译者 | Lemon
本文属于 Seaborn 的基础教程，介绍了直方图、联合分布图、矩阵图、箱形图等。通过本文可以看出，使用 seaborn 可以轻松的进行数据可视化。
Seaborn 是一个数据可视化库，可帮助在Python中创建有趣的数据可视化。 大多数数据分析需要识别趋势和建立模型，本文将帮助你开始使用 Seaborn库创建数据可视化。
首先，你应该在 jupyter notebook 中键入以下命令。
import pandas as pd # Pandas
import numpy as np # Numpy
import matplotlib.pyplot as plt # Matplotlibrary
import seaborn as sns # Seaborn Library
%matplotlib inline
sns.set()
直方图 （Distplot）
sns.distplot（）结合直方图并绘制核密度估计图。 这里 bin 区间大小是自动计算的。
sns.distplot(data[“variablename”])
我们将使用以下代码在 jupyter notebook 中加载数据集：
# Load the Dataset in Python
tips = sns.load_dataset("tips")
tips.head()
现在，由于我们已经加载了数据集，我们将使用 “total_bill” 变量创建第一个图。让我们从 tips数据集创建 “total_bill” 变量的 distplot。
sns.distplot(tips["total_bill"], bins=16, color="purple")
# Binsize is calculated using square-root of row count.
现在，我们来对上述代码进行进一步描述：
- sns.distplot — 这个命令将启动 distplot 的初始创建；
- tips[“total_bill”] — 从 tips 数据集（数据框）中取出列（total_bill）。在这里，我们应该观察一下，可以使用方括号来拉取列值，并且列名应该用引号括起来（双引号/单引号）都被接受。
我们推测—— “total_bill”变量本质上是倾斜的，大多数帐单值都在 $10 - $20 范围内。
联合分布图 （Jointplot）
联合分布图 （Jointplot）采用两个变量并一起创建直方图和散点图。让我们看一下 jointplot 的语法。
sns.jointplot(x = , y =, data=)
让我们从 tips数据集创建 total_bill 和 tip变量的联合分布图。通常，任何餐厅的小费金额取决于总账单/账单大小。代码如下：
sns.jointplot(x = "total_bill", y = "tip", data = tips, color="purple")
如上所述，散点图似乎显示总账单和小费金额之间的强相关性。在它的顶部，我们可以看到各个变量的直方图。
2.1 Jointplot :: kind =”hex”
直方图的双变量类比称为“hexbin”图，因为它显示了六边形区间内的观察计数。此图对于相对较大的数据集最有效，也称为Hexbin Plots。
sns.jointplot(x = , y =, data=, kind=”hex”)
# Jointplot - Scatterplot and Histogram
sns.jointplot(x = "total_bill", y = "tip", data = tips, kind ="hex",
color="lightcoral")ips, kind ="hex",color="lightcoral")
有几种类型的值可以放在 sns.jointplot 中来创建不同的图。 默认情况下，联合分布图显示散点图。 现在，在上面的情节图中，它显示了六边形。六边形的深色表示数据点的高密度，其中较浅的颜色表示较少的点。
kind 参数值可以是以下取值：
kind : { "scatter" | "reg" | "resid" | "kde" | "hex" }
下面，我们来看看 kind="kde" 的情形。
2.2 Jointplot :: kind =”kde”
# Jointplot - Scatterplot and Histogram
sns.jointplot(x = tips["total_bill"], y = tips["tip"],kind = "kde",
color="purple") # contour plot
上面显示的图表称为轮廓图。 轮廓图（有时称为“水平图”）是一种在二维平面上显示三维表面的方法。 它绘制了y轴上的两个预测变量X Y和轮廓的响应变量Z。
矩阵图 （Pairplot）
矩阵图基本上绘制了变量之间的成对关系。 它支持用 “hue” 来为类别变量绘图着色。
sns.pairplot(“dataframe”)
# Pairplot of Tips
sns.pairplot(tips, hue = "sex", palette="Set2")
# this will color the plot gender wise
下面我们来了解下矩阵图的含义。对角线部分显示了具有核密度估计的 distplot图或直方图，矩阵图的上部和下部显示散点图。 “hue”使用列的类别为绘图着色。
- hue = “sex” — 设置为按不同的性别进行着色；
- palette = “Set2” - “Set2” 是颜色的一个系列。
条形图 （Barplot）
条形图用于绘制分类列和数字列。 它在可视化中创建了条形。 让我们用“性别”创建一个“total_bill”的条形图，让我们看看哪类人支付更多。
sns.barplot(x = , y =, data=)
# Barplot
sns.barplot(x ="sex" , y ="total_bill" , data=tips)
# Inference - Total Bill Amount for males is more than Females.
# Lets Plot Smoker Vs Total Bill :: The purpose is to find out if
# Smokers pay more bill than Non Smokers
sns.barplot(x = "smoker", y = "total_bill", data =tips)
# Inference - More Bill for Smokers
# Lets Find If There is more Bill In Weekend or Weekdays
sns.barplot(x = "day", y = "total_bill", data =tips)
# People tend to visit more on weekends
箱形图 （Boxplot）
箱形图 （Boxplot）是给定数据集的五点汇总统计的直观表示，五个数字摘要包括：
- Minimum 最小值；
- First Quartile 1/4 值；
- Median (Second Quartile) 中位数；
- Third Quartile 3/4 值；
- Maximum 最大值。
此外，值得注意的一点是，为分类 - 连续变量创建了一个箱线图，这意味着如果x轴是分类的并且y轴是连续的，则应创建箱线图或小提琴图。
让我们从 tips数据集创建一个 “day” 和 “total_bill” 的箱线图。
sns.boxplot(x = , y =, data=)
# Boxplot
sns.boxplot(x = "day", y = "total_bill", data=tips)
# Add hue to split the barplot. Making it more fancier
sns.boxplot(x = "day", y = "total_bill", data=tips, hue = "smoker")
# On Friday people have more bill if they are a Non smoker vs smoker
hue =“smoker”： - 它为吸烟者和非吸烟者创造了一个箱线图。 例如： 在星期五的情况下，可以清楚地看到，与当天的吸烟者相比，非吸烟者的食物费用更多。
# Violin Plots
sns.violinplot(x = "day", y = "total_bill", data = tips)
小提琴图跟箱形图有些类似。他们之间的描述可以参考下面的图示内容：
sns.lmplot 是绘制一个在散点图中进行线性回归拟合的直线。 它遵循普通的最小二乘法，线代表最佳拟合线。为了更好地理解这一点，建议进一步了解一下线性回归的相关知识。
代码如下：
# LM PLot
sns.lmplot(x = "total_bill", y = "tip", data = tips, hue="day")
上图显示了不同日期的total_bill变量的线性回归拟合，如图例中所示，这是在 sns.lmplot 中使用 hue =“day” 获得的。
恭喜！ 你已完成 Seaborn 初学者教程。希望这篇文章能够提供有关 Seaborn 的基本知识，并且可以帮助你创建所有这些图。
作者：Lemon，气候变化及新能源领域从业者，跨界玩Python，秉承“让数据更有价值”的理念，希望能透过数据感知世界。
閱讀更多 CSDN 的文章
