seaborn.countplot

译者：Stuming

seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)

seaborn.countplot使用条形图显示每个类别中观测值的数量。

这个函数可以被认为是针对类别变量的直方图。基本的API和选项与barplot()完全相同，因此可以对比学习。

可以通过多种格式传入数据，包括：

• 通过列表、numpy数组、或者pandas Series对象表示的向量数据，数据直接传给x, y, 和/或hue参数。
• 长格式的DataFrame，此时会通过x, y以及hue变量决定如何绘制数据。
• 宽格式的DataFrame，此时每个数值型的column都会被绘制。
• 数组或者列表形式的向量

在绝大多数情况下，数据格式都可以使用numpy或者Python对象，但是推荐使用pandas对象，因为pandas对象中相关的名称会被用于注释坐标轴。此外，可以通过设置分组变量为使用Categorical类型来控制绘制元素的顺序。

这个函数总会将变量作为类别变量进行处理，按顺序(0, 1, … n)在相应坐标轴绘制数据，即使数据为数值或者日期类型。

更多信息参考tutorial.

参数：x, y, hue: data或者向量数据中的变量名，可选

用于绘制长格式数据的输入。查看解释示例

data：DataFrame, 数组，或者包含数组的列表，可选

用于绘制的数据集。如果x和y不存在，那么会将数据按宽格式进行处理，否则应当为长格式。

order, hue_order：包含字符串的列表，可选

类别层级绘制的顺序，否则层级会从数据对象中推测。

orient: “v” | “h”, 可选

绘制的朝向（竖直或者水平）。通过从输入变量的dtype进行推断。当类别变量是数值型或者绘制宽格式数据时，可以进行指定。

color: matplotlib颜色，可选

所有元素的颜色，或者渐变调色盘的种子。

palette: 调色盘名称，列表或字典，可选

用于hue变量的不同级别的颜色。应当是color_palette()可以解释的东西，或者将色调级别映射到matplotlib颜色的字典。

saturation: float, 可选

在原有饱和度的比例下绘制颜色。大片的图块通常在略微不饱和的颜色下看起来更好，而如果想要绘制的颜色与输入颜色规格完全匹配，应当设置此值为1。

dodge: bool, 可选

当使用色调嵌套时，决定是否沿着类别轴对元素进行移位。

ax: matplotlib轴，可选

绘制图像的轴对象，不指定时使用当前轴。

kwargs: 键值映射

其他关键字参数会被传递给plt.bar.

返回值：ax: matplotlib轴

返回带有绘图的轴对象。

另请参阅

barplot(): 使用条形图显示点估计和置信区间。

factorplot(): 结合类别图与FacetGrid类。

示例

显示单个类别变量的计数值：

>>> import seaborn as sns
>>> sns.set(style="darkgrid")
>>> titanic = sns.load_dataset("titanic")
>>> ax = sns.countplot(x="class", data=titanic)

显示两个类别变量的计数值：

>>> ax = sns.countplot(x="class", hue="who", data=titanic)

水平绘制条形图：

>>> ax = sns.countplot(y="class", hue="who", data=titanic)

使用不同的颜色色盘：

>>> ax = sns.countplot(x="who", data=titanic, palette="Set3")

使用plt.bar的关键字参数获得不同的显示效果：

>>> ax = sns.countplot(x="who", data=titanic,
...                    facecolor=(0, 0, 0, 0),
...                    linewidth=5,
...                    edgecolor=sns.color_palette("dark", 3))

使用catplot()实现结合countplot()以及FacetGrid的效果。这样做可以在额外的类别变量中进行分组。使用catplot()比直接使用FacetGrid更加安全，因为这样做可以确保跨分面的变量顺序同步：

>>> g = sns.catplot(x="class", hue="who", col="survived",
...                 data=titanic, kind="count",
...                 height=4, aspect=.7);