Python—数据可视化Seaborn大全：参数详解与实战案例全解析【第52篇—python：Seaborn大全】

Seaborn库常用绘图详解与实战

引言

Seaborn 是一个基于 Matplotlib 的数据可视化库，它提供了一些高层次的接口，使得绘图变得更加简单和美观。本文将深入探讨 Seaborn 库的常用绘图功能，包括详细的参数说明和实战案例，帮助读者更好地理解和运用 Seaborn 进行数据可视化。

安装与导入

首先，确保你已经安装了 Seaborn 库。如果没有安装，可以使用以下命令：

pip install seaborn
1

导入 Seaborn 通常使用以下方式：

import seaborn as sns
import matplotlib.pyplot as plt
1
2

一、散点图

散点图是一种常用于展示两个变量之间关系的图表。在 Seaborn 中，我们可以使用 sns.scatterplot() 函数来绘制。

参数说明

• x：x轴上的数据
• y：y轴上的数据
• hue：指定颜色变量
• style：指定样式变量
• size：指定点的大小变量

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("iris")

# 绘制散点图
sns.scatterplot(x="sepal_length", y="sepal_width", hue="species", style="species", size="petal_length", data=data)

# 显示图例
plt.legend()
plt.title("散点图 - 花萼长度与宽度关系")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

二、直方图

直方图用于显示数据分布情况，Seaborn 中的 sns.histplot() 函数可以很方便地绘制直方图。

参数说明

• data：数据集
• x：x轴上的数据
• hue：指定颜色变量
• multiple：当有 hue 参数时，控制多层直方图的显示方式

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("tips")

# 绘制直方图
sns.histplot(data=data, x="total_bill", hue="sex", multiple="stack", kde=True)

# 显示图例
plt.legend()
plt.title("总消费金额直方图 - 性别分布")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

三、线性关系图

Seaborn 提供了 sns.regplot() 函数来绘制线性回归图，展示两个变量之间的线性关系。

参数说明

• x：x轴上的数据
• y：y轴上的数据
• hue：指定颜色变量
• marker：指定数据点的标记
• scatter_kws：控制散点图的其他属性

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("tips")

# 绘制线性关系图
sns.regplot(data=data, x="total_bill", y="tip", hue="sex", marker="o", scatter_kws={"s": 100})

# 显示图例
plt.legend()
plt.title("线性关系图 - 消费金额与小费")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

四、热力图

热力图是一种以颜色变化来显示数据矩阵的图表，常用于展示相关性或模式。Seaborn 中的 sns.heatmap() 函数是绘制热力图的利器。

参数说明

• data：数据集，通常是一个二维矩阵
• cmap：指定颜色映射
• annot：在每个单元格显示数值
• linewidths、linecolor：控制单元格之间的线条宽度和颜色

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("flights")
pivot_data = data.pivot_table(index="month", columns="year", values="passengers")

# 绘制热力图
sns.heatmap(data=pivot_data, cmap="YlGnBu", annot=True, linewidths=.5, linecolor="white")

plt.title("月度乘客数热力图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

五、分布图

Seaborn 的 sns.distplot() 函数可以绘制直方图并拟合核密度估计，用于展示单变量的分布情况。

参数说明

• a：绘制分布图的数据
• hist：是否显示直方图
• kde：是否显示核密度估计曲线
• rug：在 x 轴上绘制小的竖线，表示每个观测值的分布

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("iris")

# 绘制分布图
sns.distplot(data["sepal_length"], hist=True, kde=True, rug=True)

plt.title("花萼长度分布图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11

六、箱线图

箱线图是一种展示数据分布的图表，Seaborn 中的 sns.boxplot() 函数可以绘制箱线图。

参数说明

• x、y：数据集中的变量
• hue：指定颜色变量
• notch：是否绘制缺口箱线图
• whis：确定离群值的位置

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("tips")

# 绘制箱线图
sns.boxplot(data=data, x="day", y="total_bill", hue="sex", notch=True, whis=1.5)

plt.title("每天消费金额箱线图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11

七、联合分布图

Seaborn 的 sns.jointplot() 函数可以绘制两个变量之间的联合分布图，同时展示单变量的分布情况。

参数说明

• x、y：绘制联合分布图的两个变量
• kind：指定联合分布图的类型，可选值包括 “scatter”、“kde”、“hex” 等
• hue：指定颜色变量
• joint_kws：控制联合图的其他属性

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("iris")

# 绘制联合分布图
sns.jointplot(data=data, x="sepal_length", y="sepal_width", kind="scatter", hue="species")

plt.title("花萼长度与宽度联合分布图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11

八、小提琴图

小提琴图是箱线图的一种变体，Seaborn 中的 sns.violinplot() 函数可以绘制小提琴图，展示数据的分布情况。

参数说明

• x、y：数据集中的变量
• hue：指定颜色变量
• split：当有 hue 参数时，是否拆分小提琴图
• inner：指定小提琴图内部显示的内容

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("tips")

# 绘制小提琴图
sns.violinplot(data=data, x="day", y="total_bill", hue="sex", split=True, inner="quartile")

plt.title("每天消费金额小提琴图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11

九、成对关系图

Seaborn 的 sns.pairplot() 函数用于绘制数据集中各个数值变量两两之间的散点图，对于多变量数据集的初步探索非常有帮助。

参数说明

• data：数据集
• hue：指定颜色变量
• kind：指定对角线上显示的图表类型

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("iris")

# 绘制成对关系图
sns.pairplot(data=data, hue="species", kind="scatter")

plt.suptitle("花萼与花瓣特征成对关系图")
plt.show()
1
2
3
4
5
6
7
8
9
10
11

十、自定义调色板

Seaborn 允许用户使用自定义调色板，通过 sns.set_palette() 函数可以指定颜色的顺序。

参数说明

• palette：调色板名称或颜色列表

实战案例

import seaborn as sns
import matplotlib.pyplot as plt

# 创建样本数据
data = sns.load_dataset("tips")

# 自定义调色板
custom_palette = ["#FF5733", "#33FF57", "#3357FF", "#FF33C2"]
sns.set_palette(custom_palette)

# 绘制小提琴图
sns.violinplot(data=data, x="day", y="total_bill", hue="sex", split=True, inner="quartile")

plt.title("每天消费金额小提琴图 - 自定义调色板")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

结语

本文详细介绍了 Seaborn 库中一系列常用的绘图功能，包括散点图、直方图、线性关系图、热力图、分布图、箱线图、联合分布图、小提琴图、成对关系图以及自定义调色板。通过深入了解每个函数的参数及实战案例，读者应该能够更自如地使用 Seaborn 进行数据可视化。

Seaborn 提供了直观易用的高级接口，使得绘图变得更加简便，同时保持了高度的定制性。无论是初学者还是有一定经验的数据科学家，都可以在 Seaborn 中找到适合自己需求的工具。

在实际工作中，选择合适的图表类型、调整颜色和样式，都是提高数据可视化效果的关键。通过多次实践，读者将更加熟练地运用 Seaborn 进行数据分析，为数据的探索和展示提供更有力的支持。

希望本文能够帮助读者更深入地了解 Seaborn 库，激发大家在数据可视化领域的创造力，为数据科学的发展贡献一份力量。愿每个数据背后的故事都能在绚丽的图表中得以展现。