) 图格绘图FacetGrid 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, y