seaborn.objects 接口#

seaborn.objects 命名空间在版本 0.12 中被引入，作为一个全新的界面用于制作 seaborn 图表。它提供了一个更加一致和灵活的 API，包含了一系列可组合的类用于数据转换和绘图。与现有的 seaborn 函数相比，新界面旨在支持端到端的图表指定和定制，而无需下降到 matplotlib（尽管在必要时仍然可以这样做）。

备注

对象接口目前处于实验阶段且不完整。它已经足够稳定，可以用于严肃的使用，但肯定还有一些粗糙的地方和缺失的功能。

指定图表并映射数据#

对象接口应按以下约定导入：

import seaborn.objects as so

seaborn.objects 命名空间将提供对所有相关类的访问。最重要的是 Plot 。您通过实例化一个 Plot 对象并调用其方法来指定图表。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

这段代码生成一个散点图，看起来应该相当熟悉。就像使用 seaborn.scatterplot() 时一样，我们传递了一个整洁的数据框（penguins），并将它的两列分配给图形的 x 和 y 坐标。但与先选择图表类型然后添加数据分配不同，这里我们先进行数据分配，然后添加图形元素。

设置属性#

The Dot 类是 Mark 的一个例子：一个图形化表示数据值的对象。每个标记都有一些属性可以设置，以改变其外观：

(
    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 到各种图形属性上：

(
    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颖，但与函数API的一个重要区别是，属性是使用与直接设置它们相同的参数名称映射的（而不是有 hue 与 color 等区别）。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。

除了这个区别之外，对象接口还允许映射更广泛的标记属性：

(
    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 标记代表每个数据点独立存在，因此将变量分配给属性只会改变每个点的外观。对于分组或连接观察结果的标记，例如 Line，它还决定了不同图形元素的数量：

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

通过使用 group，也可以在不改变任何视觉属性的情况下定义一个分组：

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

绘图前的数据转换#

统计变换#

与许多 seaborn 函数一样，对象接口支持统计变换。这些变换由 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，一些视觉表示（例如 seaborn.barplot()）可以进行统计变换，而其他一些（例如 seaborn.scatterplot()）则不能。对象接口更清晰地将表示和变换分开，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 转换会分别应用于每个组：

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

解决重叠绘图#

一些 seaborn 函数也有机制可以自动解决重叠绘图问题，例如当分配了 hue 时，seaborn.barplot() 会 “错开” 条形图。对象接口的默认行为较为简单。代表多个组的条形图默认会重叠：

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

尽管如此，可以通过 Dodge 实现的第二次变换，将 Bar 标记与 Agg 统计组合在一起。

(
    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 变换的一个例子，它类似于 Stat 但只调整 x 和 y 坐标。Move 类可以应用于任何标记，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 移动 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 统计需要 x 和 y 都已经被定义，但变量也可以通过统计转换来 创建 。例如，Hist 统计只需要定义 x 或 y 中的一个，它将通过计数观察来创建另一个：

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

当给定数值数据时，Hist 统计量也会创建新的 x 值（通过分箱）：

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

注意我们是如何使用 Bars 而不是 Bar 来绘制带有连续 x 轴的图表的。这两个标记是相关的，但 Bars 有不同的默认设置，更适合用于连续直方图。它还会生成一个不同的、更高效的 matplotlib 艺术家。你会在其他地方发现单数/复数标记的模式。复数版本通常针对具有更多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。这在聚合后绘制误差条时尤其相关：

(
    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

定向标记和变换#

在聚合、躲避和绘制条形图时，x 和 y 变量被区别对待。每个操作都有一个 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 的赋值，我们将得到相同的图表，但方向是水平的：

(
    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，正确的方向是不明确的，例如当 x 和 y 变量都是数值时。在这些情况下，你可以通过传递 orient 参数给 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

构建和显示图表#

到目前为止，大多数示例都生成只有一个标记的单个子图。但是 Plot 并不限制你只能这样做。

添加多层#

通过反复调用 Plot.add() 可以创建更复杂的单子图图形。每次调用时，它都会定义图中的一个 层 。例如，我们可能想要添加一个散点图（现在使用 Dots），然后是一个回归拟合：

(
    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图层：

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

特定层的映射#

你也可以定义一个映射，使其仅在特定层中使用。这是通过在相关层的 Plot.add 调用中定义映射来实现的：

(
    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，为整个图定义图层，但通过将变量设置为 None 来*移除*特定图层：

(
    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

回顾一下，指定标记属性的值有三种方法：(1) 通过映射所有图层中的变量，(2) 通过映射特定图层中的变量，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（如 seaborn.displot()、seaborn.catplot() 等）类似，Plot 接口也可以生成包含多个“面”或包含数据子集的子图的图形。这是通过 Plot.facet() 方法实现的：

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

调用 Plot.facet() 方法，并传入用于定义图表列和/或行的变量：

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

你可以通过“跨维度包装”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

除非你明确排除某些图层，否则所有图层都将被分面，这可以为每个子图提供额外的上下文信息：

(
    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()。类似于 seaborn.PairGrid，这会在每个子图上绘制所有数据，使用不同的变量作为 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

只要操作在相反的维度上添加子图，您就可以结合分面和配对：

(
    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，您可能希望在一个图形中出现多个子图，其结构比 Plot.facet() 或 Plot.pair() 所能提供的更复杂。当前的解决方案是将图形设置委托给 matplotlib，并通过 Plot.on() 方法提供 Plot 应使用的 matplotlib 对象。该对象可以是 matplotlib.axes.Axes、matplotlib.figure.Figure 或 matplotlib.figure.SubFigure；后者对于构建定制的子图布局最为有用：

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

构建和显示图表#

需要知道的一个重要事情是，Plot 方法会克隆它们所调用的对象，并返回该克隆对象，而不是就地更新对象。这意味着你可以定义一个通用的绘图规范，然后在此基础上生成几种变体。

因此，考虑这个基本规范：

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

我们可以使用它来绘制折线图：

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

或者是一个堆积面积图：

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

这些 Plot 方法是完全声明式的。调用它们会更新绘图规范，但实际上并不进行任何绘图。这一特性的一个结果是，方法可以按任意顺序调用，并且其中许多方法可以被多次调用。

图表实际上是在什么时候渲染的？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，渲染会自动触发。这就是为什么在上面的例子中我们没有看到任何东西，我们在那里定义了一个 Plot 但将其赋值给 p 而不是让它返回给 REPL。

要在笔记本中查看图表，可以从单元格的最后一行返回它，或者在对象上调用 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。

你也可以通过调用 Plot.save() 将图表保存到文件（或缓冲区）中。

自定义外观#

新的界面旨在通过 Plot 支持深度的自定义，减少切换工具并直接使用 matplotlib 功能的需要。（但请耐心等待；尚未实现实现此目标所需的所有功能！）

参数化尺度#

所有数据依赖的属性都由 Scale 的概念和 Plot.scale() 方法控制。此方法接受几种不同类型的参数。一种可能性，最接近 matplotlib 中使用尺度的用法，是传递一个转换坐标的函数名称：

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

Plot.scale() 也可以控制语义属性（如 color）的映射。你可以直接传递任何你想要传递给 seaborn 函数接口中 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

另一个选项是提供一个 (min, max) 值的元组，控制刻度应映射的范围。这适用于数值属性和颜色：

(
    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

为了进一步控制，你可以传递一个 Scale 对象。有几种不同类型的 Scale，每种都有适当的参数。例如，Continuous 允许你定义输入域（norm）、输出范围（values）以及它们之间的映射函数（trans），而 Nominal 允许你指定一个顺序：

(
    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#

这些 Scale 对象还用于指定哪些值应作为刻度标签/在图例中显示，以及它们的显示方式。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 有许多用于简单自定义的方法，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设置。目前，此方法接受一个 matplotlib rc 参数的字典。您可以直接设置这些参数，和/或从 seaborn 的主题函数传递参数包：

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)