Seaborn 学习总结

一、Seaborn 简介

今天我学习的Seaborn 是一个建立在 Matplotlib 基础之上的 Python 数据可视化库，它专注于绘制各种统计图形，能让用户更轻松地呈现和理解数据。其设计目标是简化统计数据可视化过程，提供了高级接口和美观的默认主题，使用户通过少量代码就能实现复杂图形的绘制。

二、Seaborn 的安装与导入

（一）安装方法

1. 使用 pip 安装：pip install seaborn
2. 使用 conda 安装：conda install seaborn（可使用清华源：Simple Index ，能提高安装速度）

（二）导入方法

python

运行

import seaborn as sns
sns.set_theme()  # 可选择不同的主题和模板

（三）主题设置

sns.set_theme() 可以选择不同的主题和模板，格式为sns.set_theme(style="whitegrid", context="paper")。

1. style 参数取值

   style 取值	说明
   darkgrid（默认）	深色网格主题
   whitegrid	浅色网格主题
   dark	深色主题，没有网格
   white	浅色主题，没有网格
   ticks	深色主题，带有刻度标记

2. context 参数取值

   context 取值	说明
   paper	适用于小图，具有较小的标签和线条
   notebook（默认）	适用于笔记本电脑和类似环境，具有中等大小的标签和线条
   talk	适用于演讲幻灯片，具有大尺寸的标签和线条
   poster	适用于海报，具有非常大的标签和线条

三、常用绘图函数及示例

（一）散点图（sns.scatterplot ()）

用于绘制两个变量之间的散点图，可选择添加趋势线。

（二）折线图（sns.lineplot ()）

用于绘制变量随着另一个变量变化的趋势线图。
示例代码：

python

运行

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个示例数据框
data = {'X': [1, 2, 3, 4, 5], 'Y': [5, 4, 3, 2, 1]}
df = pd.DataFrame(data)
# 绘制折线图
sns.lineplot(x='X', y='Y', data=df)
plt.show()

（三）柱形图（sns.barplot ()）

用于绘制变量的均值或其他聚合函数的柱状图。
示例代码：

python

运行

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个示例数据框
data = {'Category': ['A', 'B', 'C'], 'Value': [3, 7, 5]}
df = pd.DataFrame(data)
# 绘制柱状图
sns.barplot(x='Category', y='Value', data=df)
plt.show()

（四）箱线图（sns.boxplot ()）

用于绘制变量的分布情况，包括中位数、四分位数等。
示例代码：

python

运行

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个示例数据框
data = {'Category': ['A', 'A', 'B', 'B', 'C', 'C'], 'Value': [3, 7, 5, 9, 2, 6]}
df = pd.DataFrame(data)
# 绘制箱线图
sns.boxplot(x='Category', y='Value', data=df)
plt.show()

（五）热图（sns.heatmap ()）

用于绘制矩阵数据的热图，通常用于展示相关性矩阵。
示例代码：

python

运行

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个示例数据框
data = {'A': [1, 2, 3, 4, 5], 'B': [5, 4, 3, 2, 1]}
df = pd.DataFrame(data)
# 创建一个相关性矩阵
correlation_matrix = df.corr()
# 使用热图可视化相关性矩阵
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt=".2f")
plt.show()

（六）小提琴图（sns.violinplot ()）

用于显示分布的形状和密度估计，结合了箱线图和核密度估计。
示例代码：

python

运行

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个示例数据框
data = {'Category': ['A', 'A', 'B', 'B', 'C', 'C'], 'Value': [3, 7, 5, 9, 2, 6]}
df = pd.DataFrame(data)
# 绘制小提琴图
sns.violinplot(x='Category', y='Value', data=df)
plt.show()

通过对 Seaborn 的学习，我们可以利用这些强大的绘图功能，更直观、清晰地展示数据特征和规律，为数据的分析和解读提供有力支持。在实际应用中，可根据具体的数据类型和分析需求，选择合适的图形进行绘制。