Seaborn是一个功能强大的Python库，用于增强数据可视化。它为Matplotlib提供了大量高级接口。Seaborn可以很好地处理数据帧，而Matplotlib则不行，它可以让你以更简单的方式绘制引人注目的图表。
为了更好地理解本文，你需要了解pandas和matplotlib的基础知识。如果没有，
确保系统中安装了必要的库：
使用conda：
conda install pandas
conda install matplotlib
conda install seaborn
使用pip：
pip install pandas
pip install matplotlib
pip install seaborn
让我们首先导入所需的Python库和数据集。
import pandas as pd from matplotlib import pyplot as plt import seaborn as sns df = pd.read_csv('Pokemon.csv', index_col = 0, encoding='unicode-escape') df.head() 
在上面的代码中，我们将index_col设置为0，这表示我们将第一列视为索引。
使用seaborn和Pokemon（口袋妖怪）数据集的属性，我们将创建一些非常有趣的可视化效果。我们首先要看的是散点图。
散点图
散点图使用点来表示不同数值变量的值。每个点在水平轴和垂直轴上的位置表示单个数据点的值。它们用于观察变量之间的关系。
在seaborn中制作散点图只需要使用“lmplot”函数。为此，我们将dataframe传递给data参数，然后传入x和y轴的列名。
默认情况下，散点图还显示一条回归线，它是一条最适合数据的直线。
sns.lmplot(x=’Attack’, y=’Defense’, data=df) plt.show()
在这里你可以看到我们的散点图，它显示了进攻得分与防守得分的比较。
我们的回归线基本上显示了两轴之间的相关性。在这种情况下，它是向上倾斜的。也就是说当进攻得分越来越高，防守得分也会越来越高。要删除回归线，可以将“fitreg”参数设置为false。
此外，我们可以通过设置hue参数来在Pokemon的进化阶段着色。这个色调的参数是非常有用的，因为它允许你用颜色来表达第三维度的信息。
sns.lmplot(x=’Attack’, y=’Defense’, data=df, fit_reg=False, hue=’Stage’) plt.show()
散点图看起来和之前的一样，除了中间没有回归线，而且每个点的颜色也不同。这些颜色只是显示了每个小精灵的阶段。Stage只是我们之前看到的数据中的另一个属性。
通过这张图，我们可以得出这样的结论:在第一阶段的pokemon（蓝点）通常比在更高阶段的pokemon得分更低。
箱线图
箱线图是常用于显示数据分布的重要图之一。在seaborn中只需要一行代码就可以使用boxplot函数显示箱线图。在本例中，我们将使用除total、stage和legendary属性之外的整个dataframe。
df_copy = df.drop([‘Total’, ‘Stage’, ‘Legendary’], axis=1) sns.boxplot(data=df_copy)
在这里我们可以看到每个属性都有其各自的箱线图。
箱线图基于5个数字摘要，每个摘要以不同的行显示。中间的线是中值，是数据的中心点。箱线图末端的最底部和最顶部的线是四分位数1和4的中位数，基本上显示了分布的最小值和最大值。中间的另外两条线是四分位数2和3的中位数，它们显示了值与中位数之间的差异。超出此范围的单点表示数据中的异常值。
小提琴图
小提琴图与箱线图相似。小提琴图是箱线图非常有用的替代品。它们通过小提琴的厚度来显示分布，而不只是简要的统计。众所周知，小提琴图在分析和可视化数据集中不同属性的分布时非常方便。
在本例中，我们将使用上一个示例中的相同数据帧副本。
sns.violinplot(data=df_copy) plt.show()
我们可以观察到口袋妖怪每个属性的值分布。小提琴较厚的区域意味着值的密度更高。小提琴图的中间部分通常比较厚，这意味着那里的值密度很高。我们比较了下一个口袋妖怪的攻击类型。为此，让我们使用相同的小提琴绘图方法。
plt.figure(figsize=(10,6))\sns.violinplot(x='Type 1', y='Attack', data=df) plt.show()
这个图显示了每个口袋妖怪的主要类型的攻击分数分布。如你所见，“龙”型口袋妖怪的攻击得分最高，但它们也有较高的方差，这意味着它们的攻击分数也非常低。“Ghost”主类型的方差非常低，这意味着它们的大多数数据值都集中在中心。
热图
热图帮助你可视化矩阵类型的数据。例如，我们可以将口袋妖怪不同属性之间的所有关联可视化。
让我们通过调用“corr”函数来计算数据帧的相关性，并使用“heatmap”函数绘制热图。
corr = df_copy.corr() sns.heatmap(corr)
上面的热图显示了我们数据帧的相关性。
长方体的颜色越浅，这两个属性之间的相关性就越高。例如，血量和口袋妖怪的整体速度之间的相关性非常低。因此，盒子的颜色是深色的。HP和防御速度之间的相关性非常高，因此我们可以在热图中看到一个红色方块。我们可以看到，当一个属性变高时，其他属性也会变高，比如防守速度。
直方图
直方图允许你绘制数值分布图。如果我们要使用matplotlib来创建柱状图，那么与使用seaborn创建柱状图相比，这将需要更多的工作。对于seaborn，只需要一行代码就可以创建。
例如，我们可以创建一个直方图来绘制带有攻击属性的分布。
sns.distplot(df.Attack, color=’blue’)
我们可以看到大多数口袋妖怪都在50-100之间。我们可以看到，攻击值大于100或小于50的口袋妖怪要少得多。
Calplots公司
与条形图类似，calplots允许你可视化每个类别变量的分布。我们可以使用calplot来查看每种主要类型中有多少口袋妖怪。
sns.countplot(x=’Type 1', data=df) plt.xticks(rotation=-45)
我们可以看到，“水”类的口袋妖怪最多，而“仙女”和“冰”类的口袋妖怪最少。
密度图
密度图显示两个变量之间的分布。例如，我们可以使用密度图来比较口袋妖怪的两个属性：攻击值、防御值。我们将使用'jointplot'函数来完成此操作。
sns.jointplot(df.Attack, df.Defense, kind=’kde’, color=’lightblue’)
“kde”表示我们需要一个密度图。
如你所见，绘图区域在黑暗中的变化取决于区域中的值的数量。黑暗区域预示着一种非常牢固的关系。从这个图中我们可以看出，当攻击值在50到75之间时，防御值在50左右。
