矩阵图即用一张图绘制多个变量之间的关系，数据挖掘中常用于初期数据探索；

本文介绍python中seaborn.pairplot(傻瓜版)和seaborn.PairGrid(更个性化版)绘制矩阵图

本文内容速览

image

image

目录

1、绘图数据准备

2、seaborn.pairplot

加上分类变量

修改调色盘

x,y轴方向选取相同子集

x,y轴方向选取不同子集

非对角线散点图加趋势线

对角线上的四个图绘制方式

只显示网格下三角图形

图形外观设置

3、seaborn.PairGrid(更灵活的绘制矩阵图)

每个子图绘制同类型的图

对角线和非对角线分别绘制不同类型图

对角线上方、对角线、对角线下方分别绘制不同类型图

其它一些参数修改

1、绘图数据准备

还是使用鸢尾花iris数据集

#导入本帖要用到的库，声明如下：

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from pandas import Series,DataFrame

from sklearn import datasets

import seaborn as sns

#导入鸢尾花iris数据集(方法一)

#该方法更有助于理解数据集

iris=datasets.load_iris()

x, y =iris.data,iris.target

y_1 = np.array(['setosa' if i==0 else 'versicolor' if i==1 else 'virginica' for i in y])

pd_iris = pd.DataFrame(np.hstack((x, y_1.reshape(150,1))),columns=['sepal length(cm)','sepal width(cm)','petal length(cm)','petal width(cm)','class'])

#astype修改pd_iris中数据类型object为float64

pd_iris['sepal length(cm)']=pd_iris['sepal length(cm)'].astype('float64')

pd_iris['sepal width(cm)']=pd_iris['sepal width(cm)'].astype('float64')

pd_iris['petal length(cm)']=pd_iris['petal length(cm)'].astype('float64')

pd_iris['petal width(cm)']=pd_iris['petal width(cm)'].astype('float64')

#导入鸢尾花iris数据集(方法二)

#import seaborn as sns

#iris_sns = sns.load_dataset("iris")

数据集简单统计

image

2、seaborn.pairplot

语法：seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None, height=2.5, aspect=1, corner=False, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None)

g = sns.pairplot(pd_iris)

g.fig.set_size_inches(12,12)#figure大小

sns.set(style='whitegrid',font_scale=1.5)#文本大小

image对角线4张图是变量自身的分布直方图；

非对角线的 12 张就是某个变量和另一个变量的关系。

加上分类变量

g = sns.pairplot(pd_iris,

hue='class'#按照三种花分类

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

修改调色盘

可以使用Matplotlib、seaborn、颜色号list等色盘。可参考：

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,#palettable颜色盘

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

g = sns.pairplot(pd_iris,

hue='class',

palette='Set1',#Matplotlib颜色

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

g = sns.pairplot(pd_iris,

hue='class',

palette=['#dc2624', '#2b4750', '#45a0a2'],#使用传入的颜色list

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

x,y轴方向选取相同子集

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,

vars=['sepal length(cm)','sepal width(cm)'],#x,y轴方向选取相同子集绘图

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,6)

sns.set(style='whitegrid',font_scale=1.5)

image

x,y轴方向选取不同子集

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,

x_vars=['sepal length(cm)','sepal width(cm)'],#x,y轴方向选取不同子集

y_vars=['petal length(cm)','petal width(cm)'],

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,6)

sns.set(style='whitegrid',font_scale=1.5)

image

非对角线散点图加趋势线

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,

kind='reg',#默认为scatter,reg加上趋势线

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

对角线上的四个图绘制方式

可选参数为‘auto’, ‘hist’(默认), ‘kde’, None。

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette=palettable.cartocolors.qualitative.Bold_9.mpl_colors,

diag_kind='hist',#hist直方图

)

sns.set(style='whitegrid')

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

只显示网格下三角图形

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette='Set1',

corner=True#图形显示左下角

)

g.fig.set_size_inches(12,12)

sns.set(font_scale=1.5)

image

图形外观设置

import palettable

g = sns.pairplot(pd_iris,

hue='class',

palette='Set1',

markers=['$\clubsuit,'.','+'],#散点图的marker

plot_kws=dict(s=50, edgecolor="r", linewidth=1),#非对角线上的图marker大小、外框、外框线宽

diag_kws=dict(shade=True)#对角线上核密度图是否填充

)

g.fig.set_size_inches(12,12)

sns.set(font_scale=1.5)

image

3、seaborn.PairGrid(更灵活的绘制矩阵图)

seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, corner=False, diag_sharey=True, height=2.5, aspect=1, layout_pad=0, despine=True, dropna=True, size=None)

每个子图绘制同类型的图

g = sns.PairGrid(pd_iris,

hue='class',

palette='husl',)

g = g.map(plt.scatter)#map每个子图绘制一样类型的图

g = g.add_legend()

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

对角线和非对角线分别绘制不同类型图

g = sns.PairGrid(pd_iris,

hue='class',

palette='Set1',)

g = g.map_diag(plt.hist)#对角线绘制直方图

g = g.map_offdiag(plt.scatter)#非对角线绘制散点图

g = g.add_legend()

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image

对角线上方、对角线、对角线下方分别绘制不同类型图

g = sns.PairGrid(pd_iris, hue='class',)

g = g.map_upper(sns.scatterplot)

g = g.map_lower(sns.kdeplot, colors="C0")

g = g.map_diag(sns.kdeplot, lw=2)3绘制核密度图

g = g.add_legend()#添加图例

sns.set(style='whitegrid',font_scale=1.5)

image

其它一些参数修改

g = sns.PairGrid(pd_iris, hue='class',

palette='Set1',

hue_kws={"marker": ["^", "s", "D"]},#设置marker

diag_sharey=False,

)

g = g.map_upper(sns.scatterplot,edgecolor="w", s=40)#设置点大小，外框颜色

g = g.map_lower(sns.kdeplot, colors="#01a2d9")#设置下三角图形颜色

g = g.map_diag(sns.kdeplot, lw=3)#对角图形颜色

g = g.add_legend()#添加图例

g.fig.set_size_inches(12,12)

sns.set(style='whitegrid',font_scale=1.5)

image参考资料：

我认为您可以使用plt.text来实现这些目的。下面的代码使用它来获得您想要的结果。在import matplotlib.pyplot as plt

import numpy as np

from matplotlib import rcParams

rcParams['font.family'] = 'serif'

rcParams['font.size'] = 16

A = [[1, 3, 4, 5, 6, 7],

[3, 3, 0, 7, 9, 2],

[1, 3, 4, 5, 6, 6]]

X = ["A", "B", "C", "E", "F", "G"]

Y = ["R", "S", "T"]

m = len(Y)

n = len(X)

plt.figure(figsize=(n + 1, m + 1))

for krow, row in enumerate(A):

plt.text(5, 10*krow + 15, Y[krow],

horizontalalignment='center',

verticalalignment='center')

for kcol, num in enumerate(row):

if krow == 0:

plt.text(10*kcol + 15, 5, X[kcol],

horizontalalignment='center',

verticalalignment='center')

plt.text(10*kcol + 15, 10*krow + 15, num,

horizontalalignment='center',

verticalalignment='center')

plt.axis([0, 10*(n + 1), 10*(m + 1), 0])

plt.xticks(np.linspace(0, 10*(n + 1), n + 2), [])

plt.yticks(np.linspace(0, 10*(m + 1), m + 2), [])

plt.grid(linestyle="solid")

plt.savefig("Table.png", dpi=300)

plt.show()

而且，你得到了