seaborn.objects 接口#

The seaborn.objects 命名空间是在版本 0.12 中引入的，作为一种全新的 seaborn 绘图接口。它提供了一个更加一致和灵活的 API，包含一个可组合的类集合，用于转换和绘制数据。与现有的 seaborn 函数相比，新接口旨在支持端到端绘图规范和自定义，而无需降级到 matplotlib（尽管在必要时仍然可以这样做）。

注意

objects 接口目前处于实验阶段，尚未完成。它足够稳定，可以用于严肃用途，但肯定存在一些粗糙的边缘和缺失的功能。

指定绘图并映射数据#

objects 接口应使用以下约定进行导入

import seaborn.objects as so

The seaborn.objects 命名空间将提供对所有相关类的访问权限。最重要的是 Plot。你可以通过实例化一个 Plot 对象并调用它的方法来指定绘图。让我们看一个简单的例子

(
    so.Plot(penguins, x="bill_length_mm", y="bill_depth_mm")
    .add(so.Dot())
)
../_images/objects_interface_4_0.png

这段代码将生成一个散点图，看起来应该相当熟悉。就像使用 seaborn.scatterplot() 一样，我们传递了一个整洁的数据框 (penguins)，并将它的两个列分配给绘图的 x 和 y 坐标。但是，我们不是从图表类型开始，然后添加一些数据分配，而是从数据分配开始，然后添加一个图形元素。

设置属性#

The Dot 类是 Mark 的一个例子：一个以图形方式表示数据值的物体。每个标记将具有一些可以设置的属性来改变它的外观

(
    so.Plot(penguins, x="bill_length_mm", y="bill_depth_mm")
    .add(so.Dot(color="g", pointsize=4))
)
../_images/objects_interface_6_0.png

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

(
    so.Plot(
        penguins, x="bill_length_mm", y="bill_depth_mm",
        color="species", pointsize="body_mass_g",
    )
    .add(so.Dot())
)
../_images/objects_interface_8_0.png

虽然这种基本功能并不新鲜，但与函数 API 的一个重要区别在于，属性使用与直接设置它们时相同的参数名称进行映射（而不是使用 hue 对比 color 等）。重要的是属性定义的位置：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，objects 接口还允许将更广泛的标记属性映射到

(
    so.Plot(
        penguins, x="bill_length_mm", y="bill_depth_mm",
        edgecolor="sex", edgewidth="body_mass_g",
    )
    .add(so.Dot(color=".8"))
)
../_images/objects_interface_10_0.png

定义组#

The Dot 标记独立地表示每个数据点，因此将变量分配给属性只会改变每个点的外观。对于对观察结果进行分组或连接的标记，例如 Line，它还会确定不同的图形元素的数量

(
    so.Plot(healthexp, x="Year", y="Life_Expectancy", color="Country")
    .add(so.Line())
)
../_images/objects_interface_12_0.png

也可以使用 group 定义一个组，而不会改变任何视觉属性

(
    so.Plot(healthexp, x="Year", y="Life_Expectancy", group="Country")
    .add(so.Line())
)
../_images/objects_interface_14_0.png

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。这些转换由 Stat 对象执行，例如 Agg

(
    so.Plot(penguins, x="species", y="body_mass_g")
    .add(so.Bar(), so.Agg())
)
../_images/objects_interface_16_0.png

在函数接口中，统计转换可以通过一些视觉表示（例如 seaborn.barplot()）进行，但不能通过其他视觉表示进行（例如 seaborn.scatterplot()）。objects 接口更清晰地将表示和转换分离，允许你组合 Mark 和 Stat 对象

(
    so.Plot(penguins, x="species", y="body_mass_g")
    .add(so.Dot(pointsize=10), so.Agg())
)
../_images/objects_interface_18_0.png

在通过映射属性形成组时，Stat 转换将分别应用于每个组

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Dot(pointsize=10), so.Agg())
)
../_images/objects_interface_20_0.png

解决过绘图#

一些 seaborn 函数也有机制可以自动解决过绘图问题，例如 seaborn.barplot() 在分配了 hue 后会“躲避”条形图。objects 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会重叠

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Bar(), so.Agg())
)
../_images/objects_interface_22_0.png

但是，可以将 Bar 标记与 Agg 统计量和第二个转换（由 Dodge 实现）组合起来

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Bar(), so.Agg(), so.Dodge())
)
../_images/objects_interface_24_0.png

The 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。The Move 类可以与任何标记一起使用，并且不需要先使用 Stat

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Dot(), so.Dodge())
)
../_images/objects_interface_26_0.png

也可以按顺序应用多个 Move 操作

(
    so.Plot(penguins, x="species", y="body_mass_g", color="sex")
    .add(so.Dot(), so.Dodge(), so.Jitter(.3))
)
../_images/objects_interface_28_0.png

通过转换创建变量#

The Agg 统计量要求 x 和 y 已经定义，但变量也可以通过统计转换创建。例如，The Hist 统计量只需要定义 x 或 y 中的一个，它将通过统计观察结果来创建另一个

(
    so.Plot(penguins, x="species")
    .add(so.Bar(), so.Hist())
)
../_images/objects_interface_30_0.png

The Hist 统计量在给定数值数据时还会创建新的 x 值（通过分箱）

(
    so.Plot(penguins, x="flipper_length_mm")
    .add(so.Bars(), so.Hist())
)
../_images/objects_interface_32_0.png

请注意，我们使用了 Bars，而不是 Bar，来绘制具有连续 x 轴的图形。这两个标记是相关的，但是 Bars 具有不同的默认值，并且更适合连续直方图。它还生成一个不同且更高效的 matplotlib 艺术家。您将在其他地方找到单数/复数标记的模式。复数版本通常针对具有大量标记的情况进行了优化。

一些变换接受 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条特别有用。

(
    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())
)
../_images/objects_interface_34_0.png

标记和变换的方向#

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，如果我们交换 species 和 body_mass_g 的分配，我们将获得相同的图形，但方向水平。

(
    so.Plot(penguins, x="body_mass_g", y="species", color="sex")
    .add(so.Bar(), so.Agg(), so.Dodge())
)
../_images/objects_interface_36_0.png

有时，正确方向是模棱两可的，例如当 x 和 y 变量都是数值时。在这些情况下，您可以通过将 orient 参数传递给 Plot.add() 来明确指定。

(
    so.Plot(tips, x="total_bill", y="size", color="time")
    .add(so.Bar(), so.Agg(), so.Dodge(), orient="y")
)
../_images/objects_interface_38_0.png

构建和显示图形#

到目前为止，大多数示例都生成了一个只有一个子图，并且只有一个标记的子图。但是 Plot 并没有限制您只能这样。

添加多层#

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，它都会定义图形中的一个层。例如，我们可能想要添加一个散点图（现在使用 Dots），然后添加一个回归拟合。

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Dots())
    .add(so.Line(), so.PolyFit())
)
../_images/objects_interface_40_0.png

在 Plot 构造函数中定义的变量映射将用于所有层。

(
    so.Plot(tips, x="total_bill", y="tip", color="time")
    .add(so.Dots())
    .add(so.Line(), so.PolyFit())
)
../_images/objects_interface_42_0.png

特定于层的映射#

您还可以定义一个映射，使其仅在特定层中使用。这可以通过在调用 Plot.add 的相关层中定义映射来实现。

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Dots(), color="time")
    .add(so.Line(color=".2"), so.PolyFit())
)
../_images/objects_interface_44_0.png

或者，定义整个图形的层，但通过将变量设置为 None 从特定层中删除它。

(
    so.Plot(tips, x="total_bill", y="tip", color="time")
    .add(so.Dots())
    .add(so.Line(color=".2"), so.PolyFit(), color=None)
)
../_images/objects_interface_46_0.png

总而言之，有三种方法可以指定标记属性的值：(1) 通过在所有层中映射变量，(2) 通过在特定层中映射变量，以及 (3) 通过直接设置属性。

../_images/objects_interface_48_0.svg

分面和配对子图#

与 seaborn 的图形级函数 (seaborn.displot()，seaborn.catplot() 等) 一样， Plot 接口也可以生成包含多个“分面”或包含数据子集的子图的图形。这可以通过 Plot.facet() 方法实现。

(
    so.Plot(penguins, x="flipper_length_mm")
    .facet("species")
    .add(so.Bars(), so.Hist())
)
../_images/objects_interface_50_0.png

使用应该用于定义图形列和/或行的变量调用 Plot.facet()。

(
    so.Plot(penguins, x="flipper_length_mm")
    .facet(col="species", row="sex")
    .add(so.Bars(), so.Hist())
)
../_images/objects_interface_52_0.png

您可以通过“包装”另一个维度来使用具有更多级别的变量进行分面。

(
    so.Plot(healthexp, x="Year", y="Life_Expectancy")
    .facet(col="Country", wrap=3)
    .add(so.Line())
)
../_images/objects_interface_54_0.png

所有层都将被分面，除非您明确排除它们，这对于在每个子图上提供其他上下文很有用。

(
    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))
)
../_images/objects_interface_56_0.png

另一种生成子图的方法是 Plot.pair()。与 seaborn.PairGrid 一样，这会在每个子图上绘制所有数据，使用不同的变量来表示 x 和/或 y 坐标。

(
    so.Plot(penguins, y="body_mass_g", color="species")
    .pair(x=["bill_length_mm", "bill_depth_mm"])
    .add(so.Dots())
)
../_images/objects_interface_58_0.png

您可以将分面和配对组合在一起，只要操作在相反的维度上添加子图即可。

(
    so.Plot(penguins, y="body_mass_g", color="species")
    .pair(x=["bill_length_mm", "bill_depth_mm"])
    .facet(row="sex")
    .add(so.Dots())
)
../_images/objects_interface_60_0.png

与 matplotlib 集成#

在某些情况下，您可能希望在图形中显示多个子图，这些子图具有比 Plot.facet() 或 Plot.pair() 可以提供的更复杂的结构。当前的解决方案是将图形设置委托给 matplotlib，并将 matplotlib 对象提供给 Plot 应该使用的方法 Plot.on()。此对象可以是 matplotlib.axes.Axes，matplotlib.figure.Figure 或 matplotlib.figure.SubFigure；后者最适合构建定制的子图布局。

f = mpl.figure.Figure(figsize=(8, 4))
sf1, sf2 = f.subfigures(1, 2)
(
    so.Plot(penguins, x="body_mass_g", y="flipper_length_mm")
    .add(so.Dots())
    .on(sf1)
    .plot()
)
(
    so.Plot(penguins, x="body_mass_g")
    .facet(row="sex")
    .add(so.Bars(), so.Hist())
    .on(sf2)
    .plot()
)
../_images/objects_interface_62_0.png

构建和显示图形#

需要知道的一件重要的事情是，Plot 方法会克隆它们被调用的对象，并返回该克隆，而不是就地更新对象。这意味着您可以定义一个通用图形规范，然后生成该规范的几个变体。

因此，采用此基本规范。

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

我们可以用它来绘制折线图。

p.add(so.Line())
../_images/objects_interface_66_0.png

或者绘制一个堆积面积图。

p.add(so.Area(), so.Stack())
../_images/objects_interface_68_0.png

Plot 方法是完全声明性的。调用它们会更新图形规范，但实际上不会进行任何绘图。这样做的一个结果是，可以按任意顺序调用方法，并且可以多次调用许多方法。

图形何时真正呈现？Plot 针对在笔记本环境中使用进行了优化。当 Plot 在 Jupyter REPL 中显示时，会自动触发呈现。这就是为什么我们在上面的示例中没有看到任何内容的原因，我们在其中定义了一个 Plot，但将其分配给 p 而不是让它返回到 REPL。

要在笔记本中查看图形，请从单元格的最后一行返回它，或在对象上调用 Jupyter 的内置 display 函数。笔记本集成完全绕过了 matplotlib.pyplot，但您可以通过调用 Plot.show() 在其他上下文中使用其图形显示机制。

您还可以通过调用 Plot.save() 将图形保存到文件（或缓冲区）。

自定义外观#

新接口旨在通过 Plot 支持深度的自定义，减少了直接使用 matplotlib 功能的需要。（但请耐心等待；实现此目标所需的所有功能尚未全部实现！）

参数化比例#

所有与数据相关的属性都由 Scale 和 Plot.scale() 方法的概念控制。此方法接受几种不同类型的参数。一种可能性，最接近在 matplotlib 中使用比例，是传递一个函数的名称，该函数将转换坐标。

(
    so.Plot(diamonds, x="carat", y="price")
    .add(so.Dots())
    .scale(y="log")
)
../_images/objects_interface_71_0.png

Plot.scale() 还可以控制诸如 color 之类的语义属性的映射。您可以直接传递任何您将在 seaborn 函数接口中传递给 palette 参数的参数

(
    so.Plot(diamonds, x="carat", y="price", color="clarity")
    .add(so.Dots())
    .scale(color="flare")
)
../_images/objects_interface_73_0.png

另一个选择是提供一个 (min, max) 值的元组，控制比例尺应映射到的范围。这对数字属性和颜色都有效

(
    so.Plot(diamonds, x="carat", y="price", color="clarity", pointsize="carat")
    .add(so.Dots())
    .scale(color=("#88c", "#555"), pointsize=(2, 10))
)
../_images/objects_interface_75_0.png

为了获得更多控制，您可以传递一个 Scale 对象。有几种不同类型的 Scale，每种都有相应的参数。例如，Continuous 允许您定义输入域 (norm)、输出范围 (values) 以及在它们之间映射的函数 (trans)，而 Nominal 允许您指定排序

(
    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"]),
    )
)
../_images/objects_interface_77_0.png

自定义图例和刻度#

Scale 对象也是您指定哪些值应作为刻度标签/出现在图例中的方式，以及它们如何出现。例如，Continuous.tick() 方法允许您控制刻度的密度或位置，而 Continuous.label() 方法允许您修改格式

(
    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]),
    )
)
../_images/objects_interface_79_0.png

自定义限制、标签和标题#

Plot 有许多方法可以进行简单的自定义，包括 Plot.label()、Plot.limit() 和 Plot.share()

(
    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,
    )
)
../_images/objects_interface_81_0.png

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，此方法接受一个 matplotlib rc 参数字典。您可以直接设置它们，也可以从 seaborn 的主题函数传递一组参数

from seaborn import axes_style
theme_dict = {**axes_style("whitegrid"), "grid.linestyle": ":"}
so.Plot().theme(theme_dict)
../_images/objects_interface_83_0.png

要更改所有 Plot 实例的主题，请更新 Plot.config 中的设置

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