Seaborn知识总结
1、简介
（1）高级接口：Seaborn 提供了一组高级函数和方法，可以使得创建常见的统计图表变得简单，例如散点图、线性回归图、箱线图、直方图、核密度估计图、热图等等。无需像 Matplotlib 一样写大量的代码；
（2）置数据集：Seaborn 包含了一些内置的示例数据集，这些数据集可以用于练习和演示。这些数据集通常与示例图表一起使用，以帮助用户更好地理解如何使用 Seaborn 创建可视化。
（3）统计图表：Seaborn 支持许多常用的统计图表类型，如散点图、折线图、条形图、箱线图、热图、小提琴图、分类散点图、成对关系图等。这些图表可以用于分析数据的分布、趋势、关系等方面。
（4）配色方案：Seaborn 提供了一组美观的默认配色方案，使图表更具吸引力。此外，还可以轻松自定义配色方案，以满足特定需求。
（5）高级统计功能：Seaborn 提供了用于绘制统计摘要信息的函数，例如回归线、置信区间、误差棒图等。这些功能有助于更深入地理解数据。
（6）对 Pandas 数据框的支持：Seaborn 可以与 Pandas 数据框无缝集成，使数据的导入、转换和可视化变得更加方便。
（7）主题和风格：Seaborn 允许用户选择不同的图表主题和样式，以满足不同的审美和出版需求。
2、catplot
（1）使用sns.catplot函数，并将kind参数设置为"bar"。
（2）创建的 catplot 图，x轴表示不同的物种（species），y轴表示花瓣长度（petal_length），并绘制了各个物种的平均花瓣长度的barplots。
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 创建catplot并绘制barplots
sns.catplot(x="species", y="petal_length", data=iris, kind="bar")
plt.xlabel("Species")
plt.ylabel("Petal Length")
plt.title("Barplots of Petal Length by Species")
plt.show()3、violinplot
（1）使用sns.violinplot函数
（2）其中x轴表示不同的物种（species），y轴表示萼片长度（sepal_length）
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 创建violinplot
sns.violinplot(x="species", y="sepal_length", data=iris)
plt.title("Violin Plot of Sepal Length by Species")
plt.xlabel("Species")
plt.ylabel("Sepal Length")
plt.show()4、histplot
（1）使用sns.histplot函数
（2）其中 x 轴表示萼片长度（sepal_length），y 轴表示频率（出现次数）
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 创建histplot
sns.histplot(data=iris, x="sepal_length", hue="species", bins=10, kde=True)
plt.title("Histogram of Sepal Length by Species")
plt.xlabel("Sepal Length")
plt.ylabel("Frequency")
plt.legend(title="Species")
plt.show()5、jointplot
（1）使用sns.jointplot函数
（2） x 轴表示萼片长度（sepal_length），y 轴表示萼片宽度（sepal_width）
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 创建jointplot
sns.jointplot(data=iris, x="sepal_length", y="sepal_width", kind="scatter")
plt.xlabel("Sepal Length")
plt.ylabel("Sepal Width")
plt.show()6、heatmap
（1）使用sns.heatmap函数
（2）首先，使用corr()函数计算了Iris数据集中数值特征之间的相关性矩阵。然后，使用sns.heatmap来绘制相关性热图，其中annot=True表示在热图中显示数值标签，cmap参数用于指定颜色地图，linewidths参数用于指定单元格之间的边框宽度
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 计算相关性矩阵
correlation_matrix = iris.corr()
# 创建热图
sns.heatmap(correlation_matrix, annot=True, cmap="coolwarm", linewidths=0.5)
plt.title("Correlation Heatmap of Iris Dataset")
plt.show()7、lineplot
（1）使用sns.lineplot函数
（2） lineplot用于显示两个连续变量之间的趋势或关系。示例绘制了萼片长度（sepal_length）与萼片宽度（sepal_width）之间的线图，并使用hue参数将数据按物种分组以在同一图中显示不同物种的趋势。
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 创建lineplot
sns.lineplot(data=iris, x="sepal_length", y="sepal_width", hue="species")
plt.xlabel("Sepal Length")
plt.ylabel("Sepal Width")
plt.title("Line Plot of Sepal Length vs. Sepal Width by Species")
plt.show()8、boxplot
（1）使用sns.boxplot函数
（2）boxplot通常用于可视化数据的分布和离群值。创建的 boxplot 图，x轴表示不同的物种（species），y轴表示萼片长度（sepal_length）。boxplot图展示了每个物种的萼片长度分布，包括中位数、四分位数和离群值。
import seaborn as sns
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = sns.load_dataset("iris")
# 创建boxplot
sns.boxplot(x="species", y="sepal_length", data=iris)
plt.xlabel("Species")
plt.ylabel("Sepal Length")
plt.title("Box Plot of Sepal Length by Species")
plt.show()
👏觉得文章对自己有用的宝子可以收藏文章并给小编点个赞！
👏想了解更多统计学、数据分析、数据开发、机器学习算法、深度学习等有关知识的宝子们，可以关注小编，希望以后我们一起成长！