Seaborn条形图-教程和案例

简介

Seaborn是应用最广泛的数据可视化Python库之一，是Matplotlib的扩展。它为数据可视化提供了简单，直观，可高度定制化的应用程序接口。
在本教程中，我们将演示Seaborn中如何绘制条形图。
条形图在一个轴上显示数量，另一个轴显示类别变量，以便你可以看到不同类别的值
条形图可用于时间序列以及分类数据的可视化。
在Seaborn中绘制条形图
在Matplotlib中绘制条形图，就像在PyPlot中调用bar()函数一样简单，输入我们想要可视化的分类变量和连续变量
import matplotlib.pyplot as plt
import seaborn as sns

sns.set_style(‘darkgrid’)

x = [‘A’, ‘B’, ‘C’]
y = [1, 5, 3]

sns.barplot(x, y)
plt.show()

这里，我们有一个列表存放了几个分类变量（A,B,C），还有一个列表存放了连续变量（1,5,3）。通过将两个列表的值传递给sns.barplot()函数而生成的条形图，将这两个列表内数据的关系实现了可视化。
这将生成如下简洁的条形图：

但是，大多数情况下，你需要处理的数据要远比以上的复杂的多，有时候，需要对数据进行运算，比如测距或计数。
无论何时运用各种方式处理数据的时候，都可能出现一些错误。值得庆幸的是，Seaborn为我们提供应对措施，会自动用误差线，默认使用我们所提供数据的平均值计算。
让我们导入经典的泰坦尼克数据集合，将这些数据处理为可视化的条形图
import matplotlib.pyplot as plt
import seaborn as sns

#Set Seaborn style
sns.set_style(‘darkgrid’)
#Import Data
titanic_dataset = sns.load_dataset(“titanic”)

#Construct plot
sns.barplot(x = “sex”, y = “survived”, data = titanic_dataset)
plt.show()
这一次，我们将数据集合中的性别和存活设定为X轴和Y轴，而不是用硬编码的列表。
如果我们打印数据集的表头：
print(titanic_dataset.head())
我们得到如下输出：
survived pclass sex age sibsp parch fare …
0 0 3 male 22.0 1 0 7.2500 …
1 1 1 female 38.0 1 0 71.2833 …
2 1 3 female 26.0 0 0 7.9250 …
3 1 1 female 35.0 1 0 53.1000 …
4 0 3 male 35.0 0 0 8.0500 …
5行*15列
当设置X和Y轴变量的时候一定要确保匹配这些特征的名字
最后，我们使用data参数，并传入正在使用的数据集，提取的特征也正是来自于此。结果如下：

在Seaborn中绘制水平条形图
绘制水平条形图代替垂直条形图，我们只需要将X和Y变量进行置换。
这将使类别变量显示在Y轴，生成水平图
import matplotlib.pyplot as plt
import seaborn as sns

x = [‘A’, ‘B’, ‘C’]
y = [1, 5, 3]

sns.barplot(y, x)
plt.show()
生成结果如下：

回到泰坦尼克数据集的案例，也是同样处理方法：

改变Seaborn中条形图颜色
改变条形图颜色非常简单。Color这个参数可以接收Matplotlib的颜色并应用于所有元素中。
我们来把他们都变成蓝色：
import matplotlib.pyplot as plt
import seaborn as sns

x = [‘A’, ‘B’, ‘C’]
y = [1, 5, 3]

sns.barplot(x, y, color=‘blue’)
plt.show()
结果如下：

或者，还有更好的选择，你可以设置palette参数，这个参数可以实现多种颜色。一个相当常用的参数是hls：
import matplotlib.pyplot as plt
import seaborn as sns

titanic_dataset = sns.load_dataset(“titanic”)

sns.barplot(x = “embark_town”, y = “survived”, palette = ‘hls’, data = titanic_dataset)
plt.show()
结果如下：

在Seaborn中绘制分组条形图
绘制分组条形图是常用的操作。比如你想比较一些基本数据，例如乘客的生存率，但同时你想把他们按照某种标准进行分组。比如你想将幸存的乘客，按照等级（一等，二等，三等）划分，但同时将他们登船地点也进行区分。
这对于绘制来说，信息量不少，但也是可以很轻松的用简单的条形图表达出来。
将条形图分组，我们可以用hug参数。从计数角度来说，正如字面意思，hue参数告诉Seaborn如何对条形图上色，单在上色的过程中，同时会把相关信息进行分组。
我们看下如上探讨后的演示案例：
import matplotlib.pyplot as plt
import seaborn as sns

titanic_dataset = sns.load_dataset(“titanic”)

sns.barplot(x = “class”, y = “survived”, hue = “embark_town”, data = titanic_dataset)
plt.show()
结果如下：

Queenstown的数据误差线非常大。这告诉我们从Queenstown登船的幸存乘客中，一等舱和二等舱的数据变化极大。
在Seaborn中对分组条形图进行排序
你可以改变默认条形图的顺序（Seaborn所想通常情况下会是最合理的）为你想要强调或展示的顺序。
这可以通过order参数来设定，该参数可以接收一个列表来存放值和你想要的顺序。
举个例子，目前，它是从一等舱到三等舱顺序排序。如果我们想反过来排序如何做？
import matplotlib.pyplot as plt
import seaborn as sns

titanic_dataset = sns.load_dataset(“titanic”)

sns.barplot(x = “class”, y = “survived”, hue = “embark_town”, order = [“Third”, “Second”, “First”], data = titanic_dataset)
plt.show()
运行代码得出以下结果：

更改Seaborn条形图的置信区间
你可以通过设置ci参数很轻松的调整置信区间
举个例子，你可以通过把它设置为None来关闭它，或者设置为sd使用标准差而不是均值，又或者出于美观的目的，将误差线设置为最大值capsize。
我们稍微调整下置信区间：
import matplotlib.pyplot as plt
import seaborn as sns

titanic_dataset = sns.load_dataset(“titanic”)

sns.barplot(x = “class”, y = “survived”, hue = “embark_town”, ci = None, data = titanic_dataset)
plt.show()

现在我们就看不到之前的误差线了。

或者，我们可以设置误差线为标准差，并设置为最大值：
import matplotlib.pyplot as plt
import seaborn as sns

titanic_dataset = sns.load_dataset(“titanic”)

sns.barplot(x = “class”, y = “survived”, hue = “who”, ci = “sd”, capsize = 0.1, data = titanic_dataset)
plt.show()

结论
在本教程中，我们探讨了集中使用Seaborn和Python绘制条形图的方法。我们从简单的条形图，水平条形图开始，并逐渐按需调整。
我们还谈到如何改变颜色，分组，排序和改变置信区间。
如果你对数据可视化感兴趣却又不知从何学起，请务必看下我们的书籍：《用Python实现数据可视化》（Data Visualization in Python.）
该书能够帮助Python开发者从入门达到中级水平，会指导你如何通过Pandas库实现简单的数据处理，还会涉及核心的绘制库，比如Matplotlib和Seaborn，并告诉你如何使用像Altair这类声明性和实验性库。