这是我绘制的 pairgrid 图，它使用下部的 kdeplot 和 2 种色调：
我的脚本是：
import seaborn as sns
g = sns.PairGrid(df2,hue='models')
g.map_upper(plt.scatter)
g.map_lower(sns.kdeplot)
g.map_diag(sns.distplot)
seaborn 0.6.0 中有没有办法根据色调在 map_lower 的 kdeplot 中使用更多的色阶？
在这种情况下，色调只有 2 个值。也许我遗漏了一些明显的东西。
【问题讨论】：
kdeplot 制作一个小包装函数，以便它理解双变量图上下文中的“颜色”参数并使用它来选择合适的颜色图，例如使用sns.dark_palette。稍后我有时间会做一个例子，但这可能会有所帮助。
我认为在 PairGrid 中使用 hue_kwds 要容易得多。
我在这里找到了一个很好的解释 Plotting on data-aware grids，因为 PairGrid 中的文档对我来说不够清楚。
你也可以让情节的其他方面在不同的层次上有所不同 色调变量，这有助于制作更丰富的图 黑白打印时可以理解。为此，请通过 字典到 hue_kws 其中键是绘图函数的名称 关键字参数和值是关键字值的列表，每个关键字值一个 色调变量的级别。
本质上，hue_kws 是列表的字典。关键字通过列表中的值传递给单个绘图函数，每个级别对应一个 hue 变量。请参阅下面的代码示例。
我在分析中使用数字列作为色调，但它也应该在这里工作。如果没有，您可以轻松地将“模型”的每个唯一值映射到整数。
从Martin Perez 的好答案中窃取我会做类似的事情：
编辑：完整的代码示例
EDIT 2：我发现 kdeplot 不能很好地处理数字标签。相应地更改代码。
# generate data: sorry, I'm lazy and sklearn make it easy.
n = 1000
from sklearn.datasets.samples_generator import make_blobs
X, y = make_blobs(n_samples=n, centers=3, n_features=3,random_state=0)
df2 = pd.DataFrame(data=np.hstack([X,y[np.newaxis].T]),columns=['X','Y','Z','model'])
# distplot has a problem witht the color being a number!!!
df2['model'] = df2['model'].map('model_{}'.format)
list_of_cmaps=['Blues','Greens','Reds','Purples']
g = sns.PairGrid(df2,hue='model',
# this is only if you use numerical hue col
# vars=[i for i in df2.columns if 'm' not in i],
# the first hue value vill get cmap='Blues'
# the first hue value vill get cmap='Greens'
# and so on
hue_kws={"cmap":list_of_cmaps},
)
g.map_upper(plt.scatter)
g.map_lower(sns.kdeplot,shade=True, shade_lowest=False)
g.map_diag(sns.distplot)
# g.map_diag(plt.hist)
g.add_legend()
排序list_of_cmaps 您应该能够将特定的阴影分配给分类变量的特定级别。
升级是根据您需要的级别数动态创建list_of_cmaps。
【讨论】：
您需要创建自己的由 PairGrid 调用的绘图函数，其形式为 myplot(x, y, **kws)。 kws 包含由 PairGrid 自动创建或由您在 PairGrid 的 Palette 参数中提供的字段“颜色”。
要控制如何从 Palette 中给定的颜色中选择颜色图，您最好使用字典手动设置此参数，该字典将传递给 hue 的变量的变量值与您选择的颜色链接起来。
这里仅以 4 种颜色为例：红色、绿色、蓝色和洋红色。通往彩色地图：红色、绿色、蓝色和紫色。
def infer_cmap(color):
if color == (0., 0., 1.):
return 'Blues'
elif color == (0., 0.5, 0.):
return 'Greens'
elif color == (1., 0., 0.):
return 'Reds'
elif color == (0.75, 0., 0.75):
return 'Purples'
def kde_hue(x, y, **kws):
ax = plt.gca()
cmap = infer_cmap(kws['color'])
sns.kdeplot(data=x, data2=y, ax=ax, shade=True, shade_lowest=False, cmap=cmap, **kws)
return ax
colors = ['b', 'g', 'r', 'm']
var = 'models'
color_dict = {}
for idx, v in enumerate(np.unique(df2[var])):
color_dict[v] = colors[idx]
g = sns.PairGrid(df2, hue=var, palette=color_dict)
g = g.map_diag(sns.kdeplot)
g = g.map_upper(plt.scatter)
g = g.map_lower(kde_hue)
g = g.add_legend()
plt.show()
plt.close()
【讨论】：
我在尝试在 kdeplot() 或 distplot() 上使用 hue 时遇到了这个问题，这不是受支持的参数。这行得通
g = sns.FacetGrid(df_rtn, hue="group")
g = g.map(sns.kdeplot, "variable")
# or
g = g.map(sns.distplot, "variable")
【讨论】：
从 Martin 的示例中可以看出，需要创建一个包装函数来指示 sns.kdeplot 使用什么颜色映射。这是一个类似的例子，应该更容易理解：
# We will use seaborn 'Set1' color pallet
>>> print(sns.color_palette('Set1'))
[(0.89411765336990356, 0.10196078568696976, 0.10980392247438431),
(0.21602460800432691, 0.49487120380588606, 0.71987698697576341),
(0.30426760128900115, 0.68329106055054012, 0.29293349969620797),
(0.60083047361934883, 0.30814303335021526, 0.63169552298153153),
(1.0, 0.50591311045721465, 0.0031372549487095253),
(0.99315647868549117, 0.9870049982678657, 0.19915417450315812)]
颜色图采用基于托盘的颜色。默认托盘是绿色 - (0., 0., 1.) 和蓝色 - (0., 0.5, 0.)。但是，我们使用的是上面的具有不同 RBG 元组的托盘。
def infer_cmap(color):
hues = sns.color_palette('Set1')
if color == hues[0]:
return 'Reds'
elif color == hues[1]:
return 'Blues'
def kde_color_plot(x, y, **kwargs):
cmap = infer_cmap(kwargs['color'])
ax = sns.kdeplot(x, y, shade=True, shade_lowest=False, cmap=cmap, **kwargs)
return ax
g = sns.PairGrid(df, hue='left', vars=['satisfaction_level', 'last_evaluation'], palette='Set1')
g = g.map_upper(plt.scatter, s=1, alpha=0.5)
g = g.map_lower(kde_color_plot)
g = g.map_diag(sns.kdeplot, shade=True);
【讨论】：