Seaborn的15种可视化图表详解

可视化是以图形形式表示数据或信息的过程。在本文中，将介绍Seaborn的最常用15个可视化图表

Seaborn是一个非常好用的数据可视化库，它基于Matplotlib，并且提供了一个高级接口，使用非常见简单，生成图表也非常的漂亮。

安装

安装非常简单：

 Pip install seaborn

在使用时只要导入就可以了。

 import seaborn as sns

Seaborn提供了一些内置的数据集，这里我们使用Seaborn的Iris数据集。

 data=sns.load_dataset('iris')
 data[10:15]

我们看看数据量

 data['species'].value_counts()

1、条形图

条形图用于表示分类变量，它只显示平均值(或其他估计值)。我们为x轴选择一个分类列，为y轴(花瓣长度)选择一个数值列，我们看到它创建了一个为每个分类列取平均值的图。

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

2、散点图

散点图是由几个数据点组成的图。x轴表示花瓣长度，y轴表示数据集的萼片长度。

 sns.scatterplot(x='petal_length',y='sepal_length',hue='species',style='species',s=90,data=data)

3、直方图

直方图通常用于可视化单个变量的分布，但它们也可用于比较两个或更多变量的分布。除了直方图之外，KDE参数还可以用来显示核密度估计(KDE)。这里，我们使用萼片长度。

 sns.histplot(x='sepal_length',kde=True,data=data)

 sns.histplot(x='sepal_length',kde=True,hue='species',data=data)

4、线形图

线形图可以用来可视化各种不同的关系。它们易于创建和分析，在线形图中每个数据点由直线连接。

 sns.lineplot(x='petal_length',y='petal_width',data=data)

5、小提琴图

小提琴图可以表示数据的密度，数据的密度越大的区域越胖。“小提琴”形状表示数据的核密度估计，每个点的形状宽度表示该点的数据密度。

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

6、箱线图

箱形图由一个箱形图和两个须状图组成。它表示四分位数范围(IQR)，即第一和第三四分位数之间的范围。中位数由框内的直线表示。须状图从盒边缘延伸到最小值和最大值的1.5倍IQR。异常值是落在此范围之外的任何数据点，并会单独显示出来。

 sns.boxplot(x='species',y='sepal_length',data=data,hue='species')

7、热图

热图是数据的二维可视化表示，它使用颜色来显示变量的值。热图经常用于显示数据集中的各种因素如何相互关联，比如相关系数。

 heat_corr=data.corr()
 sns.heatmap(heat_corr,annot=True)

8、点图

点图是一种统计图表，用于显示一组数据及其变异性的平均值或集中趋势。点图通常用于探索性数据分析，可以快速可视化数据集的分布或比较多个数据集。

 sns.pointplot(x='species',y='petal_length',data=data,markers ='^',color='g')

9、密度图

密度图通过估计连续随机变量的概率函数来表示数据集的分布，也称为核密度估计(KDE)图。

 sns.kdeplot(x='petal_length',data=data,hue='species',multiple='stack')

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

10、计数图

计数图是一种分类图，它显示了分类变量的每个类别中观测值的计数。它本质上是一个柱状图，其中每个柱的高度代表特定类别的观测值的数量。

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

11、分簇散点图

分簇散点图与条形图相似，但是它会修改一些点以防止重叠，这有助于更好地表示值的分布。在该图中，每个数据点表示为一个点，并且这些点的排列使得它们在分类轴上不会相互重叠。

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

12、配对图

配对图可视化了数据集中几个变量之间的成对关系。它创建了一个坐标轴网格，这样所有数值数据点将在彼此之间创建一个图，在x轴上具有单列，y轴上具有单行。对角线图是单变量分布图，它绘制了每列数据的边际分布。

 sns.set(rc = {"figure.figsize":(6,3)})
 sns.pairplot(data=data,hue='species')

13、Facet Grid

Seaborn中的FacetGrid函数将数据集和一个或多个分类变量作为输入，并创建一个图表网格，每种类别变量的组合都有一个图表。网格中的每个图都可以定制为不同类型的图，例如散点图、直方图或箱形图。

 g=sns.FacetGrid(data, col="species",height=4,hue='species')
 g.map(sns.histplot, "petal_length")

14、联合分布图

联合分布图将两个不同的图组合在一个表示中，可以展示两个变量之间的关系(二元关系)。

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

15、分类图

cat图(分类图的缩写)是Seaborn中的定制的一种图，它可以可视化数据集中一个或多个分类变量与连续变量之间的关系。它可用于显示分布、比较组或显示不同变量之间的关系。

 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)

总结

Seaborn对于任何使用Python处理数据的人来说都是一个非常好用的工具，它易于使用，并且提供更美观的图形使其成为探索和交流数据最佳选择。它与其他Python数据分析库(如Pandas)的集成使其成为数据探索和可视化的强大工具。

作者：Atin Bera