pythonsns函数 python sgn函数

python sns.pointplot如何添加文本信息

C语言有__LINE__来表示源代码的当前行号，经常在记录日志时使用。Python如何获取源代码的当前行号？

The C Language has the __LINE__ macro, which is wildly used in logging, presenting the current line of the source file. And how to get the current line of a Python source file?

exception输出的函数调用栈就是个典型的应用：

A typical example is the output of function call stack when an exception:

python代码

File "D:\workspace\Python\src\lang\lineno.py", line 19, in module

afunc()

File "D:\workspace\Python\src\lang\lineno.py", line 15, in afunc

errmsg = 1/0

ZeroDivisionError: integer division or modulo by zero

那么我们就从错误栈的输出入手，traceback模块中：

Now that, Let's begin with the output of an exception call stack, in the traceback module:

python代码

def print_stack(f=None, limit=None, file=None):

"""Print a stack trace from its invocation point.

The optional 'f' argument can be used to specify an alternate

stack frame at which to start. The optional 'limit' and 'file'

arguments have the same meaning as for print_exception().

"""

if f is None:

try:

raise ZeroDivisionError

except ZeroDivisionError:

f = sys.exc_info()[2].tb_frame.f_back

print_list(extract_stack(f, limit), file)

def print_list(extracted_list, file=None):

"""Print the list of tuples as returned by extract_tb() or

extract_stack() as a formatted stack trace to the given file."""

if file is None:

file = sys.stderr

for filename, lineno, name, line in extracted_list:

_print(file,

' File "%s", line %d, in %s' % (filename,lineno,name))

if line:

_print(file, ' %s' % line.strip())

traceback模块构造一个ZeroDivisionError，并通过sys模块的exc_info()来获取运行时上下文。我们看到，所有的秘密都在tb_frame中，这是函数调用栈中的一个帧。

traceback constructs an ZeroDivisionError, and then call the exc_info() of the sys module to get runtime context. There, all the secrets hide in the tb_frame, this is a frame of the function call stack.

对，就是这么简单！只要我们能找到调用栈frame对象即可获取到行号！因此，我们可以用同样的方法来达到目的，我们自定义一个lineno函数：

Yes, It's so easy! If only a frame object we get, we can get the line number! So we can have a similar implemetation to get what we want, defining a function named lineno:

python代码

import sys

def lineno():

frame = None

try:

raise ZeroDivisionError

except ZeroDivisionError:

frame = sys.exc_info()[2].tb_frame.f_back

return frame.f_lineno

def afunc():

# if error

print "I have a problem! And here is at Line: %s"%lineno()

是否有更方便的方法获取到frame对象？当然有！

Is there any other way, perhaps more convinient, to get a frame object? Of course YES!

python代码

def afunc():

# if error

print "I have a proble! And here is at Line: %s"%sys._getframe().f_lineno

类似地，通过frame对象，我们还可以获取到当前文件、当前函数等信息，就像C语音的__FILE__与__FUNCTION__一样。其实现方式，留给你们自己去发现。

Thanks to the frame object, similarly, we can also get current file and current function name, just like the __FILE__ and __FUNCTION__ macros in C. Debug the frame object, you will get the solutions.

相关问答

Q1: Python 数据可视化：数据分布统计图和热图

本课将继续介绍 Seaborn 中的统计图。一定要牢记pythonsns函数，Seaborn 是对 Matplotlib 的高级封装pythonsns函数，它优化pythonsns函数了很多古老的做图过程pythonsns函数，因此才会看到一个函数解决问题的局面。

在统计学中，研究数据的分布情况，也是一个重要的工作，比如某些数据是否为正态分布——某些机器学习模型很在意数据的分布情况。

在 Matplotlib 中，可以通过绘制直方图将数据的分布情况可视化。在 Seaborn 中，也提供了绘制直方图的函数。

输出结果：

sns.distplot 函数即实现了直方图，还顺带把曲线画出来了——曲线其实代表了 KDE。

除了 sns.distplot 之外，在 Seaborn 中还有另外一个常用的绘制数据分布的函数 sns.kdeplot，它们的使用方法类似。

首先看这样一个示例。

输出结果：

① 的作用是设置所得图示的背景颜色，这样做的目的是让下面的 ② 绘制的图像显示更清晰，如果不设置 ①，在显示的图示中看到的就是白底图像，有的部分看不出来。

② 最终得到的是坐标网格，而且在图中分为三部分，如下图所示。

相对于以往的坐标网格，多出了 B 和 C 两个部分。也就是说，不仅可以在 A 部分绘制某种统计图，在 B 和 C 部分也可以绘制。

继续操作：

输出结果：

语句 ③ 实现了在坐标网格中绘制统计图的效果，jp.plot 方法以两个绘图函数为参数，分别在 A 部分绘制了回归统计图，在 B 和 C 部分绘制了直方图，而且直方图分别表示了对应坐标轴数据的分布，即：

pythonsns函数我们把有语句 ② 和 ③ 共同实现的统计图，称为联合统计图。除了用 ② ③ 两句可以绘制这种图之外，还有一个函数也能够“两步并作一步”，具体如下：

输出结果：

Q2: Python 数据可视化：分类特征统计图

上一课已经体验到了 Seaborn 相对 Matplotlib 的优势，本课将要介绍的是 Seaborn 对分类数据的统计，也是它的长项。

针对分类数据的统计图，可以使用 sns.catplot 绘制，其完整参数如下：

本课使用演绎的方式来学习，首先理解这个函数的基本使用方法，重点是常用参数的含义。

其他的参数，根据名称也能基本理解。

下面就依据 kind 参数的不同取值，分门别类地介绍各种不同类型的分类统计图。

读入数据集：

然后用这个数据集制图，看看效果：

输出结果：

毫无疑问，这里绘制的是散点图。但是，该散点图的横坐标是分类特征 time 中的三个值，并且用 hue='kind' 又将分类特征插入到图像中，即用不同颜色的的点代表又一个分类特征 kind 的值，最终得到这些类别组合下每个记录中的 pulse 特征值，并以上述图示表示出来。也可以理解为，x='time', hue='kind' 引入了图中的两个特征维度。

语句 ① 中，就没有特别声明参数 kind 的值，此时是使用默认值 'strip'。

与 ① 等效的还有另外一个对应函数 sns.stripplot。

输出结果：

② 与 ① 的效果一样。

不过，在 sns.catplot 中的两个参数 row、col，在类似 sns.stripplot 这样的专有函数中是没有的。因此，下面的图，只有用 sns.catplot 才能简洁直观。

输出结果：

不过，如果换一个叫角度来说，类似 sns.stripplot 这样的专有函数，表达简单，参数与 sns.catplot 相比，有所精简，使用起来更方便。

仔细比较，sns.catplot 和 sns.stripplot 两者还是稍有区别的，虽然在一般情况下两者是通用的。

因此，不要追求某一个是万能的，各有各的用途，存在即合理。

不过，下面的声明请注意： 如果没有非常的必要，比如绘制分区图，在本课中后续都演示如何使用专有名称的函数。

前面已经初步解释了这个函数，为了格式完整，这里再重复一下，即 sns.catplot 中参数 kind='strip'。

如果非要将此函数翻译为汉语，可以称之为“条状散点图”。以分类特征为一坐标轴，在另外一个坐标轴上，根据分类特征，将该分类特征数据所在记录中的连续值沿坐标轴描点。

从语句 ② 的结果图中可以看到，这些点虽然纵轴的数值有相同的，但是没有将它们重叠。因此，我们看到的好像是“一束”散点，实际上，所有点的横坐标都应该是相应特征分类数据，也不要把分类特征的值理解为一个范围，分散开仅仅是为了图示的视觉需要。

输出结果：

④ 相对 ② 的图示，在于此时同一纵轴值的都重合了——本来它们的横轴值都是一样的。实现此效果的参数是 jitter=0，它可以表示点的“振动”，如果默认或者 jitter=True，意味着允许描点在某个范围振动——语句 ② 的效果；还可设置为某个 0 到 1 的浮点，表示许可振动的幅度。请对比下面的操作。

输出结果：

语句 ② 中使用 hue='kind' 参数向图中提供了另外一个分类特征，但是，如果感觉图有点乱，还可以这样做：

输出结果：

dodge=True 的作用就在于将 hue='kind' 所引入的特征数据分开，相对 ② 的效果有很大差异。

并且，在 ⑤ 中还使用了 paletter='Set2' 设置了色彩方案。

sns.stripplot 函数中的其他有关参数，请读者使用帮助文档了解。

此函数即 sns.catplot 的参数 kind='swarm'。

输出结果：

再绘制一张简单的图，一遍研究这种图示的本质。

输出结果：

此图只使用了一个特征的数据，简化表象，才能探究 sns.swarmplot 的本质。它同样是将该特征中的数据，依据其他特征的连续值在图中描点，并且所有点在默认情况下不彼此重叠——这方面与 sns.stripplot 一样。但是，与之不同的是，这些点不是随机分布的，它们经过调整之后，均匀对称分布在分类特征数值所在直线的两侧，这样能很好地表示数据的分布特点。但是，这种方式不适合“大数据”。

sns.swarmplot 的参数似乎也没有什么太特殊的。下面使用几个，熟悉一番基本操作。

在分类维度上还可以再引入一个维度，用不同颜色的点表示另外一种类别，即使用 hue 参数来实现。

输出结果：

这里用 hue = 'smoker' 参数又引入了一个分类特征，在图中用不同颜色来区分。

如果觉得会 smoker 特征的值都混在一起有点乱，还可以使用下面方式把他们分开——老调重弹。

输出结果：

生成此效果的参数就是 dodge=True，它的作用就是当 hue 参数设置了特征之后，将 hue 的特征数据进行分类。

sns.catplot 函数的参数 kind 可以有三个值，都是用于绘制分类的分布图：

下面依次对这三个专有函数进行阐述。

Q3: python中sns怎么定义

趋势被定义为一种变化模式。

sns.lineplot-折线图最适合显示一段时间内的趋势，多条线可用于显示多个组中的趋势。

Q4: 在python中快速浏览数据集应该调用那个函数

python sns绘制回归线_python快速浏览整体数据集分布

快速浏览数据集,观察数据分布。便于合理的解释统计分析的结果。还可能为做亚组分析提供思路。

快速浏览数据集可以使用pairplot()。默认情况下，此函数使用散点图和直方图，还可以在非对角线上绘制回归图，在对角线上绘制核密度估计图。

609ae4893729a124ffa1e2ccbc37bd8e.png

这是在rrt分组下不同数据相互关系的分布情况，图太大，不能完全展示。

9530c1d5caee8fddf75c2d9cae1a3561.png

这是整体数据的核密度分布，只是展示了部分结果。

其他几种方法来可视化数据的单变量或双变量分布。

sns.displot(data, x="age", hue="rrt", multiple="stack")

6208af93adc00e6493a2cee77e62c794.png

堆砌条形图

05275683333dba405248c28d89c4581d.png

密度图

035bcf1f555699e20fd5a9bacbb69134.png

分布概率图

每种方法都有相对的优势和劣势，数据量较大时，可以从不同角度直观观察数据的分布情况，可能会发现异常值。并能够对统计分析的结果可以更合理的解释，或者为做亚组分析提供思

关于pythonsns函数和python sgn函数的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。