【Seaborn 库数据可视化】常用图形类型

Seaborn库是在Matplotlib基础上进行了更高级的封装，使得数据可视化更加简单和美观。

以下是Seaborn库中常用的几种统计图形类型：

1. 散点图（Scatter plot）：使用seaborn.scatterplot()函数可以绘制散点图，用于展示两个连续变量之间的关系。

2. 折线图（Line plot）：使用seaborn.lineplot()函数可以绘制折线图，用于展示连续变量随着另一个变量的变化而变化的趋势。

3. 柱状图（Bar plot）：使用seaborn.barplot()函数可以绘制柱状图，用于展示分类变量之间的比较。

4. 箱线图（Box plot）：使用seaborn.boxplot()函数可以绘制箱线图，用于展示一组数据的分布情况，包括中位数、四分位数和异常值等。

5. 热力图（Heatmap）：使用seaborn.heatmap()函数可以绘制热力图，用于展示两个分类变量之间的相关性。

6. 直方图（Histogram）：使用sns.histplot()函数来绘制直方图。直方图将数值范围分成多个间隔（bin），并计算每个间隔内的观测值数量。直方图的x轴表示数值范围，y轴表示观测值数量。
7. 密度图（Density Plot）：使用sns.kdeplot()函数来绘制核密度估计图。密度图通过平滑的曲线来估计数值变量的概率密度函数。密度图的x轴表示数值范围，y轴表示概率密度。
8. 树状图： sns.clustermap()：绘制树状图，用于展示数据集中观察之间的相似性，并按照相似性分组

除了以上几种常见的统计图形类型，Seaborn还提供了其他一些更高级的图形类型，如密度图（Density plot）、面积图（Area plot）和小提琴图（Violin plot）等。这些图形类型可以根据数据集的特点进行选择和定制，使得数据可视化更加直观和有趣。

下面是使用Seaborn库绘制常见统计图形的一些示例：

1. 散点图：

import seaborn as sns
import matplotlib.pyplot as plt

# 生成示例数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制散点图
sns.scatterplot(x=x, y=y)
plt.show()

        2.折线图：

import seaborn as sns
import matplotlib.pyplot as plt

# 生成示例数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制折线图
sns.lineplot(x=x,y=y)
plt.show()

        3.柱状图：

import seaborn as sns
import matplotlib.pyplot as plt

# 生成示例数据
x = ['A', 'B', 'C', 'D']
y = [10, 15, 7, 12]

# 绘制柱状图
sns.barplot(x=x, y=y)
plt.show()

        4.箱线图：

import seaborn as sns
import matplotlib.pyplot as plt

# 生成示例数据
data = [1, 2, 3, 4, 5]

# 绘制箱线图
sns.boxplot(data)
plt.show()

        5.热力图：

import seaborn as sns
import matplotlib.pyplot as plt

# 生成示例数据
data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

# 绘制热力图
sns.heatmap(data, annot=True)
plt.show()

        6.直方图（Histogram）：使用sns.histplot()函数来绘制直方图。直方图将数值范围分成多个间隔（bin），并计算每个间隔内的观测值数量。直方图的x轴表示数值范围，y轴表示观测值数量。

#import seaborn as sns

# 绘制直方图
#sns.histplot(data=df, x='column_name')


import seaborn as sns
import numpy as np

# 创建一个随机数值变量
data = np.random.randn(1000)

# 绘制直方图
sns.histplot(data, bins=30)

其中，data参数指定要绘制的数据集，x参数指定要绘制的数值变量所在的列名。

1. 密度图（Density Plot）：使用sns.kdeplot()函数来绘制核密度估计图。密度图通过平滑的曲线来估计数值变量的概率密度函数。密度图的x轴表示数值范围，y轴表示概率密度。

同样，data参数指定要绘制的数据集，x参数指定要绘制的数值变量所在的列名。

 1.树状图： sns.clustermap()

import seaborn as sns
import numpy as np

# 创建一个随机数据集
data = np.random.rand(10, 10)

# 绘制树状图
sns.clustermap(data)
 

 

2.成对关系图： sns.pairplot()：

#import seaborn as sns
#import pandas as pd

# 读取数据集
#data = pd.read_csv('data.csv')

# 绘制成对关系图
#sns.pairplot(data)
 

import seaborn as sns
import pandas as pd

# 创建一个包含多个数值变量的数据集
data = pd.DataFrame({'var1': [1, 2, 3, 4, 5],
                     'var2': [2, 4, 6, 8, 10],
                     'var3': [3, 6, 9, 12, 15]})

# 绘制成对关系图
sns.pairplot(data)