本文主要是介绍Seaborn:推荐一个好用的Python可视化工具，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1. 引言
Seaborn 是建立在 matplotlib 基础上的数据可视化库，并与 Python 中的 pandas 数据结构紧密结合。可视化是 Seaborn 的核心部分，有助于直观的理解数据。
闲话少说，我们直接开始吧！
2. 安装
Seaborn库主要提供以下功能：
面向数据集的应用程序接口，用于确定变量之间的关系。
自动估计和绘制线性回归图。
它支持多网格图的高级抽象。
使用Seaborn库，我们可以方便地绘制各种图形。我们可以使用的以下命令进行安装：
pip install seaborn
要初始化 Seaborn 库，一般使用以下命令：
import seaborn as sns
3. 引入数据集
为了展示使用 Seaborn 库进行各种图形的绘制，我们这里使用googleplaystore.csv数据集，大家可以在kaggle网站进行下载。
在继续之前，首先让我们访问一下数据集：
import pandas as pd
import numpy as np
pstore = pd.read_csv("googleplaystore.csv")
pstore.head(10)
数据集的示例如下：
4. 数据直方分布图
首先，让我们看看上述数据集中第三列 Rating 列即APP评分列的数据直方分布图，代码如下：
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
pstore = pd.read_csv("googleplaystore.csv")
#Create a distribution plot for rating
sns.distplot(pstore.Rating)
plt.show()
运行后得到结果如下：
观察上图，在直方分布图上绘制的曲线KDE就是近似的概率密度曲线。
5. 参数设置
与matplotlib 中的直方图类似，在直方分布图中，我们也可以改变bins 数目，使图形更易于理解。
#Change the number of bins
sns.distplot(inp1.Rating, bins=20, kde=False)
plt.show()
现在，图表看起来是这样的，如下：
在上图中，我们在代码中设置kde = False 后，运行后没有概率密度曲线。要删除该曲线，只需对变量kde 进行相应设置即可。
6. 控制颜色
我们还可以像matplotlib 一样为直方分布图提供标题和颜色。相关代码如下：
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns#Create a distribution plot for rating
sns.distplot(pstore.Rating, bins=20, color="g")
plt.title("Distribution of app ratings", fontsize=20, color = 'red')
plt.show()
运行后结果如下：
7. 默认样式
使用 Seaborn 的最大优势之一是，它为我们的图表提供了多种默认样式选项。以下都是 Seaborn 提供的默认样式：
'Solarize_Light2','_classic_test_patch','bmh','classic','dark_background','fast','fivethirtyeight','ggplot','grayscale','seaborn','seaborn-bright','seaborn-colorblind','seaborn-dark','seaborn-dark-palette','seaborn-darkgrid','seaborn-deep','seaborn-muted','seaborn-notebook','seaborn-paper','seaborn-pastel','seaborn-poster','seaborn-talk','seaborn-ticks','seaborn-white','seaborn-whitegrid','tableau-colorblind10'
我们只需编写一行代码，就能将这些样式整合到我们的图表中。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns#Adding dark background to the graph
plt.style.use("dark_background")#Create a distribution plot for rating
sns.distplot(pstore.Rating, bins=20, color="g")
plt.title("Distribution of app ratings", fontsize=20, color = 'red')
plt.show()
为图表添加深色背景后，分布图看起来就像这样了，如下所示：
8. 饼图
饼图一般用于分析不同类别中的数据分布。在我们使用的数据集中，我们将分析内容评级列Content Rating 中排名前 4 位的类别的数量。首先，我们将对 "内容评级 "列Content Rating 进行数据清理和挖掘，并统计相应类别的数量。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns#Analyzing the Content Rating column
count = pstore['Content Rating'].value_counts()
print(count)
得到结果如下：
根据上述输出结果，由于 Adults only 18+ 和 Unrated 的这两个类别的计数明显少于其他类别，我们将从内容分级中删除这些类别并更新数据集。
#Remove the rows with values which are less represented
pstore = pstore[~pstore['Content Rating'].isin(["Adults only 18+","Unrated"])]
#Resetting the index
pstore.reset_index(inplace=True, drop=True)
#Analyzing the Content Rating column again
count = pstore['Content Rating'].value_counts()
print(count)
得到结果如下：
现在，让我们为 上述统计结果绘制相应的饼图，代码如下：
#Plotting a pie chart
plt.figure(figsize=[9,7])
pstore['Content Rating'].value_counts().plot.pie()
plt.show()
运行后得到结果如下：
9. 柱状图
观察上述代码输出的饼图中，我们无法正确推断类别 Everyone 10+和类别 Mature 17+这两个类别的比例谁大。当这两个类别的数值有些相似时，直接观察饼图很难评估它们之间的差异。
此时，我们可以将上述数据绘制成柱状图来克服这种情况。绘制柱状图的代码如下：
#Plotting a bar chart
plt.figure(figsize=[9,7])
pstore['Content Rating'].value_counts().plot.barh()
plt.show()
运行后如下：
当然，我们可以给不同类别设置不同颜色，如下：
plt.figure(figsize=[9,7])
pstore['Content Rating'].value_counts().plot.barh(color=["purple","orange","green","pink"])
plt.show()
结果如下：
10. 总结
本文重点介绍了如何利用Seaborn库绘制数据直方分布图以及饼图和柱状图，并给出了相应的代码示例！
您学废了嘛！
这篇关于Seaborn:推荐一个好用的Python可视化工具的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
