如何创建具有相关系数的 seaborn 散点图

您可以使用以下基本语法在 Seaborn 中创建散点图并向图中添加相关系数：

 import scipy
import matplotlib. pyplot as plt
import seaborn as sns

#calculate correlation coefficient between x and y
r = scipy. stats . pearsonr (x=df. x , y=df. y )[0]

#create scatterplot
sns. scatterplot (data=df, x=df. x , y=df. y )

#add correlation coefficient to plot
plt. text (5, 30, ' r = ' + str ( round (r,2)))

以下示例展示了如何在实践中使用此语法。

示例：创建具有相关系数的 Seaborn 散点图

假设我们有以下 pandas DataFrame，它显示了各种篮球运动员的得分和助攻：

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' team ': ['A', 'A', 'A', 'A', 'B', 'C', 'C', 'C', 'D', 'D'],
                   ' points ': [12, 11, 18, 15, 14, 20, 25, 24, 32, 30],
                   ' assists ': [4, 7, 7, 8, 9, 10, 10, 12, 10, 15]})

#view DataFrame
print (df)

  team points assists
0 to 12 4
1 to 11 7
2 To 18 7
3 to 15 8
4 B 14 9
5 C 20 10
6 C 25 10
7 C 24 12
8 D 32 10
9 D 30 15

我们可以使用以下语法创建散点图来可视化通道和点之间的关系，并使用scipy的pearsonr()函数来计算这两个变量之间的相关系数：

 import scipy
import matplotlib. pyplot as plt
import seaborn as sns

#calculate correlation coefficient between assists and points
r = scipy. stats . pearsonr (x=df. assists , y=df. points )[0]

#create scatterplot
sns. scatterplot (data=df, x=df. assists , y=df. points )

#add correlation coefficient to plot
plt. text (5, 30, ' r = ' + str ( round (r,2))) 

从结果中我们可以看出，助攻数与得分之间的皮尔逊相关系数为0.78 。

相关：什么被认为是“强”相关性？

请注意，我们使用round()函数将相关系数四舍五入到小数点后两位。

您可以随意四舍五入到不同的小数位数，也可以随意使用fontsize参数来更改绘图上相关系数的字体大小：

 import scipy
import matplotlib. pyplot as plt
import seaborn as sns

#calculate correlation coefficient between assists and points
r = scipy. stats . pearsonr (x=df. assists , y=df. points )[0]

#create scatterplot
sns. scatterplot (data=df, x=df. assists , y=df. points )

#add correlation coefficient to plot
plt. text (5, 30, ' r= '+ str ( round (r,4)), fontsize= 20 )) 

请注意，相关系数现在四舍五入到小数点后四位，并且字体大小比前面的示例大得多。

注意：您可以在此处找到 seaborn scatterplot()函数的完整文档。

其他资源

以下教程解释了如何在seaborn中执行其他常见功能：

如何在 Seaborn 中绘制分布
如何在 Seaborn 中对 x 轴上的箱线图进行排序
如何将表格添加到 Seaborn 图中