數(shù)據(jù)可視化是分析和呈現(xiàn)數(shù)據(jù)最強(qiáng)大的工具之一。 Seaborn 是一個基于 Matplotlib 構(gòu)建的 Python 庫，提供了用于創(chuàng)建信息豐富且多樣化的可視化的高級接口。本文將指導(dǎo)您選擇正確的 Seaborn 繪圖、對其進(jìn)行自定義以使其清晰，并避免常見的陷阱。

為什么選擇正確的繪圖類型很重要？

您選擇的繪圖類型直接影響數(shù)據(jù)呈現(xiàn)其見解和信息的有效性。

• 散點(diǎn)圖揭示了變量之間的相關(guān)性。

• 熱圖簡化了大規(guī)模比較。

使用錯誤的繪圖類型可能會導(dǎo)致誤解，有時，由于我們選擇了錯誤的可視化，這些來自數(shù)據(jù)的見解被隱藏起來而永遠(yuǎn)不會被揭示。

了解 Seaborn 繪圖類別

Seaborn 圖分為三個主要類別：關(guān)系、分布 和分類。以下是如何選擇和使用它們。

來源：https://seaborn.pydata.org/_images/function_overview_8_0.png

1. 關(guān)系圖

關(guān)系圖可視化兩個變量之間的關(guān)系，通常是數(shù)值關(guān)系。 Seaborn 提供兩種主要類型的關(guān)系圖：散點(diǎn)圖和線圖。您可以使用relplot() 函數(shù)創(chuàng)建這些圖。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

或者你可以這樣寫：

fmri = sns.load_dataset("fmri")
sns.lineplot(data=fmri, x="timepoint", y="signal")

結(jié)果還是一樣。

來源：seaborn 文檔

散點(diǎn)圖顯示各個數(shù)據(jù)點(diǎn)，可以輕松識別模式或相關(guān)性。另一方面，線圖非常適合展示一段時間內(nèi)或跨類別的趨勢。

2. 分布圖

了解變量的分布是分析或建模數(shù)據(jù)的關(guān)鍵的第一步。分布圖旨在揭示單個變量的分布或離散度。這些可視化可以快速解決關(guān)鍵問題，例如：數(shù)據(jù)覆蓋什么范圍？其中心趨勢是什么？數(shù)據(jù)是否向特定方向傾斜？

與關(guān)系圖一樣，可以使用 displot() 函數(shù)通過指定 kind 參數(shù)來選擇所需的繪圖類型來創(chuàng)建分布圖。或者，您可以直接使用 histplot()、kdeplot()、ecdfplot() 或 rugplot() 等函數(shù)來實(shí)現(xiàn)特定的分布可視化。

histplot() 函數(shù)非常適合可視化頻率分布。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

來源：seaborn 文檔

kdeplot() 更適合顯示平滑的分布曲線，而 ecdfplot() 則強(qiáng)調(diào)累積比例。 rugplot() 為原始數(shù)據(jù)點(diǎn)添加詳細(xì)標(biāo)記，以更精細(xì)的細(xì)節(jié)增強(qiáng)其他可視化效果。

Seaborn 還支持使用 heatmap() 等工具可視化二元分布。熱圖對于說明相關(guān)矩陣或進(jìn)行比較特別有效。

3. 分類圖

分類圖旨在可視化按類別組織的數(shù)據(jù)。創(chuàng)建這些繪圖的一般方法是使用 catplot() 函數(shù)，指定 kind 參數(shù)來選擇所需的繪圖類型。這些地塊分為三個主要系列。

選擇正確的分類圖類型取決于您要回答的具體問題。這些圖提供了分析分類數(shù)據(jù)的多種視角：

- 分類散點(diǎn)圖
這些圖顯示類別內(nèi)的各個數(shù)據(jù)點(diǎn)，有助于識別模式或分布。示例包括 stripplot() 和 swarmplot()。

fmri = sns.load_dataset("fmri")
sns.lineplot(data=fmri, x="timepoint", y="signal")

來源：seaborn 文檔

- 分類分布圖

這些圖總結(jié)了類別內(nèi)的數(shù)據(jù)分布，提供了對變異性、分布和集中趨勢的見解。示例包括 boxplot()、violinplot() 和 boxenplot()。

- 分類估計(jì)圖

這些圖計(jì)算匯總估計(jì)值（例如平均值）并包含誤差線以顯示變異性或置信區(qū)間。示例包括 barplot()、pointplot() 和 countplot()。

如何選擇合適的 Seaborn 地塊

在繪制之前，問自己這些問題：

數(shù)據(jù)是分類數(shù)據(jù)、數(shù)值數(shù)據(jù)還是兩者兼而有之？

您在探索關(guān)系、分布或比較嗎？

數(shù)據(jù)集的大小和比例是多少？

了解您的數(shù)據(jù)可以指導(dǎo)您使用最合適的可視化工具。下面的架構(gòu)來自 Kaggle，展示了如何根據(jù)您擁有的數(shù)據(jù)類型選擇圖表。

來源：kaggle

讓我們使用現(xiàn)實(shí)世界的數(shù)據(jù)來實(shí)現(xiàn)這一點(diǎn)。考慮來自 Kaggle 的數(shù)據(jù)集，其中包含 20 列，包括學(xué)習(xí)時間、出勤率、家長參與、資源獲取、課外活動、睡眠時間、以前的分?jǐn)?shù)、動機(jī)水平、互聯(lián)網(wǎng)訪問、輔導(dǎo)課程、家庭收入、教師質(zhì)量、學(xué)校等特征類型、同伴影響、體力活動、學(xué)習(xí)障礙、父母教育水平、離家距離、性別和考試成績。

1. 了解您的數(shù)據(jù) 首先分析數(shù)據(jù)集中變量的類型以了解數(shù)據(jù)。數(shù)值變量最適合關(guān)系圖或分布圖，而分類變量則非常適合分組或比較。例如，您可以使用線圖來分析基于出勤率的數(shù)學(xué)成績趨勢。同樣，可以利用直方圖來檢查睡眠時間的分布，幫助確定大多數(shù)學(xué)生是否得到了足夠的休息。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

fmri = sns.load_dataset("fmri")
sns.lineplot(data=fmri, x="timepoint", y="signal")

1. 定義你的目標(biāo) 通過詢問您想要傳達(dá)什么見解來確定您的目標(biāo)。想要比較組嗎？選擇分類圖，例如條形圖或箱線圖。有興趣探索人際關(guān)系嗎？關(guān)系圖（例如散點(diǎn)圖）是一個不錯的選擇。想要了解變異性？使用像直方圖這樣的分布圖。例如，散點(diǎn)圖有效地顯示兩個數(shù)值變量之間的關(guān)系，每個點(diǎn)代表一個觀察值。這樣可以輕松發(fā)現(xiàn)相關(guān)性、聚類或異常值?？梢暬瘜W(xué)習(xí)時間對考試成績的影響可以揭示更多的學(xué)習(xí)時間是否與更高的分?jǐn)?shù)相關(guān)。

sns.displot(penguins, x="flipper_length_mm", hue="sex", multiple="dodge")

1. 將圖與您的數(shù)據(jù)和目標(biāo)相匹配 為您的數(shù)據(jù)和分析目標(biāo)選擇適當(dāng)?shù)膱D至關(guān)重要。正確的可視化可以讓您有效地提取有意義的見解。例如，與直方圖相比，線圖更適合觀察一段時間內(nèi)的趨勢。使用不正確的繪圖可能會掩蓋重要的模式或見解，甚至使豐富的數(shù)據(jù)集變得不太有用。例如，條形圖非常適合比較不同家長參與程度的平均考試成績。該圖突出顯示了跨類別的數(shù)值變量的平均值（或其他匯總統(tǒng)計(jì)數(shù)據(jù)），使其非常適合高級比較。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

自定義 Seaborn 繪圖的技巧

使用 plt.title()、plt.xlabel() 和 plt.ylabel() 等函數(shù)添加標(biāo)題和標(biāo)簽，提高可視化的清晰度。要合并分類維度，請利用 Seaborn 中的色調(diào)屬性，它允許您根據(jù)數(shù)據(jù)集中的特定列來區(qū)分?jǐn)?shù)據(jù)點(diǎn)。使用 set_palette() 函數(shù)使用 Coolwarm、husl 或 Set2 等調(diào)色板自定義配色方案。此外，通過使用 sns.set_theme() 調(diào)整數(shù)據(jù)點(diǎn)的樣式或大小并使用 plt.figure(figsize=(width, height)) 定義圖形尺寸來區(qū)分?jǐn)?shù)據(jù)點(diǎn)。

要避免的常見陷阱

為了通過數(shù)據(jù)可視化有效地傳達(dá)見解，在提供足夠的信息和避免繪圖過度擁擠之間取得平衡至關(guān)重要。圖表中過多的數(shù)據(jù)點(diǎn)可能會讓觀眾不知所措，而細(xì)節(jié)不足可能會導(dǎo)致混亂。始終包含清晰的軸標(biāo)簽和圖例，并確?？梢暬瘡?qiáng)調(diào)您想要強(qiáng)調(diào)的關(guān)鍵見解。

另一個常見問題是創(chuàng)建誤導(dǎo)性的可視化效果。為了防止這種情況，請確保軸適當(dāng)縮放以準(zhǔn)確地表示數(shù)據(jù)。

結(jié)論

選擇正確的 Seaborn 圖是增強(qiáng)數(shù)據(jù)理解和有效傳達(dá)見解的關(guān)鍵一步。適當(dāng)?shù)目梢暬梢越沂究赡茈[藏的模式、關(guān)系和趨勢。通過使情節(jié)類型與您的數(shù)據(jù)結(jié)構(gòu)和分析目標(biāo)保持一致（無論是探索分布、關(guān)系還是比較），您可以確保故事講述的清晰度和精確度。

數(shù)據(jù)可視化既是一門藝術(shù)，也是一門科學(xué)。不要猶豫，嘗試不同的 Seaborn 情節(jié)來發(fā)現(xiàn)新的觀點(diǎn)或完善您的見解。通過實(shí)踐和創(chuàng)造力，您將能夠充分利用 Seaborn 的潛力，將原始數(shù)據(jù)轉(zhuǎn)化為引人注目的視覺敘述。

以上是Seaborn 繪圖選擇變得簡單：如何有效地可視化您的數(shù)據(jù)的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！