终极Python Seaborn教程

这篇手把手Seanborn教程中，您将学习如何使用Python最方便的库来进行数据可视化。

对于那些以前修补过Matplotlib的人来说，您可能想知道，“为什么要用10行代码才能做出一个看起来像样的直方图？”

如果你在寻找一种更简单的方法来绘制吸引人的图表，那么你会喜欢Seaborn。我们将带您浏览开始时需要了解的所有内容，我们将使用一个有趣的Pokémon数据集。

 

Seaborn概论

Seaborn为Matplotlib提供了一个高级接口，它是一个功能强大但有时笨拙的Python可视化库。

在Seaborn的官方网站上，他们声明：

如果matplotlib“试图让简单的事情变得容易，让困难的事情变得可能”，那么Seaborn试图使一系列明确的困难事物也容易。

我们发现这是对Seaborn强项的一个很好的总结。在实践中，“一系列明确的困难事物”包括：

—使用美学上令人愉悦的默认主题。

—设置自定义调色板。

—制作有吸引力的统计图。

—简易且灵活地显示分布。

—从矩阵和数据帧可视化信息。

最后三点是为什么Seaborn是我们探索性分析的首选工具。它使你很容易快速而有效地“了解”你的数据。

然而，Seaborn是Matplotlib的补充，而不是替代品。有些调整仍然需要Matplotlib，我们还将讨论如何做到这一点。

如何学习Seaborn—主动模式：

Seaborn在Python中简化了数据可视化，但仍有许多特点。因此，学习Seaborn的最好方法就是做中学。

这个过程会让你直觉了解你能用Seaborn做什么，留下文档作为进一步的指导。这是从零到熟练的最快的方法。

在我们开始之前给一个提示：

我们试图使本教程尽可能精简，这意味着我们不会太多的细节，任何一个主题。如果你想了解更多关于一个特性的信息，可以打开Seaborn文档。

Seaborn教程内容

我们将介绍Seaborn库最重要的范例，而不是仅仅向您展示如何制作一堆绘图。此外，我们将举例说明每个概念。

以下是我们将在本教程中介绍的步骤：

——安装Seaborn

——导入库和数据集

——Seaborn的绘图功能

• 散点图

——用Matplotlib定制

——Pandas的角色

• 箱形图

——Seaborn主题

• 小提琴图表

——调色板。

• 群体图

——叠加图

——把它们放在一起

——Pokédex（迷你画廊）。

• 热图
• 直方图
• 条形图
• 因子图
• 密度图
• 联合分布图

第1步：安装Seaborn

首先，第一件事：加油，打气，安装起来吧！

接下来，确保您的计算机上安装了以下内容：

——Python 2.7 + 或 Python 3

——Pandas

——Matplotlib

——Seaborn

——Jupyter Notebook（可选，但推荐）

我们强烈建议安装Anaconda分发，其中包含所有这些扩展包。只需按照下载页面上的说明操作即可。

安装了Anaconda之后，只需启动Jupyter（通过命令行或Navigator应用程序）并打开一个新notebook：

步骤2：导入库和数据集

让我们开始导入Pandas，它是管理关系（即表格式）数据集的一个很好的库：

接下来，我们将导入Matplotlib，这将有助于我们进一步定制我们的绘图。

• 提示：在Jupyter笔记本中，你也可以内含来显示你的notebook里的绘图

现在我们准备导入数据集。

• 提示：我们给每个导入的库一个别名。然后，我们可以用调用Pandas，用调用Matplotlib，用调用Seaborn。

今天，我们将使用一个很酷的Pokémon数据集（第一代）。这里是免费下载：

一旦下载了CSV文件，就可以将它与Pandas一起导入。

• 提示：参数索引仅仅意味着我们将数据集的第一列作为ID列。

下面是数据集：

正如你所看到的，我们有原始数据151（A.K.best151）Pokémon。

 

第3步：Seaborn的绘图功能

绘图功能的多样性是Seaborn最大的优点之一。例如，散点图只是使用lmplot()函数的一行代码。

有两种方法可以做到这一点。

—第一种方法（推荐）是将DataFrame传递给data=参数，同时将列名传递给axes参数，x=和y=。

—第二种方法是直接将数据序列传递给轴参数。

例如，让我们比较一下我们的Pokémon的攻击和防御状态：

顺便说一下，Seaborn没有专用的散点图函数，这就是为什么你看到是一条对角线。我们用Seaborn函数拟合和绘制回归线。

值得庆幸的是，每个绘图函数都有几个有用的选项可以设置。下面是我们如何调整lmplot(）：

1.首先，我们将设置FITZeRe= false来删除回归线，因为我们只需要散点图。

2.然后，我们将设置色相=“舞台”来着色我们的点，由波克蒙的进化阶段。这个色调参数非常有用，因为它允许你用颜色来表达信息的第三个维度。

看起来更好，但是我们可以进一步改进这个散点图。例如，我们所有的Pokémon都有正面攻击和防御值，但是我们的轴限制在零度以下。让我们看看我们怎样才能解决这个问题…

步骤4：用Matplotlib定制

记住，Seaborn是Matplotlib的高级接口。从我们的经验来看，大部分情况下会使用Seaborn，但有时你需要带上Matplotlib。

设置轴限制是其中之一，但过程很简单：

首先，调用您的海运绘图功能为正常。

然后，调用Matplotlib的定制函数。在这种情况下，我们将使用它的和函数。

这里是我们的新的散点图与敏感轴限制：

有关MaMattLIB定制功能的更多信息，请查看其文档。

第5步：Pandas的角色

尽管这是一个Seaborn教程，Pandas实际上扮演着非常重要的角色。你看，Seaborn的绘图功能是从一个合理格式化的基本数据框中受益。

例如，假设我们想为我们的Pokémon的战斗状态做一个方块图：

这是一个合理的开始，但是有些栏目我们可能想删除：

1.我们可以删除总数，因为我们有单独的统计数据。

2.我们可以删除舞台和传奇栏目，因为它们不是战斗统计。

事实证明，这并不容易在Seaborn单独进行。相反，对数据文件进行预格式化要简单得多。

让我们创建一个新的数据名为，它只保留统计列：

在本教程的范围之外，潜入大熊猫，但这里有一个方便的作弊表。

第6步：Seaborn主题

Seaborn的另一个优点是它带有正派风格的主题。默认主题称为“暗网格”。

接下来，我们将把主题改为“白色网格”，同时制作小提琴绘图。

1.小提琴绘图在替代方框图方面非常有用。

2.他们显示的分布（通过小提琴的厚度），而不是仅汇总统计。

例如，我们可以通过Pokémon的主要类型来可视化攻击的分布：

正如你所看到的，龙型往往具有比幽灵类型更高的攻击统计，但它们也有较大的差异。

现在，Pok -艾蒙的粉丝们可能会发现一些关于这个情节的不和谐的东西：颜色是荒谬的。为什么草型是彩色粉色还是水彩型橙色？我们必须解决这个问题！

 

步骤7：调色板。

幸运的是，Seabn允许我们设置定制的调色板。我们可以简单地创建一个有序的Python颜色十六进制值列表。

让我们使用BulPaula来帮助我们创建一个新的调色板：

完美，现在我们可以简单地使用参数来重新调整我们的图表。

好多了！

小提琴图是伟大的可视化分布。但是，由于我们的数据集中只有151个PoEKMON，所以我们可以简单地显示每个点。

这就是群集阴谋发生的地方。这个可视化将显示每个点，而“堆叠”具有相似值的那些：

这很方便，但是我们不能把我们的群体图和小提琴图结合起来吗？毕竟，它们显示相似的信息，对吧？

步骤8：叠加图。

答案是肯定的。

使用Seaborn覆盖绘图非常简单，它与Matplotlib的工作方式相同。这就是我们要做的：

首先，我们将使用Matplotlib使我们的图形更大。

然后，我们将绘制小提琴图。然而，我们将设置没有删除小提琴内的条形。

接下来，我们将绘制群体图。这一次，我们将使点黑色，所以他们弹出更多。

最后，我们将使用Matplotllib设置标题。

真棒，现在我们有一个漂亮的图表告诉我们攻击值是如何分布在不同的Pokémon类型。但我们还想看到其他所有的统计数据呢？

 

第9步：把它们放在一起。

当然，我们可以为每个状态重复图表，但是我们也可以把这些信息组合成一个图表。我们只需要事先做一些与熊猫争吵的数据。

首先，这是一个提醒我们的数据格式：

正如你所看到的，我们所有的统计数据都在不同的列中。相反，我们想把它们“融化”成一列。

要做到这一点，我们将使用熊猫的函数。它需要3个参数：

首先，数据框要融化。

第二，保持变量（Pandas将融化所有其他）。

最后，命名为新的熔化变量。

以下是输出：

所有6个属性列都被“融化”为一个，新的属性列指示原始属性（HP、攻击、防御、Sp.攻击、Sp.防御或速度）。例如，这里很难看到，但是Balbasuro现在有6行数据。

事实上，如果你打印这两个数据框的形状…

你会发现的行数是的6倍。

现在我们可以用制作一个群集图。

但是这次，我们将设置和，因此我们的群被状态分隔开来。

然后，我们将设置来用Pokémon类型来着色我们的点。

最后，让我们为一个更可读的图表做一些最后的调整：

1.扩大情节。

2.使用。

3.使用我们自定义的Pokemon调色板。

4.调整Y轴限制在0结束。

5.把图例放在右边。

最终群体图

搞定

第10步： Pokédex（迷你图库）。

我们将以一些快速数据可视化来结束本教程，只是为了让您了解Seaborn的可能。

10.1 -热图

HealMaPS帮助你可视化矩阵式数据。

10.2 - Histogram

直方图允许您绘制数值变量的分布。

10.3 条形图

条形图帮助您可视化分类变量的分布。

10.4因素图

因子图可以很容易地通过分类类来划分情节。

10.5密度图

密度图显示了两个变量之间的分布。

• 提示：考虑用散点图覆盖这个。

10.6结合分布图

联合分布图结合了来自散布图和直方图的信息，为您提供了双变量分布的详细信息。

祝贺你，到这里你已经完成了这个Python Seaborn教程！

我们刚刚结束了一个重要的Seaborn范例，并向你们展示了很多例子。随意使用这一页连同官方Seaborn图库作为您的项目前进的参考。