1. Seaborn 简介

  • 定位：基于 Matplotlib 的高级可视化库，简化了统计绘图流程。

  • 特点：

    • 内置统计功能（分布、回归、分组统计）。
    • 更加美观的默认样式。
    • 与 Pandas DataFrame 紧密结合。
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

常用数据集：

tips = sns.load_dataset("tips")  # 小费数据
iris = sns.load_dataset("iris")  # 鸢尾花数据

2. 绘图分类

Seaborn 主要分为 5 大类绘图 API：

  1. 关系型图 (relational plots) → scatterplot, lineplot
  2. 分布型图 (distribution plots) → histplot, kdeplot, displot
  3. 分类图 (categorical plots) → barplot, countplot, boxplot, violinplot, stripplot, swarmplot
  4. 矩阵图 (matrix plots) → heatmap, clustermap
  5. 回归/统计图 (regression plots) → lmplot, regplot, residplot

3. 关系型图

(1) 散点图

sns.scatterplot(x="total_bill", y="tip", data=tips, hue="sex", style="time", size="size")
plt.show()
  • hue：颜色分组
  • style：标记样式分组
  • size：点大小分组

(2) 折线图

sns.lineplot(x="size", y="tip", data=tips, ci=None, hue="sex", marker="o")
  • ci=None 关闭置信区间
  • estimator 可选择 mean, median

4. 分布型图

(1) 直方图

sns.histplot(tips["total_bill"], bins=20, kde=True)

(2) 核密度估计（KDE）

sns.kdeplot(tips["total_bill"], shade=True)

(3) 联合分布图

sns.jointplot(x="total_bill", y="tip", data=tips, kind="hex")
  • kind 可选：scatter, hex, kde, reg

5. 分类图

(1) 箱型图

sns.boxplot(x="day", y="total_bill", data=tips, hue="sex")

(2) 小提琴图

sns.violinplot(x="day", y="total_bill", data=tips, hue="sex", split=True)

(3) 条形图

sns.barplot(x="day", y="tip", data=tips, estimator=sum, ci=None)

(4) 计数图

sns.countplot(x="day", data=tips, hue="sex")

(5) 蜂群图

sns.swarmplot(x="day", y="total_bill", data=tips)

6. 矩阵图

(1) 热力图

corr = tips.corr(numeric_only=True)
sns.heatmap(corr, annot=True, cmap="coolwarm")

(2) 聚类图

sns.clustermap(corr, annot=True, cmap="viridis")

7. 回归与统计图

(1) 回归拟合

sns.regplot(x="total_bill", y="tip", data=tips)

(2) 线性模型图

sns.lmplot(x="total_bill", y="tip", hue="sex", data=tips)

(3) 残差图

sns.residplot(x="total_bill", y="tip", data=tips)

8. Seaborn 风格与调色板

(1) 样式

sns.set_style("whitegrid")  # white, dark, whitegrid, darkgrid, ticks

(2) 调色板

sns.set_palette("Set2")   # deep, muted, bright, pastel, dark, colorblind

(3) 上下文

sns.set_context("talk")  # paper, notebook, talk, poster

9. 高级用法

(1) Pairplot（多变量关系）

sns.pairplot(iris, hue="species")

(2) FacetGrid（分面绘图）

g = sns.FacetGrid(tips, col="sex", row="time", margin_titles=True)
g.map(sns.scatterplot, "total_bill", "tip")

(3) 自定义主题

custom_params = {"axes.spines.right": False, "axes.spines.top": False}
sns.set_theme(style="whitegrid", rc=custom_params)

10. 常见技巧

  • 保存图片
plt.savefig("plot.png", dpi=300, bbox_inches="tight")
  • 与 Pandas 结合
sns.histplot(data=tips, x="total_bill", hue="sex", multiple="stack")
  • 显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

11.综合示例

示例 1：多变量关系分析（散点 + 回归 + FacetGrid）

import seaborn as sns
import matplotlib.pyplot as plt

tips = sns.load_dataset("tips")

# 按照性别 & 就餐时间分面
g = sns.FacetGrid(tips, col="sex", row="time", margin_titles=True, height=4)
g.map(sns.regplot, "total_bill", "tip", scatter_kws={"alpha":0.5}, line_kws={"color":"red"})
plt.show()

用途：分析不同性别、午餐/晚餐场景下，账单与小费的关系。

示例 2：分布对比（直方图 + KDE + 分组）

iris = sns.load_dataset("iris")

# 对比三类鸢尾花的萼片长度分布
sns.histplot(data=iris, x="sepal_length", hue="species", kde=True, element="step", stat="density", common_norm=False)
plt.title("Distribution of Sepal Length by Species")
plt.show()

用途：可视化不同类别的分布差异，常用于分类问题的数据探索。

示例 3：分类数据比较（箱线图 + 蜂群图）

# 箱线图 + 蜂群点叠加
sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="Set2")
sns.swarmplot(x="day", y="total_bill", hue="sex", data=tips, dodge=True, color=".25")
plt.title("Boxplot + Swarmplot of Total Bill by Day & Sex")
plt.show()

用途：展示不同分组的分布情况，同时用散点避免箱线图掩盖数据细节。

总结：
Seaborn 的核心思想是 以统计数据为中心的可视化，适合快速探索性分析 (EDA)。它可以极大简化 matplotlib 代码，并与 pandas 高度融合。

12. 补充Seaborn 常用关键函数

1. 关系型图（Relational Plots）

sns.scatterplot()

  • 作用：二维散点图，用于数值变量之间的关系可视化。

  • 常用参数：

    • x, y：横纵坐标
    • hue：颜色分组
    • style：点样式分组
    • size：点大小分组
    • palette：调色板

  • 示例：

sns.scatterplot(x="total_bill", y="tip", data=tips, hue="sex", style="time", size="size")
sns.lineplot()

  • 作用：折线图，适合时间序列或趋势分析。

  • 常用参数：

    • ci：置信区间（默认95%，可 None 关闭）
    • estimator：聚合函数（默认 mean，可改 median）

  • 示例：

sns.lineplot(x="size", y="tip", data=tips, ci=None, hue="sex", marker="o")

2. 分布型图（Distribution Plots）

sns.histplot()

  • 作用：直方图，可叠加 KDE 曲线。

  • 常用参数：

    • bins：柱子数量
    • kde=True：叠加核密度曲线
    • multiple：多组数据对比方式（stack 堆叠，dodge 并排）

  • 示例：

sns.histplot(data=tips, x="total_bill", hue="sex", kde=True, multiple="stack")
sns.kdeplot()

  • 作用：核密度估计曲线。

  • 常用参数：

    • shade=True：填充曲线下方
    • bw_adjust：带宽调整（越小越“尖锐”）

  • 示例：

sns.kdeplot(tips["total_bill"], shade=True, bw_adjust=0.5)
sns.jointplot()

  • 作用：显示两个变量的联合分布 + 边际分布。

  • 常用参数：

    • kind：图类型 (scatter, hex, kde, reg)

  • 示例：

sns.jointplot(x="total_bill", y="tip", data=tips, kind="hex")

3. 分类图（Categorical Plots）

sns.boxplot()

  • 作用：箱线图，展示数据分布和异常值。

  • 常用参数：

    • hue：分组比较
    • order：分类顺序

  • 示例：

sns.boxplot(x="day", y="total_bill", data=tips, hue="sex")
sns.violinplot()

  • 作用：小提琴图，结合箱线图和 KDE 曲线。

  • 常用参数：

    • split=True：双向对比

  • 示例：

sns.violinplot(x="day", y="total_bill", data=tips, hue="sex", split=True)
sns.barplot()

  • 作用：条形图，显示分组统计值。

  • 常用参数：

    • estimator：统计函数（默认均值）
    • ci：置信区间（None 关闭）

  • 示例：

sns.barplot(x="day", y="tip", data=tips, estimator=sum, ci=None)
sns.countplot()
  • 作用：计数条形图。
  • 示例：
sns.countplot(x="day", data=tips, hue="sex")

sns.swarmplot()

  • 作用：点状散布（避免重叠，类似蜂群）。
  • 示例：
sns.swarmplot(x="day", y="total_bill", data=tips)

4. 矩阵图（Matrix Plots）

sns.heatmap()

  • 作用：热力图，常用于相关矩阵。

  • 常用参数：

    • annot=True：显示数值
    • cmap：配色方案
    • center=0：居中对称色带

  • 示例：

sns.heatmap(tips.corr(numeric_only=True), annot=True, cmap="coolwarm")
sns.clustermap()
  • 作用：带层次聚类的热力图。
  • 示例：
sns.clustermap(tips.corr(numeric_only=True), annot=True, cmap="vlag")

5. 回归图（Regression Plots）

sns.regplot()
  • 作用：散点图 + 线性回归拟合。
  • 示例：
sns.regplot(x="total_bill", y="tip", data=tips)
sns.lmplot()
  • 作用：分组回归拟合（FacetGrid 封装）。
  • 示例：
sns.lmplot(x="total_bill", y="tip", hue="sex", data=tips)
sns.residplot()
  • 作用：残差图，用于检验回归模型。
  • 示例：
sns.residplot(x="total_bill", y="tip", data=tips)

6. 辅助函数

sns.set_style()
sns.set_style("whitegrid")  # white, dark, whitegrid, darkgrid, ticks
sns.set_palette()
sns.set_palette("Set2")  # deep, muted, bright, pastel, dark, colorblind
sns.set_context()
sns.set_context("talk")  # paper, notebook, talk, poster
sns.pairplot()
  • 作用：多维变量的两两关系。
sns.pairplot(iris, hue="species")
sns.FacetGrid()
  • 作用：自定义分面绘制。
g = sns.FacetGrid(tips, col="sex", row="time")
g.map(sns.scatterplot, "total_bill", "tip")
# python # 信息可视化 # 开发语言 # 数据可视化
Logo
腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

avatar 腾讯云开发者社区

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

avatar 腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

avatar 腾讯云开发者社区