深入探索 Seaborn：15 种可视化图表解析

安装 Seaborn 非常简单：

<code>pip install seaborn</code>

在使用时只需要导入即可：

<code>import seaborn as sns</code>

Seaborn 提供了一些内置的数据集，这里我们使用了 Iris 数据集。

<code>data = sns.load_dataset('iris')</code>

我们先来看一下数据：

<code>print(data[10:15])</code>

1. 条形图

条形图用于表示分类变量，它显示了每个分类的平均值或其他估计值。

<code>sns.barplot(x='species', y='petal_length', hue='species', data=data)</code>

2. 散点图

散点图显示了数据点的分布情况。

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

3. 直方图

直方图通常用于表示单个变量的分布情况，也可以用于比较多个变量的分布情况。

<code>sns.histplot(x='sepal_length', kde=True, data=data)</code>

<code>sns.histplot(x='sepal_length', kde=True, hue='species', data=data)</code>

4. 线形图

线形图用于显示不同变量之间的关系。

<code>sns.lineplot(x='petal_length', y='petal_width', data=data)</code>

5. 小提琴图

小提琴图显示了数据的密度分布情况。

<code>sns.violinplot(x='species', y='petal_length', data=data, hue='species')</code>

6. 箱线图

箱线图显示了数据的分布情况，包括中位数、四分位数等。

<code>sns.boxplot(x='species', y='sepal_length', data=data, hue='species')</code>

7. 热图

热图用颜色表示数据的值，常用于显示数据的相关性。

<code>heat_corr = data.corr() sns.heatmap(heat_corr, annot=True)</code>

8. 点图

点图用于显示一组数据的集中趋势。

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

9. 密度图

密度图显示数据的概率密度分布。

<code>sns.kdeplot(x='petal_length', data=data, hue='species', multiple='stack')</code>

<code>sns.kdeplot(x='petal_length', y='sepal_length', data=data, hue='species')</code>

10. 计数图

计数图显示分类变量的计数。

<code>sns.countplot(x='species', data=data)</code>

11. 分簇散点图

分簇散点图用于显示数据点的分布情况，防止重叠。

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

12. 配对图

配对图显示了数据集中变量之间的成对关系。

<code>sns.pairplot(data=data, hue='species')</code>

13. Facet Grid

FacetGrid 可以根据一个或多个分类变量创建一个图表网格。

<code>g = sns.FacetGrid(data, col='species', height=4, hue='species') g.map(sns.histplot, 'petal_length')</code>

14. 联合分布图

联合分布图显示两个变量之间的关系。

<code>sns.jointplot(x='sepal_length', y='sepal_width', data=data, palette='Set2', hue='species')</code>

15. 分类图

分类图用于显示分类变量与连续变量之间的关系。

<code>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)</code>

总结

Seaborn 是一款强大且易用的数据可视化工具，为探索和交流数据提供了很多便利。它与其他 Python 数据分析库（如 Pandas）的集成使得数据探索和可视化变得更加简单。