译者:P3n9W31
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, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)
绘制数据和线性回归模型拟合。
估算回归模型有许多互斥的选项。查看这个教程 来了解更多的信息。
参数:x,y:字符串,序列(series)或者是向量数组(vector array)
输入变量。 如果是字符串,应该与
data
中的列名相对应。 使用pandas对象时,轴将被Series的名字标记。
data
:DataFrame
Tidy (“long-form”)格式的DataFrame,其中每列为一个变量,每行为一个观测样本。
x_estimator
:可调用的映射向量 ->标量,可选
将此函数应用于
x
的每个唯一值并绘制结果的估计值。当x
是离散变量时,这是十分有用的。如果给出x_ci
,则该估计将被引导并且将绘制置信区间。
x_bins
:整数或向量,可选
将
x
变量加入离散区间,然后估计中心趋势和置信区间。 此分箱仅影响散点图的绘制方式; 回归仍然适合原始数据。该参数被解释为均匀大小(不必要间隔)的箱的数量或箱中心的位置。使用此参数时,它意味着x_estimator
的默认值为numpy.mean
。
x_ci
:"ci",’sd’,位于 [0, 100]之间的整数或None,可选
绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为
“ci”
,遵循ci
参数的值。 如果是“sd”,则跳过bootstrapping并显示每个bin中观察值的标准偏差。
scatter
:布尔值,可选
如果为
True
,则绘制带有基础观测值(或x_estimator
值)的散点图。
fit_reg
:布尔值,可选
如果为
True
,则估计并绘制与x
和y
变量相关的回归模型。
ci
:位于 [0, 100]之间的整数或None,可选
回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制。 使用自助法(bootstrap)估计置信区间; 对于大型数据集,建议通过将此参数设置为None来避免该计算。
n_boot
:整数,可选
用于估计
ci
的自助法(bootstrap)重采样数。 默认值试图在时间和稳定性之间找到平衡; 你可能希望为“最终”版本的图像增加此值。
units
: data
,中的变量名,可选
如果
x
和y
观察结果嵌套在采样单元中,则可以在此处指定。在通过对所有的单元和观察样本(在单元内)执行重新采样的多级自助法(multilevel bootstrap)来计算置信区间时将考虑这一点。 否则,这不会影响估计或绘制回归的方式。
order
:整数,可选
如果
order
大于1,使用numpy.polyfit
来估计多项式回归。
logistic
:布尔值,可选
如果为“True”,则假设
y
是二元变量并使用statsmodels
来估计逻辑回归模型。 请注意,这比线性回归的计算密集程度要大得多,因此您可能希望减少引导程序重新采样(n_boot
)的数量或将ci
设置为“无”。
lowess
:布尔值,可选
如果为“True”,则使用
statsmodels
来估计非参数lowess模型(局部加权线性回归)。 请注意,目前无法为此类模型绘制置信区间。
robust
:布尔值,可选
如果为“True”,则使用
statsmodels
来估计稳健回归。 这将削弱异常值。 请注意,这比标准线性回归的计算密集程度要大得多,因此您可能希望减少引导程序重新采样(n_boot
)的数量或将ci
设置为“无”。
logx
:布尔值,可选
如果为
True
,则估计形式y~log(x)的线性回归,但在输入空间中绘制散点图和回归模型。 请注意,x
必须为正才能正常工作。
{x,y}_partial
: data
中的字符串或矩阵
混淆(Confounding)变量以在绘图之前退回
x
或y
变量。
truncate
:布尔值,可选
默认情况下,绘制回归线以在绘制散点图后填充x轴限制。 如果
truncate
是True
,它将改为受到数据本身限制的限制。
{x,y}_jitter
:浮点数,可选
将此大小的均匀随机噪声添加到“x”或“y”变量中。 在拟合回归之后,噪声被添加到数据的副本中,并且仅影响散点图的外观。 在绘制采用离散值的变量时,这会很有用。
label
:字符串
要应用于散点图或回归线(如果
scatter
为’False`)的标签,以便在图例中使用。
color
:matplotlib 颜色
适用于所有绘图元素的颜色; 将被
scatter_kws
或line_kws
中传递的颜色取代。
marker
:matplotlib标记代码或标记代码列表,可选
散点图的标记。
{scatter,line}_kws
:字典
传递给
plt.scatter
和plt.plot
的附加关键字参数。
ax
:matplotlib Axes对象,可选
绘制到指定轴对象,否则在当前轴对象上绘图。
返回值:ax
:matplotlib Axes对象
包含了图像的Axes对象。
也可以看看
结合 regplot()
和 FacetGrid
来绘制数据集中的多个线性关系。 结合 regplot()
和 JointGrid
(与kind="reg"
一起使用时)。结合 regplot()
和 PairGrid
(当用于 kind =“reg”
)。绘制线性回归模型的残差。
注意
regplot()
和 lmplot()
函数密切相关,但是前者是坐标轴级别的函数,而后者是结合了regplot()
和 FacetGrid
的图像级别的函数。
通过 jointplot()
和 pairplot()
函数来组合 regplot()
和 JointGrid
或 PairGrid
是十分容易的,虽然这些函数不直接接受所有 regplot()
的参数。
例子
绘制DataFrame中两个变量之间的关系:
>>> import seaborn as sns; sns.set(color_codes=True)
>>> tips = sns.load_dataset("tips")
>>> ax = sns.regplot(x="total_bill", y="tip", data=tips)
利用两个定义为numpy数组的变量进行绘图; 使用不同的颜色:
>>> import numpy as np; np.random.seed(8)
>>> mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
>>> x, y = np.random.multivariate_normal(mean, cov, 80).T
>>> ax = sns.regplot(x=x, y=y, color="g")
利用两个定义为pandas Series的变量来进行绘图; 使用不同的标记:
>>> import pandas as pd
>>> x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
>>> ax = sns.regplot(x=x, y=y, marker="+")
使用68%置信区间,该区间对应于估计的标准误差:
>>> ax = sns.regplot(x=x, y=y, ci=68)
使用离散的x
变量进行绘图并添加一些抖动:
>>> ax = sns.regplot(x="size", y="total_bill", data=tips, x_jitter=.1)
绘制一个离散的x
变量,显示唯一值的均值和置信区间:
>>> ax = sns.regplot(x="size", y="total_bill", data=tips,
... x_estimator=np.mean)
将连续的变量划分为分离的区间并进行绘图:
>>> ax = sns.regplot(x=x, y=y, x_bins=4)
拟合高阶多项式回归并截断模型预测:
>>> ans = sns.load_dataset("anscombe")
>>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],
... scatter_kws={"s": 80},
... order=2, ci=None, truncate=True)
拟合稳健回归并且不绘制置信区间:
>>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "III"],
... scatter_kws={"s": 80},
... robust=True, ci=None)
对数据运用逻辑回归; 抖动y变量并使用较少的bootstrap迭代:
>>> tips["big_tip"] = (tips.tip / tips.total_bill) > .175
>>> ax = sns.regplot(x="total_bill", y="big_tip", data=tips,
... logistic=True, n_boot=500, y_jitter=.03)
使用 log(x) 拟合回归模型并截断模型预测:
>>> ax = sns.regplot(x="size", y="total_bill", data=tips,
... x_estimator=np.mean, logx=True, truncate=True)