參考ggplot2，Seaborn將迎來超大版本更新！

• Matplotlib是Python最重要的可視化庫，但是，過於複雜，Seaborn對其主要功能做了封裝，隱藏複雜參數，僅需要幾行代碼就可以實現優美的統計圖，但功能有限： Seaborn ；

• 此次更新主要拓展Seaborn的核心功能 — 與pandas的集成、數據和圖形之間的自動映射、統計轉換 — 使得Seaborn成為一個更具組合性、可擴展性和全面性的可視化庫。

• 作者直言，更新靈感不少源於R語言中 ggplot2背後的圖層圖形語法 ，去其糟粕，取其精華，做了很多優化，但是Seaborn不等於Python版ggplot2 ( plotnine )；

• 為了這次更新，已經開發了8個月，依舊還有很多工作要做， 更新版具體發佈時間待定 ，但是會在發佈前發佈系列alpha/beta releases，以獲取測試反饋。

:point_down::point_down: 下面看看主要哪些方面發生了更新 :point_down::point_down:

嫌長文，直接看文章末尾小結。

基本語法

導入Seaborn

#方法一
import seaborn.objects as so #不再是import seaborn as sns

#方法二
from seaborn.objects import *

繪圖主函數 變成了 seaborn.objects.Plot

import seaborn
tips = seaborn.load_dataset("tips") #導入內置數據

so.Plot(tips, x="total_bill", y="tip") #繪製空Figure

add在Figure上添加散點圖層，

so.Plot(tips, x="total_bill", y="tip").add(so.Scatter()) 
#.add(so.Scatter())是不是有ggplot2 + 添加圖層的影子～

全局個性化，

so.Plot(tips).add(so.Scatter(), x="total_bill", y="tip")

每個圖層個性化，

(
    so.Plot(tips, x="total_bill", y="tip")
    .add(so.Scatter(color=".6"))
    .add(so.Scatter(), data=tips.query("size == 2"))
)

(
    so.Plot(tips, x="total_bill", y="tip", color="day", fill="time")
    .add(so.Scatter(fillalpha=.8))
)

核心組件1-圖層對象Mark

每個圖層都需要一個Mark對象，它定義瞭如何繪製繪圖。將對應於現有seaborn功能和提供新功能的標記，但是，很多還沒有實現，

so.Plot(tips, y="day", x="total_bill")
.add(so.Dot(color="#698", alpha=.5)) #直接設置Mark(此處為Dot)特性，而不是映射它們.

核心組件2-數據轉換Stat

在新版本中，每個層都可以接受一個數據轉換的Stat對象，

so.Plot(fmri, x="timepoint", y="signal", color="event").add(so.Line(), so.Agg(), group="subject")

自定義Mark和Stat對象

class PeakAnnotation(so.Mark):
    def _plot_split(self, keys, data, ax, kws):
        ix = data["y"].idxmax()
        ax.annotate(
            "The peak", data.loc[ix, ["x", "y"]],
            xytext=(10, -100), textcoords="offset points",
            va="top", ha="center",
            arrowprops=dict(arrowstyle="->", color=".2"),

        )

(
    so.Plot(fmri, x="timepoint", y="signal")
    .add(so.Line(), so.Agg())
    .add(PeakAnnotation(), so.Agg())
)

核心組件3-圖形自適應the Move

新版本里，圖形的一些調整都匯聚在move對象中，取代老版本中的 dodge=xx 、 jitter=xx、multiple= xx等設置，

(
    so.Plot(tips, "day", "total_bill", color="time", alpha="sex")
    .add(so.Bar(), so.Agg(), move=so.Dodge())
)

(
    so.Plot(tips, "day", "total_bill", color="time", alpha="smoker")
    .add(so.Dot(), move=[so.Dodge(by=["color"]), so.Jitter(.5)])
)

個性化設置

新版本將添加更多圖形個性化設置功能，

(
    so.Plot(planets, x="mass", y="distance", color="year")
    .map_color("flare", norm=(2000, 2010))
    .scale_numeric("x", "log")
    .add(so.Scatter(pointsize=3))
)
#以上設置順序不分先後

(
    so.Plot(planets, y="year", x="orbital_period")
    .scale_numeric("x", "log")
    .add(so.Scatter(alpha=.5, marker="x"), color="method")
    .add(so.Line(linewidth=2, color=".2"), so.Agg(), orient="h")
)

子圖定義

新版本中分面Facet被隱式地內置，

(
    so.Plot(tips, x="total_bill", y="tip")
    .facet("time", order=["Dinner", "Lunch"])
    .add(so.Scatter())
)

注意區別於老版本的FacetGrid，

(
    so.Plot(tips, x="total_bill", y="tip", col="day")
    .add(so.Scatter(color=".75"), col=None)
    .add(so.Scatter(), color="day")
    .configure(figsize=(7, 3))
)

新版本依舊包含 PairGrid功能，

(
    so.Plot(tips, y="day")
    .pair(x=["total_bill", "tip"])
    .add(so.Dot())
)

FacetGrid和 PairGrid可聯合使用，

(
    so.Plot(tips, x="day")
    .facet("sex")
    .pair(y=["total_bill", "tip"])
    .add(so.Dot())
)

faceted和paired圖均可沿着列和行“ wrapped ”，

class Histogram(so.Mark):  # TODO replace once we implement
    def _plot_split(self, keys, data, ax, kws):
        ax.hist(data["x"], bins="auto", **kws)
        ax.set_ylabel("count")

(
    so.Plot(tips)
    .pair(x=tips.columns, wrap=3)
    .configure(sharey=False)
    .add(Histogram())
)

總之，新版本中，“axes-level” 和“figure-level” 無差異。

圖形迭代、渲染

迭代：可定義一個基礎圖形，然後按需求在基礎圖形上繪製不同圖形，不同圖形之間相互獨立，

#定義基礎圖形p
p = (
    so.Plot(fmri, x="timepoint", y="signal", color="event")
    .map_color(palette="crest")
)

p.add(so.Line()) #繪製折線圖

p.add(so.Line(), group="subject")

與Matplotlib集成

“axes-level”容易實現，可直接對子圖操作，

import matplotlib as mpl
_, ax = mpl.figure.Figure(constrained_layout=True).subplots(1, 2)
(
    so.Plot(tips, x="total_bill", y="tip")
    .on(ax)
    .add(so.Scatter())
)

“figure-level”  比較難纏，

f = mpl.figure.Figure(constrained_layout=True)
(
    so.Plot(tips, x="total_bill", y="tip")
    .on(f)
    .add(so.Scatter())
    .facet("time")
)

subfigures讓多子圖更簡單，

sf1, sf2 = f.subfigures(1, 2)
(
    so.Plot(tips, x="total_bill", y="tip", color="day")
    .add(so.Scatter())
    .on(sf1)
    .plot()
)
(
    so.Plot(tips, x="total_bill", y="tip", color="day")
    .facet("day", wrap=2)
    .add(so.Scatter())
    .on(sf2)
    .plot()
)

小結

• 如果該新版本發佈， Seaborn老版本子圖難實現、個性化難、需要重度依賴Matplotlib的缺陷基本被修復 ；

• 新版本吸收了ggplot2的部分屬性，對R用户比較容易上手;

• 但是， Seaborn支持圖形類別有限 的問題沒有看到修復；

• 再者，到底啥時候新版本能夠發佈， This is very much a work in progress ；

• 總之，非常值得期待。

• ref: http://seaborn.pydata.org/nextgen/

近期文章