利用Seaborn实现高级统计图表—python可视化

2024-04-29 17:04
文章标签 python 实现 可视化 高级 seaborn 统计图表

本文主要是介绍利用Seaborn实现高级统计图表—python可视化，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！

👽发现宝藏

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【点击进入巨牛的人工智能学习网站】。

利用 Seaborn 实现高级统计图表

在数据可视化领域，Seaborn 是 Python 中一个备受欢迎的库。它建立在 Matplotlib 之上，提供了一种更简单的方式来创建漂亮的统计图表。Seaborn 不仅可以绘制常见的统计图表，还支持许多高级功能，如分布图、热图、聚类图等。本文将介绍如何利用 Seaborn 实现一些高级统计图表，并附上代码实例。

安装 Seaborn

首先，确保你已经安装了 Seaborn。如果没有，可以通过 pip 安装：

pip install seaborn

导入 Seaborn 和其他必要的库

在开始之前，让我们先导入 Seaborn 和其他需要的库：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

1. 分布图

分布图是显示单变量分布情况的有效方式。Seaborn 提供了多种方式来绘制分布图，其中之一是 displot 函数。让我们通过一个例子来演示如何绘制一个正态分布的直方图和密度图：

data = np.random.normal(loc=0, scale=1, size=1000)
sns.displot(data, kind="hist", kde=True)
plt.title("Normal Distribution")
plt.show()

2. 热图

热图是一种用颜色编码矩阵数值的图表类型，通常用于显示相关性矩阵或者二维数据集。Seaborn 中的 heatmap 函数可以轻松地创建热图。下面是一个简单的示例，展示了一个相关性矩阵的热图：

data = np.random.rand(10, 10)
sns.heatmap(data, annot=True, cmap="YlGnBu")
plt.title("Correlation Heatmap")
plt.show()

3. 聚类图

聚类图是一种将数据点按照它们的相似性分组的图表类型。Seaborn 中的 clustermap 函数可以帮助我们创建聚类图。下面是一个简单的例子，展示了如何绘制一个聚类图：

data = np.random.rand(10, 10)
sns.clustermap(data, cmap="viridis")
plt.title("Cluster Map")
plt.show()

4. 箱线图和小提琴图

箱线图和小提琴图都是用于展示数据分布的有效方式。箱线图显示了数据的中位数、上下四分位数和异常值，而小提琴图则以核密度估计为基础，展示了数据的分布情况。Seaborn 提供了 boxplot 和 violinplot 函数来绘制这两种图表。以下是一个比较箱线图和小提琴图的示例：

# 创建示例数据
data = np.random.normal(loc=0, scale=1, size=100)# 绘制箱线图
sns.boxplot(data=data, color='skyblue')
plt.title("Box Plot")
plt.show()# 绘制小提琴图
sns.violinplot(data=data, color='lightgreen')
plt.title("Violin Plot")
plt.show()

5. 联合分布图

联合分布图用于可视化两个变量之间的关系，并显示它们的单变量分布情况。Seaborn 提供了 jointplot 函数来创建联合分布图，支持不同的绘图风格，如散点图、核密度估计图等。以下是一个简单的例子：

# 创建示例数据
x = np.random.normal(loc=0, scale=1, size=1000)
y = np.random.normal(loc=0, scale=1, size=1000)# 绘制联合分布图
sns.jointplot(x=x, y=y, kind='hex', color='purple')
plt.title("Joint Distribution Plot")
plt.show()

6. 点图

点图用于显示一个分类变量对另一个连续变量的影响，通常用于比较不同组之间的差异。Seaborn 中的 pointplot 函数可以帮助我们绘制点图。以下是一个简单的示例，展示了不同性别在某个连续变量上的差异：

# 创建示例数据
import pandas as pd
data = pd.DataFrame({'Gender': ['Male', 'Male', 'Female', 'Female'],'Value': [10, 15, 12, 17]
})# 绘制点图
sns.pointplot(x='Gender', y='Value', data=data, ci=None, color='orange')
plt.title("Point Plot")
plt.show()

7. 多变量分布图

多变量分布图用于同时可视化多个变量之间的关系，可以帮助我们发现变量之间的复杂关系和模式。Seaborn 中的 pairplot 函数是一个强大的工具，可以绘制数据集中所有变量两两之间的关系。以下是一个简单的例子：

# 创建示例数据集
import pandas as pd
data = pd.DataFrame({'A': np.random.randn(100),'B': np.random.randn(100),'C': np.random.randn(100)
})# 绘制多变量分布图
sns.pairplot(data)
plt.suptitle("Pair Plot")
plt.show()

8. 线性关系图

线性关系图用于可视化两个变量之间的线性关系，并可以帮助我们观察到它们之间的趋势和相关性。Seaborn 中的 lmplot 函数可以绘制线性关系图，并且支持拟合线性回归模型。以下是一个简单的示例：

# 创建示例数据
x = np.random.randn(100)
y = 2 * x + np.random.randn(100)# 绘制线性关系图
sns.lmplot(x='x', y='y', data=pd.DataFrame({'x': x, 'y': y}), scatter_kws={'color': 'blue'}, line_kws={'color': 'red'})
plt.title("Linear Relationship Plot")
plt.show()

9. 树地图

树地图是一种用于可视化层次结构数据的图表类型，它通过矩形的面积来表示不同层次的数据量。Seaborn 中没有直接支持树地图的函数，但我们可以使用 Matplotlib 来绘制。以下是一个简单的示例：

import matplotlib.pyplot as plt
import squarify    # pip install squarify# 创建示例数据
sizes = [15, 30, 45, 10]
labels = ['A', 'B', 'C', 'D']# 绘制树地图
plt.figure(figsize=(6, 6))
squarify.plot(sizes=sizes, label=labels, color=['red', 'green', 'blue', 'yellow'], alpha=0.7)
plt.title("Tree Map")
plt.axis('off')
plt.show()

10. 时间序列图

时间序列图是一种用于显示时间序列数据的图表类型，通常用于观察数据随时间变化的趋势和周期性。Seaborn 中的 lineplot 函数可以用于绘制时间序列图。以下是一个简单的示例：

# 创建示例时间序列数据
import pandas as pddates = pd.date_range(start='2024-01-01', end='2024-01-10')
values = np.random.randn(len(dates))# 将数据转换为 DataFrame
data = pd.DataFrame({'Date': dates, 'Value': values})# 绘制时间序列图
sns.lineplot(x='Date', y='Value', data=data, marker='o', color='green')
plt.title("Time Series Plot")
plt.xticks(rotation=45)  # 旋转 x 轴标签
plt.show()

11. 分面绘图

分面绘图是一种用于同时可视化多个子数据集的图表类型，通常用于比较不同类别或条件下的数据分布和关系。Seaborn 中的 FacetGrid 类可以用于创建分面绘图，支持按照不同的变量分割数据，并在每个子数据集上绘制相同类型的图表。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'Category': ['A', 'A', 'B', 'B', 'C', 'C'],'Value': [10, 15, 20, 25, 30, 35]
})# 创建 FacetGrid 对象并绘制分面绘图
g = sns.FacetGrid(data, col='Category', col_wrap=2)
g.map(sns.histplot, 'Value', color='skyblue', bins=5)
plt.suptitle("Facet Grid Plot")
plt.show()

12. 分类数据图

分类数据图用于可视化分类变量之间的关系，通常用于比较不同类别之间的差异和分布。Seaborn 中的 catplot 函数可以用于绘制分类数据图，支持多种不同类型的图表，如柱状图、箱线图等。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'Category': ['A', 'A', 'B', 'B', 'C', 'C'],'Value': [10, 15, 20, 25, 30, 35]
})# 绘制分类数据图（柱状图）
sns.catplot(x='Category', y='Value', data=data, kind='bar', palette='Set2')
plt.title("Categorical Plot")
plt.show()

13. 分布对比图

分布对比图是一种用于比较不同组之间分布情况的图表类型，可以帮助我们观察到不同组之间的差异和相似性。Seaborn 中的 histplot 函数可以用于绘制分布对比图，支持在同一个图表中同时显示多个组的分布情况。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'Group': ['A'] * 100 + ['B'] * 100,'Value': np.concatenate([np.random.normal(loc=0, scale=1, size=100),np.random.normal(loc=1, scale=1, size=100)])
})# 绘制分布对比图
sns.histplot(data=data, x='Value', hue='Group', multiple='stack', kde=True, palette='husl')
plt.title("Distribution Comparison Plot")
plt.show()

14. 简单多变量图

简单多变量图是一种用于同时可视化多个变量之间关系的图表类型，通常用于观察变量之间的相关性和分布情况。Seaborn 中的 pairplot 函数可以绘制简单多变量图，支持在同一个图表中显示变量之间的散点图和单变量分布图。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'A': np.random.randn(100),'B': np.random.randn(100),'C': np.random.randn(100)
})# 绘制简单多变量图
sns.pairplot(data)
plt.suptitle("Simple Multivariate Plot")
plt.show()

15. 气泡图

气泡图是一种用于显示三维数据的图表类型，通常用于展示两个变量之间的关系，并以第三个变量的大小来表示数值大小。Seaborn 中虽然没有直接支持气泡图的函数，但我们可以结合 scatterplot 函数来绘制。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'X': np.random.rand(50),'Y': np.random.rand(50),'Size': np.random.rand(50) * 1000  # 设置气泡大小
})# 绘制气泡图
sns.scatterplot(data=data, x='X', y='Y', size='Size', sizes=(50, 500), legend=False)
plt.title("Bubble Plot")
plt.show()

16. 统计关系图

统计关系图是一种用于可视化两个变量之间的关系，并显示其统计摘要信息的图表类型。Seaborn 中的 jointplot 函数可以绘制统计关系图，支持不同的绘图风格，如散点图、核密度估计图等。以下是一个简单的示例：

# 创建示例数据
import pandas as pddata = pd.DataFrame({'X': np.random.randn(100),'Y': np.random.randn(100)
})# 绘制统计关系图
sns.jointplot(x='X', y='Y', data=data, kind='scatter', color='purple')
plt.suptitle("Statistical Relationship Plot")
plt.show()

17. 成对关系图

成对关系图是一种用于可视化数据集中多个变量之间的关系的图表类型，通常用于观察变量之间的相关性和分布情况。Seaborn 中的 pairplot 函数可以绘制成对关系图，支持在同一个图表中显示变量之间的散点图和单变量分布图。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'A': np.random.randn(100),'B': np.random.randn(100),'C': np.random.randn(100)
})# 绘制成对关系图
sns.pairplot(data)
plt.suptitle("Pairwise Relationship Plot")
plt.show()

18. 网格图

网格图是一种用于可视化多个变量之间的关系的图表类型，通常用于观察变量之间的复杂关系和模式。Seaborn 中的 PairGrid 类可以用于创建网格图，支持在每个子数据集上绘制不同类型的图表。以下是一个简单的示例：

# 创建示例数据集
import pandas as pddata = pd.DataFrame({'A': np.random.randn(100),'B': np.random.randn(100),'C': np.random.randn(100)
})# 创建 PairGrid 对象并绘制网格图
g = sns.PairGrid(data)
g.map_upper(sns.scatterplot, color='blue')
g.map_lower(sns.kdeplot, color='green')
g.map_diag(sns.histplot, color='red')
plt.suptitle("Grid Plot")
plt.show()

总结

在本文中，我们深入探讨了如何利用 Seaborn 实现各种高级统计图表，涵盖了从基本的分布图到复杂的多变量图表。通过示例代码和详细说明，我们学习了如何使用 Seaborn 来绘制不同类型的图表，包括：

  1. 分布图：展示单变量分布情况的直方图和密度图。
  2. 热图：用颜色编码矩阵数值的图表类型，通常用于显示相关性矩阵或二维数据集。
  3. 聚类图：用于将数据点按其相似性分组的图表类型。
  4. 箱线图和小提琴图：用于展示数据分布情况的有效方式。
  5. 联合分布图：可视化两个变量之间的关系，并显示其单变量分布情况。
  6. 线性关系图：展示两个变量之间的线性关系，并支持拟合线性回归模型。
  7. 树地图：用于可视化层次结构数据的图表类型。
  8. 时间序列图：展示时间序列数据变化趋势的图表类型。
  9. 分面绘图：用于同时可视化多个子数据集的图表类型。
  10. 分类数据图：用于可视化分类变量之间关系的图表类型。
  11. 分布对比图：用于比较不同组之间分布情况的图表类型。
  12. 简单多变量图：用于同时可视化多个变量之间关系的图表类型。
  13. 气泡图：用于显示三维数据的图表类型。

这些图表类型丰富了我们的数据可视化工具箱，帮助我们更全面地探索数据，发现其中的模式和规律。通过掌握 Seaborn 的使用技巧，并将其应用到实际的数据分析和可视化工作中，我们能够更好地理解和解释数据，从而为决策提供更有力的支持。 Seaborn 的强大功能和易用性使其成为数据科学领域不可或缺的工具之一。

在这里插入图片描述

这篇关于利用Seaborn实现高级统计图表—python可视化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！


http://www.chinasem.cn/article/946649。

相关文章

mybatis执行insert返回id实现详解

mybatis执行insert返回id实现详解

《mybatis执行insert返回id实现详解》MyBatis插入操作默认返回受影响行数,需通过useGeneratedKeys+keyProperty或selectKey获取主键ID,确保主键为自... 目录 两种方式获取自增 ID：1. ​​useGeneratedKeys+keyProperty（推
阅读更多...
Spring Boot集成Druid实现数据源管理与监控的详细步骤

Spring Boot集成Druid实现数据源管理与监控的详细步骤

《SpringBoot集成Druid实现数据源管理与监控的详细步骤》本文介绍如何在SpringBoot项目中集成Druid数据库连接池,包括环境搭建、Maven依赖配置、SpringBoot配置文件... 目录1. 引言1.1 环境准备1.2 Druid介绍2. 配置Druid连接池3. 查看Druid监控
阅读更多...
Python通用唯一标识符模块uuid使用案例详解

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数
阅读更多...
Linux在线解压jar包的实现方式

Linux在线解压jar包的实现方式

《Linux在线解压jar包的实现方式》：本文主要介绍Linux在线解压jar包的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux在线解压jar包解压 jar包的步骤总结Linux在线解压jar包在 Centos 中解压 jar 包可以使用 u
阅读更多...
Python办公自动化实战之打造智能邮件发送工具

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置：搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、
阅读更多...
c++ 类成员变量默认初始值的实现

c++ 类成员变量默认初始值的实现

《c++类成员变量默认初始值的实现》本文主要介绍了c++类成员变量默认初始值,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录C++类成员变量初始化c++类的变量的初始化在C++中，如果使用类成员变量时未给定其初始值，那么它将被
阅读更多...
Python包管理工具pip的升级指南

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核
阅读更多...
Qt使用QSqlDatabase连接MySQL实现增删改查功能

Qt使用QSqlDatabase连接MySQL实现增删改查功能

《Qt使用QSqlDatabase连接MySQL实现增删改查功能》这篇文章主要为大家详细介绍了Qt如何使用QSqlDatabase连接MySQL实现增删改查功能,文中的示例代码讲解详细,感兴趣的小伙伴... 目录一、创建数据表二、连接mysql数据库三、封装成一个完整的轻量级 ORM 风格类3.1 表结构
阅读更多...
基于Python实现一个图片拆分工具

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片，默认是输出到项目文件夹中，可以自己选择其他的文件夹，选择需要拆分的行数和列数，可以通过
阅读更多...
Python中反转字符串的常见方法小结

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2