import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

% matplotlib inline

sns.set_style("whitegrid")

sns.set_context("paper")

# 设置风格、尺度

import warnings

warnings.filterwarnings('ignore')

# 不发出警告

# 1、stripplot()

# 按照不同类别对样本数据进行分布散点图绘制

tips = sns.load_dataset("tips")

print(tips.head())

# 加载数据
print(tips['day'].value_counts())

sns.stripplot(x="day",          # x → 设置分组统计字段

              y="total_bill",   # y → 数据分布统计字段

              # 这里xy数据对调，将会使得散点图横向分布

              data=tips,        # data → 对应数据

              jitter = True,    # jitter → 当点数据重合较多时，用该参数做一些调整，也可以设置间距如：jitter = 0.1

              size = 5, edgecolor = 'w',linewidth=1,marker = 'o'  # 设置点的大小、描边颜色或宽度、点样式

              )

# 1、stripplot() 通过hue参数再分类

sns.stripplot(x="sex", y="total_bill", hue="day",

              data=tips, jitter=True)

# 1、stripplot() 设置调色盘

sns.stripplot(x="sex", y="total_bill", hue="day",

              data=tips, jitter=True,
palette="Set2",  # 设置调色盘

              dodge=True,  # 是否拆分

             )

# 1、stripplot() 筛选分类类别

print(tips['day'].value_counts())

# 查看day字段的唯一值

sns.stripplot(x="day", y="total_bill", data=tips,jitter = True,
order = ['Sat','Sun'])

# order → 筛选类别

# 2、swarmplot()

# 分簇散点图

sns.swarmplot(x="total_bill", y="day", data=tips,

              size = 5, edgecolor = 'w',linewidth=1,marker = 'o',

              palette = 'Reds')

# 用法和stripplot类似

# 1、boxplot()

# 箱型图

sns.boxplot(x="day", y="total_bill", data=tips,

            linewidth = 2,   # 线宽

            width = 0.8,     # 箱之间的间隔比例

            fliersize = 3,   # 异常点大小

            palette = 'hls', # 设置调色板

            whis = 1.5,      # 设置IQR

            notch = True,    # 设置是否以中值做凹槽

            order = ['Thur','Fri','Sat','Sun'],  # 筛选类别

           )

# 绘制箱型图

sns.swarmplot(x="day", y="total_bill", data=tips,color ='k',size = 3,alpha = 0.8)

# 可以添加散点图

# 1、boxplot() 通过hue参数再分类

sns.boxplot(x="day", y="total_bill", data=tips,

            hue = 'smoker', palette = 'Reds')

# 绘制箱型图

#sns.swarmplot(x="day", y="total_bill", data=tips,color ='k',size = 3,alpha = 0.8)

# 可以添加散点图

# 2、violinplot()  小提琴图

sns.violinplot(x="day", y="total_bill", data=tips,

            linewidth = 2,   # 线宽

            width = 0.8,     # 箱之间的间隔比例

            palette = 'hls', # 设置调色板

            order = ['Thur','Fri','Sat','Sun'],  # 筛选类别

            scale = 'area',  # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样

            gridsize = 50,   # 设置小提琴图边线的平滑度，越高越平滑

            inner = 'box',   # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None

            #bw = 0.8        # 控制拟合程度，一般可以不设置

           )

# 用法和boxplot类似

# 2、violinplot() 通过hue参数再分类

sns.violinplot(x="day", y="total_bill", data=tips,

               hue = 'smoker', palette="muted",

               split=True,  # 设置是否拆分小提琴图

               inner="quartile")

# 2、violinplot()  结合散点图

sns.violinplot(x="day", y="total_bill", data=tips, palette = 'hls', inner = None)

sns.swarmplot(x="day", y="total_bill", data=tips, color="w", alpha=.5)

# 插入散点图

# 3、lvplot()  LV图表

sns.lvplot(x="day", y="total_bill", data=tips, palette="mako",

           #hue = 'smoker',

           width = 0.8,           # 箱之间间隔比例

           linewidth = 12,

           scale = 'area',        # 设置框的大小 → “linear”、“exonential”、“area”

           k_depth = 'proportion',  # 设置框的数量 → “proportion”、“tukey”、“trustworthy”

          )

# 绘制LV图

sns.swarmplot(x="day", y="total_bill", data=tips,color ='k',size = 3,alpha = 0.8)

# 可以添加散点图

# 1、barplot()

# 柱状图 - 置信区间估计

# 置信区间：样本均值 + 抽样误差

titanic = sns.load_dataset("titanic")

print(titanic.head())

print('-----')

# 加载数据

sns.barplot(x="sex", y="survived", hue="class", data=titanic,

            palette = 'hls',

            order = ['male','female'],  # 筛选类别

            capsize = 0.05,  # 误差线横向延伸宽度

            saturation=.8,   # 颜色饱和度

            errcolor = 'gray',errwidth = 2,  # 误差线颜色，宽度

            ci = 'sd'    # 置信区间误差 → 0-100内值、'sd'、None

            )

print(titanic.groupby(['sex','class']).mean()['survived'])

print(titanic.groupby(['sex','class']).std()['survived'])

# 计算数据

# 1、barplot()

# 柱状图 - 置信区间估计  

sns.barplot(x="day", y="total_bill", hue="sex", data=tips,

            palette = 'Blues',edgecolor = 'w')

tips.groupby(['day','sex']).mean()

# 计算数据

# 1、barplot()

# 柱状图 - 置信区间估计

crashes = sns.load_dataset("car_crashes").sort_values("total", ascending=False)

print(crashes.head())

# 加载数据

f, ax = plt.subplots(figsize=(6, 15))

# 创建图表

sns.set_color_codes("pastel")

sns.barplot(x="total", y="abbrev", data=crashes,

            label="Total", color="b",edgecolor = 'w')

# 设置第一个柱状图

sns.set_color_codes("muted")

sns.barplot(x="alcohol", y="abbrev", data=crashes,

            label="Alcohol-involved", color="b",edgecolor = 'w')

# 设置第二个柱状图

ax.legend(ncol=2, loc="lower right")

sns.despine(left=True, bottom=True)

# 2、countplot()  计数柱状图

sns.countplot(x="class", hue="who", data=titanic,palette = 'magma')

#sns.countplot(y="class", hue="who", data=titanic,palette = 'magma')

# x/y → 以x或者y轴绘图（横向，竖向）

# 用法和barplot相似

# 3、pointplot()

# 折线图 - 置信区间估计

sns.pointplot(x="time", y="total_bill", hue = 'smoker',data=tips,

              palette = 'hls',

              dodge = True,   # 设置点是否分开

              join = True,    # 是否连线

              markers=["o", "x"], linestyles=["-", "--"],  # 设置点样式、线型

              )

tips.groupby(['time','smoker']).mean()['total_bill']

# 计算数据

# # 用法和barplot相似