【人工智能】Python常用库-Seaborn常用方法教程

Seaborn 是基于 Matplotlib 的高级可视化库，专注于统计数据的可视化。它提供了高层次的图形接口，适合快速生成专业图表。以下是 Seaborn 的常用方法及详细说明。

---

1. 安装和导入 Seaborn

安装 Seaborn：

pip install seaborn

导入 Seaborn：

import seaborn as sns
import matplotlib.pyplot as plt

加载内置数据集（Seaborn 提供了一些自带的数据集）：

# 加载内置数据集
df = sns.load_dataset("iris")

---

---

2. 数据分布的可视化

2.1 直方图（Histogram）

展示单变量的分布。

sns.histplot(data=df, x="sepal_length", kde=True, bins=20)
plt.title("Histogram of Sepal Length")
plt.show()

2.2 核密度图（KDE Plot）

平滑分布。

sns.kdeplot(data=df, x="sepal_length", fill=True)
plt.title("KDE Plot of Sepal Length")
plt.show()

2.3 箱线图（Box Plot） 

展示分布特征和异常值。

sns.boxplot(data=df, x="species", y="sepal_length")
plt.title("Box Plot of Sepal Length by Species")
plt.show()

---

3. 数据关系的可视化

3.1 散点图（Scatter Plot）

显示两个变量间的关系。

sns.scatterplot(data=df, x="sepal_length", y="sepal_width", hue="species")
plt.title("Scatter Plot of Sepal Length vs Sepal Width")
plt.show()

3.2 折线图（Line Plot）

适用于时间序列等连续数据。

sns.lineplot(data=df, x="sepal_length", y="sepal_width", hue="species")
plt.title("Line Plot of Sepal Length vs Sepal Width")
plt.show()

3.3 关联矩阵（Pair Plot）

多个变量的关系图。

sns.pairplot(df, hue="species", diag_kind="kde")
plt.suptitle("Pair Plot of Iris Dataset", y=1.02)
plt.show()

---

4. 类别数据的可视化

4.1 条形图（Bar Plot）

展示类别变量的平均值。

sns.barplot(data=df, x="species", y="sepal_length", ci="sd")
plt.title("Bar Plot of Sepal Length by Species")
plt.show()

4.2 计数图（Count Plot）

展示类别数据的计数分布。

sns.countplot(data=df, x="species")
plt.title("Count Plot of Species")
plt.show()

---

5. 数据分布的高级可视化

5.1 小提琴图（Violin Plot）

结合箱线图和 KDE 图。

sns.violinplot(data=df, x="species", y="sepal_length", inner="quartile")
plt.title("Violin Plot of Sepal Length by Species")
plt.show()

5.2 条带图（Strip Plot）

点分布。

sns.stripplot(data=df, x="species", y="sepal_length", jitter=True, hue="species", dodge=True)
plt.title("Strip Plot of Sepal Length by Species")
plt.legend(title="Species")
plt.show()

---

6. 热力图（Heatmap）

展示矩阵数据。

# 计算相关矩阵
corr = df.corr()

# 绘制热力图
sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f")
plt.title("Heatmap of Correlation Matrix")
plt.show()

---

7. 风格设置

Seaborn 提供多种风格设置，使图表更美观。

sns.set_theme(style="darkgrid")  # 可选 "whitegrid", "dark", "white", "ticks"

---

8. 案例：展示多变量数据关系

# 使用 Titanic 数据集
titanic = sns.load_dataset("titanic")

# 绘制分类图，展示乘客性别和生还率的关系
sns.catplot(data=titanic, x="sex", y="survived", kind="bar", hue="class", ci=None)
plt.title("Survival Rate by Gender and Class")
plt.show()

---

总结

Seaborn 提供了高层次的接口和直观的可视化方法，特别适用于探索性数据分析（EDA）。通过熟练掌握上述方法，可以高效地绘制专业的统计图表。