seaborn库详解

Seaborn 是一个基于 Python 的统计数据可视化库，它建立在 matplotlib 之上，旨在提供更高级、更美观、更具统计意义的可视化功能。

1. 单变量分布可视化

功能

使用 histplot() 函数绘制直方图，展示单变量数据的分布情况，可直观看到数据在各个区间的频次。

代码

import seaborn as sns
import matplotlib.pyplot as plt# 加载内置数据集
tips = sns.load_dataset("tips")
# 绘制 total_bill 列的直方图
sns.histplot(tips["total_bill"], kde=True)
plt.show()

在这段代码中，首先加载了 Seaborn 的内置数据集 tips，然后使用 histplot() 函数绘制 total_bill 列的直方图，kde=True 表示同时绘制核密度估计曲线，最后使用 plt.show() 显示图形。

2. 双变量联合分布可视化

功能

jointplot() 函数用于创建双变量的联合分布图，既能展示两个变量各自的分布，又能显示它们之间的关系。

代码

import seaborn as sns
import matplotlib.pyplot as plttips = sns.load_dataset("tips")
# 绘制 total_bill 和 tip 两列的联合分布图
sns.jointplot(x="total_bill", y="tip", data=tips, kind="scatter")
plt.show()

这里通过 jointplot() 函数，以散点图的形式展示了 tips 数据集中 total_bill 和 tip 两列之间的关系，同时在坐标轴上分别展示了它们各自的单变量分布。

3. 分类数据柱状图可视化

功能

barplot() 函数用于绘制柱状图，可比较不同类别之间的均值等统计量。

代码

import seaborn as sns
import matplotlib.pyplot as plttips = sns.load_dataset("tips")
# 绘制不同日子的平均总账单柱状图
sns.barplot(x="day", y="total_bill", data=tips)
plt.show()

此代码使用 barplot() 函数，根据 tips 数据集绘制了不同日期（day 列）对应的平均总账单（total_bill 列）的柱状图，方便比较不同日期的消费情况。

4. 箱线图可视化分类数据分布

功能

boxplot() 函数绘制箱线图，能展示数据的分布范围、中位数、四分位数以及异常值等信息。

代码

import seaborn as sns
import matplotlib.pyplot as plttips = sns.load_dataset("tips")
# 绘制不同日子总账单的箱线图
sns.boxplot(x="day", y="total_bill", data=tips)
plt.show()

该代码利用 boxplot() 函数绘制了 tips 数据集中不同日期（day 列）对应的总账单（total_bill 列）的箱线图，帮助我们分析不同日期消费数据的分布特征。

5. 线性回归关系可视化

功能

lmplot() 函数绘制线性回归图，不仅显示数据点的分布，还能拟合一条线性回归线，分析两个连续变量之间的线性关系。

代码

import seaborn as sns
import matplotlib.pyplot as plttips = sns.load_dataset("tips")
# 绘制 total_bill 和 tip 之间的线性回归图
sns.lmplot(x="total_bill", y="tip", data=tips)
plt.show()

这段代码通过 lmplot() 函数在 tips 数据集中绘制了 total_bill 和 tip 之间的线性回归图，从图中可以观察到两者之间的线性趋势。

6. 多变量关系矩阵可视化

功能

pairplot() 函数创建一个包含多个子图的图形，展示数据集中多个变量之间的两两关系，适用于探索性数据分析。

代码

import seaborn as sns
import matplotlib.pyplot as pltiris = sns.load_dataset("iris")
# 绘制 iris 数据集多个变量的关系矩阵图
sns.pairplot(iris)
plt.show()

此代码使用 pairplot() 函数对 iris 数据集进行可视化，展示了数据集中多个变量之间的两两关系，有助于全面了解数据集中变量之间的相互关系。

热力图可视化数据相关性

功能

heatmap() 函数用于绘制热力图，通过颜色深浅表示数值大小，适合展示二维数据矩阵，如相关系数矩阵。

代码

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd# 生成示例数据
data = {'A': [1, 2, 3, 4],'B': [5, 6, 7, 8],'C': [9, 10, 11, 12]
}
df = pd.DataFrame(data)
# 计算相关系数矩阵
corr_matrix = df.corr()
# 绘制热力图
sns.heatmap(corr_matrix, annot=True)
plt.show()

该代码首先创建了一个示例数据框，然后计算其相关系数矩阵，最后使用 heatmap() 函数绘制热力图，annot=True 表示在图中显示具体的数值，方便分析变量之间的相关性。