Seaborn的15種可視化圖表詳解

    

     

      

       

        

         

          來源：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)或信息的過程。在本文中，將介紹Seaborn的最常用15個可視化圖表

Seaborn是一個非常好用的數(shù)據(jù)可視化庫，它基于Matplotlib，并且提供了一個高級接口，使用非常見簡單，生成圖表也非常的漂亮。

安裝

安裝非常簡單：

 Pip install seaborn

在使用時只要導(dǎo)入就可以了。

 import seaborn as sns

Seaborn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變量，它只顯示平均值(或其他估計值)。我們?yōu)閤軸選擇一個分類列，為y軸(花瓣長度)選擇一個數(shù)值列，我們看到它創(chuàng)建了一個為每個分類列取平均值的圖。

 sns.barplot(x='species',y='petal_length',hue='species',data=data)

2、散點圖

散點圖是由幾個數(shù)據(jù)點組成的圖。x軸表示花瓣長度，y軸表示數(shù)據(jù)集的萼片長度。

 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變量的分布，但它們也可用于比較兩個或更多變量的分布。除了直方圖之外，KDE參數(shù)還可以用來顯示核密度估計(KDE)。這里，我們使用萼片長度。

 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，在線形圖中每個數(shù)據(jù)點由直線連接。

 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，每個點的形狀寬度表示該點的數(shù)據(jù)密度。

 sns.violinplot(x='species',y='petal_length',data=data,hue='species')

6、箱線圖

箱形圖由一個箱形圖和兩個須狀圖組成。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，并會單獨顯示出來。

 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、點圖

點圖是一種統(tǒng)計圖表，用于顯示一組數(shù)據(jù)及其變異性的平均值或集中趨勢。點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

密度圖通過估計連續(xù)隨機變量的概率函數(shù)來表示數(shù)據(jù)集的分布，也稱為核密度估計(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、計數(shù)圖

計數(shù)圖是一種分類圖，它顯示了分類變量的每個類別中觀測值的計數(shù)。它本質(zhì)上是一個柱狀圖，其中每個柱的高度代表特定類別的觀測值的數(shù)量。

 sns.countplot(x='species', data=data)

11、分簇散點圖

分簇散點圖與條形圖相似，但是它會修改一些點以防止重疊，這有助于更好地表示值的分布。在該圖中，每個數(shù)據(jù)點表示為一個點，并且這些點的排列使得它們在分類軸上不會相互重疊。

 sns.swarmplot(x='sepal_width',y='species',data=data,hue='species',dodge=True,orient='h',size=8)

12、配對圖

配對圖可視化了數(shù)據(jù)集中幾個變量之間的成對關(guān)系。它創(chuàng)建了一個坐標(biāo)軸網(wǎng)格，這樣所有數(shù)值數(shù)據(jù)點將在彼此之間創(chuàng)建一個圖，在x軸上具有單列，y軸上具有單行。對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)集和一個或多個分類變量作為輸入，并創(chuàng)建一個圖表網(wǎng)格，每種類別變量的組合都有一個圖表。網(wǎng)格中的每個圖都可以定制為不同類型的圖，例如散點圖、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)合分布圖將兩個不同的圖組合在一個表示中，可以展示兩個變量之間的關(guān)系(二元關(guān)系)。

 sns.jointplot(x="sepal_length", y="sepal_width", data=data,                                  palette='Set2',hue='species')

15、分類圖

cat圖(分類圖的縮寫)是Seaborn中的定制的一種圖，它可以可視化數(shù)據(jù)集中一個或多個分類變量與連續(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對于任何使用Python處理數(shù)據(jù)的人來說都是一個非常好用的工具，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(如Pandas)的集成使其成為數(shù)據(jù)探索和可視化的強大工具。