Seaborn的15種可視化圖表詳解
來(lái)源：DeepHub IMBA
本文約1800字，建議閱讀5分鐘
在本文中，將介紹Seaborn的最常用15個(gè)可視化圖表。
可視化是以圖形形式表示數(shù)據(jù)或信息的過(guò)程。在本文中，將介紹Seaborn的最常用15個(gè)可視化圖表
Seaborn是一個(gè)非常好用的數(shù)據(jù)可視化庫(kù)，它基于Matplotlib，并且提供了一個(gè)高級(jí)接口，使用非常見(jiàn)簡(jiǎn)單，生成圖表也非常的漂亮。
安裝
安裝非常簡(jiǎn)單：
Pip install seaborn在使用時(shí)只要導(dǎo)入就可以了。
import seaborn as snsSeaborn提供了一些內(nèi)置的數(shù)據(jù)集，這里我們使用Seaborn的Iris數(shù)據(jù)集。
data=sns.load_dataset('iris')data[10:15]
我們看看數(shù)據(jù)量
data['species'].value_counts()
1、條形圖
條形圖用于表示分類(lèi)變量，它只顯示平均值(或其他估計(jì)值)。我們?yōu)閤軸選擇一個(gè)分類(lèi)列，為y軸(花瓣長(zhǎng)度)選擇一個(gè)數(shù)值列，我們看到它創(chuàng)建了一個(gè)為每個(gè)分類(lèi)列取平均值的圖。
sns.barplot(x='species',y='petal_length',hue='species',data=data)
2、散點(diǎn)圖
散點(diǎn)圖是由幾個(gè)數(shù)據(jù)點(diǎn)組成的圖。x軸表示花瓣長(zhǎng)度，y軸表示數(shù)據(jù)集的萼片長(zhǎng)度。
sns.scatterplot(x='petal_length',y='sepal_length',hue='species',style='species',s=90,data=data)
3、直方圖
直方圖通常用于可視化單個(gè)變量的分布，但它們也可用于比較兩個(gè)或更多變量的分布。除了直方圖之外，KDE參數(shù)還可以用來(lái)顯示核密度估計(jì)(KDE)。這里，我們使用萼片長(zhǎng)度。
sns.histplot(x='sepal_length',kde=True,data=data)
sns.histplot(x='sepal_length',kde=True,hue='species',data=data)
4、線形圖
線形圖可以用來(lái)可視化各種不同的關(guān)系。它們易于創(chuàng)建和分析，在線形圖中每個(gè)數(shù)據(jù)點(diǎn)由直線連接。
sns.lineplot(x='petal_length',y='petal_width',data=data)
5、小提琴圖
小提琴圖可以表示數(shù)據(jù)的密度，數(shù)據(jù)的密度越大的區(qū)域越胖。“小提琴”形狀表示數(shù)據(jù)的核密度估計(jì)，每個(gè)點(diǎn)的形狀寬度表示該點(diǎn)的數(shù)據(jù)密度。
sns.violinplot(x='species',y='petal_length',data=data,hue='species')
6、箱線圖
箱形圖由一個(gè)箱形圖和兩個(gè)須狀圖組成。它表示四分位數(shù)范圍(IQR)，即第一和第三四分位數(shù)之間的范圍。中位數(shù)由框內(nèi)的直線表示。須狀圖從盒邊緣延伸到最小值和最大值的1.5倍IQR。異常值是落在此范圍之外的任何數(shù)據(jù)點(diǎn)，并會(huì)單獨(dú)顯示出來(lái)。
sns.boxplot(x='species',y='sepal_length',data=data,hue='species')
7、熱圖
熱圖是數(shù)據(jù)的二維可視化表示，它使用顏色來(lái)顯示變量的值。熱圖經(jīng)常用于顯示數(shù)據(jù)集中的各種因素如何相互關(guān)聯(lián)，比如相關(guān)系數(shù)。
heat_corr=data.corr()sns.heatmap(heat_corr,annot=True)
8、點(diǎn)圖
點(diǎn)圖是一種統(tǒng)計(jì)圖表，用于顯示一組數(shù)據(jù)及其變異性的平均值或集中趨勢(shì)。點(diǎn)圖通常用于探索性數(shù)據(jù)分析，可以快速可視化數(shù)據(jù)集的分布或比較多個(gè)數(shù)據(jù)集。
sns.pointplot(x='species',y='petal_length',data=data,markers ='^',color='g')
9、密度圖
密度圖通過(guò)估計(jì)連續(xù)隨機(jī)變量的概率函數(shù)來(lái)表示數(shù)據(jù)集的分布，也稱(chēng)為核密度估計(jì)(KDE)圖。
sns.kdeplot(x='petal_length',data=data,hue='species',multiple='stack')
sns.kdeplot(x='petal_length',y='sepal_length',data=data,hue='species')
10、計(jì)數(shù)圖
計(jì)數(shù)圖是一種分類(lèi)圖，它顯示了分類(lèi)變量的每個(gè)類(lèi)別中觀測(cè)值的計(jì)數(shù)。它本質(zhì)上是一個(gè)柱狀圖，其中每個(gè)柱的高度代表特定類(lèi)別的觀測(cè)值的數(shù)量。
sns.countplot(x='species', data=data)
11、分簇散點(diǎn)圖
分簇散點(diǎn)圖與條形圖相似，但是它會(huì)修改一些點(diǎn)以防止重疊，這有助于更好地表示值的分布。在該圖中，每個(gè)數(shù)據(jù)點(diǎn)表示為一個(gè)點(diǎn)，并且這些點(diǎn)的排列使得它們?cè)诜诸?lèi)軸上不會(huì)相互重疊。
sns.swarmplot(x='sepal_width',y='species',data=data,hue='species',dodge=True,orient='h',size=8)
12、配對(duì)圖
配對(duì)圖可視化了數(shù)據(jù)集中幾個(gè)變量之間的成對(duì)關(guān)系。它創(chuàng)建了一個(gè)坐標(biāo)軸網(wǎng)格，這樣所有數(shù)值數(shù)據(jù)點(diǎn)將在彼此之間創(chuàng)建一個(gè)圖，在x軸上具有單列，y軸上具有單行。對(duì)角線圖是單變量分布圖，它繪制了每列數(shù)據(jù)的邊際分布。
sns.set(rc = {"figure.figsize":(6,3)})sns.pairplot(data=data,hue='species')
13、Facet Grid
Seaborn中的FacetGrid函數(shù)將數(shù)據(jù)集和一個(gè)或多個(gè)分類(lèi)變量作為輸入，并創(chuàng)建一個(gè)圖表網(wǎng)格，每種類(lèi)別變量的組合都有一個(gè)圖表。網(wǎng)格中的每個(gè)圖都可以定制為不同類(lèi)型的圖，例如散點(diǎn)圖、直方圖或箱形圖。
g=sns.FacetGrid(data, col="species",height=4,hue='species')g.map(sns.histplot, "petal_length")
14、聯(lián)合分布圖
聯(lián)合分布圖將兩個(gè)不同的圖組合在一個(gè)表示中，可以展示兩個(gè)變量之間的關(guān)系(二元關(guān)系)。
sns.jointplot(x="sepal_length", y="sepal_width", data=data,palette='Set2',hue='species')
15、分類(lèi)圖
cat圖(分類(lèi)圖的縮寫(xiě))是Seaborn中的定制的一種圖，它可以可視化數(shù)據(jù)集中一個(gè)或多個(gè)分類(lèi)變量與連續(xù)變量之間的關(guān)系。它可用于顯示分布、比較組或顯示不同變量之間的關(guān)系。
sns.catplot(data=data, x="petal_length", y="species", kind="violin", color=".9", inner=None)sns.swarmplot(data=data, x="petal_length", y="species", size=3)
總結(jié)
Seaborn對(duì)于任何使用Python處理數(shù)據(jù)的人來(lái)說(shuō)都是一個(gè)非常好用的工具，它易于使用，并且提供更美觀的圖形使其成為探索和交流數(shù)據(jù)最佳選擇。它與其他Python數(shù)據(jù)分析庫(kù)(如Pandas)的集成使其成為數(shù)據(jù)探索和可視化的強(qiáng)大工具。