Python数据分析可视化数据Seaborn图表这篇就够了

1.Seaborn图表概述

2.安装Seaborn图表

3.Seaborn图表的基本设置

3.1设置图表的背景风格

3.2 设置图表的边框

4.常见图表的绘制

41 .柱形图的绘制

4.2 折线图的绘制

4.3 散点图的绘制

1.Seaborn图表概述

Seaborn是一个基于Matplotlib的Python数据可视化库，它提供了一种高级界面来绘制有吸引力的统计图形。Seaborn的图表主要分为以下几类：

关系类图表：这类图表主要用于展示两个或多个变量之间的关系。包括散点图（scatterplot）和折线图（lineplot）。
分类图表：这类图表主要用于展示分类数据。包括条形图（barplot）、计数图（countplot）、分类散点图（stripplot）、能够显示分布密度的分类散点图（swarmplot）、箱图（boxplot）、小提琴图（violinplot）、增强箱图（boxenplot）和点图（pointplot）。
分布图：这类图表主要用于展示数据的分布情况。包括直方图（distplot）、质量估计图、核函数密度估计图（kdeplot）和rugplot（将数组中的数据点绘制为轴上的数据）。
双变量关系图：这类图表用于展示两个变量之间的二元关系，通常使用联合分布图（jointplot）和变量关系组图（pairplot）来表示。

2.安装Seaborn图表

由于Seaborn依赖Scipy，所以安装Seaborn之前要安装Scipy，下面是安装Seaborn的代码：

pip install seaborn

3.Seaborn图表的基本设置

3.1设置图表的背景风格

axes_style 用于查看或临时修改样式的参数设置。

set_style 用于设置全局默认样式。

Seaborn 提供了多种内置的背景主题（或称为样式），这些主题可以影响图表的外观，包括网格线、背景颜色、字体大小等。这些主题是为了让图表在不同的背景和情境下都能保持清晰和一致。

以下是 Seaborn 的一些内置背景主题（样式）：

darkgrid：深色网格背景，白色网格线。

whitegrid：白色背景，深色网格线。

dark：深色背景，没有网格线。

white：白色背景，没有网格线。

ticks：浅色背景，有刻度线但没有网格线。

5个背景风格的示例：

import seaborn as sns
import matplotlib.pyplot as plt# 设置不同的背景主题
styles = ["darkgrid", "whitegrid", "dark", "white", "ticks"]for style in styles:# 设置当前样式sns.set_style(style)# 绘制一个简单的线图x = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.plot(x, y)# 设置图表标题以显示当前样式plt.title(f"Chart with '{style}' style")# 显示图表plt.show()# 稍微延迟一下，以便观察每个图表plt.pause(0.5)

3.2 设置图表的边框

使用despine函数设置图表的边框

despine 是 seaborn 库中的一个函数，用于清理和美化 matplotlib 图表，通过移除顶部和/或右侧的边框和刻度线来实现。下面是 despine 函数的一些参数及其说明：

fig：matplotlib 的 Figure 对象。如果不提供，则使用当前活动的 Figure。

ax：matplotlib 的 Axes 对象或对象数组。指定要应用 despine 的轴。如果没有提供，则使用 fig 中的所有轴。

top：布尔值，默认为 True。如果为 True，则移除顶部边框和刻度线。

right：布尔值，默认为 True。如果为 True，则移除右侧边框和刻度线。

left：布尔值，默认为 False。如果为 True，则移除左侧边框和刻度线。

bottom：布尔值，默认为 False。如果为 True，则移除底部边框和刻度线。

offset：标量或标量数组，可选。从轴边缘到刻度线的距离。正值将刻度线向内移动，负值将刻度线向外移动。

trim：布尔值，默认为 False。如果为 True，则修剪多余的空白空间。

示例：

import pandas as pd  # 导入pandas库，并为其指定别名pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np# 创建一个自定义数据集
x = np.linspace(0, 10, 100)  # 生成0到10之间的100个点
y = np.sin(x)  # 对每个x点计算正弦值
data = pd.DataFrame({'x': x, 'y': y})  # 使用pd作为pandas的别名来创建DataFrame# 使用seaborn的 lineplot 函数绘制线图
ax = sns.lineplot(data=data, x='x', y='y')# 使用despine移除左侧的边框
sns.despine(ax=ax, left=True)# 设置图表标题和坐标轴标签
ax.set_title('Custom Line Plot with Despine')
ax.set_xlabel('X Axis Label')
ax.set_ylabel('Y Axis Label')# 显示图表
plt.show()

运行结果：

4.常见图表的绘制

41 .柱形图的绘制

使用barplot函数进行绘制

示例：

import seaborn as sns
import matplotlib.pyplot as plt# 假设我们有以下数据
categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [23, 45, 56, 34]# 使用pandas创建一个简单的DataFrame（如果需要的话）
import pandas as pddata = pd.DataFrame({'category': categories,'value': values
})# 使用seaborn的barplot函数绘制柱形图
sns.barplot(x='category', y='value', data=data)# 添加标题和坐标轴标签
plt.title('Bar Chart Example with Seaborn')
plt.xlabel('Categories')
plt.ylabel('Values')# 显示图形
plt.show()

运行结果：

4.2 折线图的绘制

使用lineplot函数进行绘制

示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd# 创建一个简单的数据集
data = {'time': ['2021-01', '2021-02', '2021-03', '2021-04', '2021-05'],'value': [23, 45, 34, 56, 67]
}# 将数据转换为DataFrame
df = pd.DataFrame(data)# 将'time'列转换为日期类型
df['time'] = pd.to_datetime(df['time'])# 使用seaborn的lineplot函数绘制折线图
sns.lineplot(x='time', y='value', data=df)# 添加标题和坐标轴标签
plt.title('Line Chart Example with Seaborn')
plt.xlabel('Time')
plt.ylabel('Values')# 显示图形
plt.show()

运行结果：

在Seaborn库中，relplot函数是一个更高级别的接口，用于绘制关系图，它可以处理多个变量之间的关系，并根据数据类型自动选择最合适的图形类型。对于绘制折线图，您可以使用relplot并设置kind='line'。

示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd# 创建一个简单的数据集
data = {'time': ['2021-01', '2021-02', '2021-03', '2021-04', '2021-05'],'value': [23, 45, 34, 56, 67]
}# 将数据转换为DataFrame
df = pd.DataFrame(data)# 将'time'列转换为日期类型
df['time'] = pd.to_datetime(df['time'])# 使用seaborn的relplot函数绘制折线图
sns.relplot(data=df, x='time', y='value', kind='line')# 添加标题
plt.title('Line Chart Example with Seaborn relplot')# 显示图形
plt.show()

4.3 散点图的绘制

示例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd# 假设我们有一个简单的数据集
data = {'x': [1, 2, 3, 4, 5],'y': [2, 4, 1, 3, 5]
}
df = pd.DataFrame(data)# 首次绘制散点图
sns.scatterplot(x='x', y='y', data=df)
plt.title('First Scatter Plot')
plt.show()

运行结果：