武汉企业如何建网站查询关键词
Seaborn 的 配对图（Pairplot）
是一种用于探索多变量数据关系的可视化工具，尤其适合分析数据集中多个特征之间的相关性、分布模式或异常值。本文介绍如何生成数据集数值变量之间的配对图，并通过参数设置色系。
配对图的核心作用
- 矩阵式可视化
- 生成一个 N×N 的网格图（N 为特征数），每个单元格展示两列特征之间的关系。
- 默认对角线显示单变量分布（直方图或 KDE 曲线），非对角线显示散点图或其他关系图。
- 快速发现模式
- 直观呈现变量间的线性/非线性关系、聚类趋势或异常值。
- 例如：身高与体重的强正相关、性别在不同变量中的分布差异。
- 适用场景
- 数据预分析、特征工程、探索性数据分析（EDA）。
- 适用于小规模数据集（样本量 < 1000）。
基本示例
首先安装必要的依赖：
pip install pandas seaborn matplotlib
假设我们有如下的pandas DataFrame，它显示了两个不同球队的篮球运动员的得分和助攻：
import pandas as pd#create DataFrame
df = pd.DataFrame({'team': ['A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B'],'assists': [3, 4, 4, 7, 9, 6, 7, 8, 10, 12],'points': [5, 6, 9, 12, 15, 5, 10, 13, 13, 19]})#view DataFrame
print(df)team assists points
0 A 3 5
1 A 4 6
2 A 4 9
3 A 7 12
4 A 9 15
5 B 6 5
6 B 7 10
7 B 8 13
8 B 10 13
9 B 12 19
如果我们使用pairplot（）函数，那么seaborn将使用DataFrame中的两个数值变量创建一个pairplot：
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt#create pairplot
sns.pairplot(data=df)
plt.show()
生成的成对图使用点和辅助变量显示散点图和直方图。
如果我们在pairplot（）函数中使用hue参数，我们可以根据team变量的值为图的各个方面上色：
import seaborn as sns#create pairplot using values of team variable as colors
sns.pairplot(data=df, hue='team')
通过使用色调参数，我们可以在图中做出以下改变：
- 散点图中的点是基于团队值的颜色。
- 重叠密度曲线用于可视化每个独特团队的值分布。
注意，还会自动添加一个图例，以便我们知道哪些颜色对应于哪些团队值。
高级技巧
1. 分面图（Faceting）
结合 row/col 参数按某变量分面，细化分析：
sns.pairplot(tips, hue="smoker", row="time", col="day")
2. 仅显示部分变量
通过 vars 参数选择特定列：
sns.pairplot(tips, vars=["total_bill", "tip", "size"], hue="sex")
3. 控制图例位置
使用 legend 参数调整图例位置：
sns.pairplot(tips, hue="sex", legend_out=True) # 放置在图形外
plt.legend(bbox_to_anchor=(1.05, 1)) # 定位到右侧外部
注意事项
- 数据量限制
- 配对图在样本量大（>1000）时可能过于密集，建议使用采样或降维方法（如 PCA）。
- 颜色对比度
- 避免使用亮度或饱和度过低的颜色，确保不同类别可区分。
- 图例简洁性
- 类别过多时，可合并少量类别（如 “Other”）或改用其他编码方式（如形状）。
完整示例
import seaborn as sns
import matplotlib.pyplot as plt# 加载数据
tips = sns.load_dataset("tips")# 创建配对图：用 'sex' 和 'smoker' 分层着色，自定义调色板
plt.figure(figsize=(12, 8))
sns.pairplot(tips,hue="sex",palette={"Male": "#1f77b4", "Female": "#ff7f0e"},markers=["^", "s"],diag_kind="kde",size=2.5
)
plt.title("Pairplot with Custom Colors and Markers")
plt.legend(bbox_to_anchor=(1.05, 1))
plt.show()
输出效果：每个散点图根据性别用不同颜色和形状标记，对角线显示 KDE 分布，图例独立于主图。
最后总结
通过灵活运用 Seaborn 的配对图功能，结合色系设计，可以高效揭示数据的多维特征和隐藏规律。