如果您曾经在Python中使用过线图，条形图等图形，那么您一定已经遇到了名为matplotlib的库。尽管matplotlib库非常复杂，但绘图并没有那么精细，也不是任何人发布的首选。这是seaborn出现的地方。
Seaborn是基于matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制引人入胜且内容丰富的统计图形。
该库是可视化的下一步。我们只需一个命令就可以绘制漂亮的图，甚至可以制作多个图。让我们开始探索seaborn。随附的GitHub存储库见评论区。
汇入资料
为了了解各种地块，我从Kaggle选择了一个有关“ 加州住房价格”的数据集。因此，我的第一步是导入pandas允许我读取CSV文件的库，然后使用来打印行数，列名和前5行head(5)。
import pandas as pddataset = pd.read_csv("dataset.csv")print("Dataset: {}".format(dataset.shape))print("Columns: {}".format(dataset.columns))dataset.head(5)## Output# Dataset: (20640, 10)# Columns: Index(['longitude', 'latitude', 'housing_median_age', 'total_rooms',# 'total_bedrooms', 'population', 'households', 'median_income',# 'median_house_value', 'ocean_proximity'],# dtype='object')我们的数据集有20640行和10列，其名称在上面的要点中进行了描述。我们还看看前5行是什么样子。
数据集
Seaborn
让我们从导入开始matplotlib。请注意，我使用的是matplotlib版本3.0.3，而不是最新版本，因为存在一个会破坏热图并使其无效的错误。然后，我导入了seaborn。最后，为了确保Jupyter中的图显示在笔记本中，我们使用命令%matplotlib inline。
import matplotlib.pyplot as pltimport seaborn as sns%matplotlib inline让我们开始探索情节！
散点图
当我们想要显示两个要素或一个要素与标签之间的关系时，散点图很有用。这非常有用，因为我们还可以描述每个数据点的大小，为它们涂上不同的颜色并使用不同的标记。让我们看看seaborn的基本命令是做什么的。
sns.scatterplot(x = 'total_rooms', y = 'total_bedrooms', data = dataset)
Seaborn的散点图
上图描述了total_rooms和之间的关系total_bedrooms。只需执行一个命令即可完成所有工作，但要等待，还有更多。
使用figsize，我将尺寸增加到12x8。然后，我将scatterplot命令更新为每个数据点的大小基于median_house_value，颜色使用hue基于ocean_proximity和标记使用style基于基于ocean_proximity。另外，如果没有适当的标题和轴标签，则绘图是不完整的，因此我也添加了它们。
plt.figure(figsize = (12, 8))sns.scatterplot(data = dataset, x = 'total_rooms', y = 'total_bedrooms', hue = 'ocean_proximity', style = 'ocean_proximity')plt.title("California Rooms vs Bedrooms")plt.xlabel("Total rooms")plt.ylabel("Total bedrooms")
使用Seaborn更新了散点图
如您所见，此图看起来比以前的图好很多，并且还包含一个不错的图例，因此任何人都可以看到和理解该图-应当是这样。
计数图
计数图根据某个类别列自动对数据点进行计数，并将数据显示为条形图。这在分类问题中非常有用，在分类问题中，我们要查看各种类的大小是否相同。但是，由于这不是分类数据，并且只有一个分类列，因此我决定使用它。
seaborn中的地块使我们也可以text使用来添加到每个条annotate。在仔细查看数据集时，我们发现缺少许多元数据信息。例如，该列具有尚未在任何地方描述ocean_proximity的值<1H OCEAN。人们应该始终收集元数据信息，并使用具有适当信息的数据集。由于这只是用于理解图的参考数据集，因此没什么大不了的。
plt.figure(figsize = (12, 8))ocean_plot = sns.countplot(x = 'ocean_proximity', data = dataset)for p in ocean_plot.patches: ocean_plot.annotate(p.get_height(), (p.get_x() + p.get_width() / 2.0, p.get_height()), ha = 'center'x, va = 'center', xytext = (0, 5), textcoords = 'offset points')plt.title("Count of houses based on their proximity to ocean")plt.xlabel("Proximity to the ocean")plt.ylabel("Count of houses")
使用seaborn计数地块
在上图中，我们可以看到该列的数据高度不对称。带有条形文字非常有用，因为ISLAND仅通过查看绘图，最后一个类型看起来就好像是零值。
直方图
直方图是显示连续数据点并查看其分布方式的有效方法。我们可以看到，大多数值位于较低端，较高端或均匀分布。
的dist在seaborn情节既产生的直方图，以及基于所述数据图的密度线。我定义了总共10个垃圾箱，以便将整个垃圾箱median_house_value分配到10个不同的存储桶中。
plt.figure(figsize = (12, 8))sns.distplot(a = dataset['median_house_value'], bins = 10, hist = True)plt.title("Density and histogram plot for Median house value")plt.xlabel("Median house value")plt.ylabel("Value")
直方图的直方图(具有密度)
如我们所见，该分布似乎很正常，较高端略有尖峰。上图中的蓝线定义了密度的分布。
小提琴图
在与seaborn合作之前，我经常在各种文章中看到这些看起来很怪异的情节，并且想知道它们是什么。然后，我了解了它们，发现它们是小提琴图，与箱形图非常相似，并根据密度描绘了宽度以反映数据分布。在Seaborn中，创建小提琴图只是一个命令。
plt.figure(figsize = (12, 8))sns.violinplot(x = 'ocean_proximity', y = 'median_house_value', data = dataset)plt.title("Box plots of house values based on ocean proximity")plt.xlabel("Ocean proximity")plt.ylabel("Median house value")
Seaborn小提琴情节
在继续进行之前，让我们看看如何理解这些图。考虑一下绿色情节INLAND。从零延伸到大约250000的黑线是95％的置信区间。内部的黑色粗块是四分位间距，表示所有数据中约有50％位于该范围内。图的宽度基于数据的密度。我们可以将其理解为该特定数据集的直方图，其中黑线是x轴，完全平滑并旋转了90度。
热图
相关矩阵可帮助我们了解所有功能和标签如何相互关联以及相关程度。该pandas数据框中有一个调用的函数corr()生成相关矩阵，当我们把它输入到seaborn热图，我们得到了一个美丽的热图。设置annot为True可确保相关性也用数字定义。
plt.figure(figsize = (12, 8))sns.heatmap(dataset.corr(), annot = True)
Seaborn的热图
尽管整个图很有用，但我们可以从查看最后一列开始，并注意每个功能可能如何与标签相关联median_house_value。median_income与标签最相关，值为0.69。
联合图
联合图是我们要绘制的两个要素的散布图与密度图(直方图)的组合。seaborn的联合图使我们甚至可以使用kindas 甚至单独绘制线性回归reg。我使用heightas 8和color 定义了正方形尺寸green。
sns.jointplot(x = "total_rooms
