Python 可視化：Seaborn 庫使用基礎
作者：了不起
當使用Seaborn進行可視化分析時，它提供了豐富的功能和美觀的默認樣式，使數據可視化變得更加容易和具有吸引力。
大家好，我是了不起。
當使用Seaborn進行可視化分析時，你可以通過以下多個例子來展示Seaborn的各種屬性和功能。我將為你提供一些簡單到復雜的示例，并附上詳細的注釋和說明。
1. 簡單的散點圖
首先，讓我們創建一個簡單的散點圖，用Seaborn可視化數據集中的兩個變量。我們將使用Seaborn的scatterplot函數。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內置的數據集
tips = sns.load_dataset('tips')
# 創建散點圖
sns.scatterplot(x='total_bill', y='tip', data=tips)
# 添加標題和標簽
plt.title('Total Bill vs Tip')
plt.xlabel('Total Bill ($)')
plt.ylabel('Tip ($)')
# 顯示圖形
plt.show()這個例子展示了如何使用Seaborn的scatterplot函數創建一個簡單的散點圖，并自定義標題和標簽。
2. 柱狀圖與分組
接下來，讓我們創建一個柱狀圖，展示不同性別的顧客在餐廳中的平均付款金額。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內置的數據集
tips = sns.load_dataset('tips')
# 創建柱狀圖
sns.barplot(x='sex', y='total_bill', data=tips, ci=None)
# 添加標題和標簽
plt.title('Average Total Bill by Gender')
plt.xlabel('Gender')
plt.ylabel('Average Total Bill ($)')
# 顯示圖形
plt.show()在這個示例中，我們使用了barplot函數創建柱狀圖，并通過ci=None參數禁用了置信區間的顯示。
3. 箱線圖與分布
現在，讓我們創建一個箱線圖，同時顯示不同用餐時間的顧客總賬單分布。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內置的數據集
tips = sns.load_dataset('tips')
# 創建箱線圖
sns.boxplot(x='time', y='total_bill', data=tips)
# 添加標題和標簽
plt.title('Total Bill Distribution by Dining Time')
plt.xlabel('Dining Time')
plt.ylabel('Total Bill ($)')
# 顯示圖形
plt.show()這個示例中，我們使用了boxplot函數創建箱線圖，展示了不同用餐時間下的總賬單分布情況。
4. 分類散點圖與回歸線
接下來，讓我們創建一個分類散點圖，同時添加回歸線，以顯示顧客總賬單和小費之間的關系。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內置的數據集
tips = sns.load_dataset('tips')
# 創建分類散點圖和回歸線
sns.lmplot(x='total_bill', y='tip', data=tips, hue='sex')
# 添加標題和標簽
plt.title('Total Bill vs Tip with Regression Line (Separated by Gender)')
plt.xlabel('Total Bill ($)')
plt.ylabel('Tip ($)')
# 顯示圖形
plt.show()在這個示例中，我們使用lmplot函數創建了分類散點圖，并使用hue參數將數據按性別分組，并添加了回歸線。
5. 熱力圖
最后，讓我們創建一個熱力圖，展示不同變量之間的相關性。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內置的數據集
tips = sns.load_dataset('tips')
# 計算變量之間的相關性矩陣
correlation_matrix = tips.corr()
# 創建熱力圖
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
# 添加標題
plt.title('Correlation Heatmap')
# 顯示圖形
plt.show()這個示例中，我們使用heatmap函數創建了一個熱力圖，用不同顏色表示不同變量之間的相關性，并使用annot=True在圖中顯示相關性值。
這些示例展示了Seaborn的不同屬性和功能，從簡單的散點圖到復雜的熱力圖，你可以根據你的數據和需求選擇合適的Seaborn函數來創建可視化圖表。Seaborn提供了豐富的功能和美觀的默認樣式，使數據可視化變得更加容易和具有吸引力。
責任編輯：趙寧寧
來源：
Python技術
