数据可视化的利器-Seaborn简易入门

Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。本站整理的Seaborn的41个样例代码，在github进行分享，绝大部分数据可视化的问题可以参考这里的样例代码。

Matplotlib试着让简单的事情更加简单，困难的事情变得可能，而Seaborn就是让困难的东西更加简单。

Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。

Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用Seaborn就能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物。

用matplotlib最大的困难是其默认的各种参数，而Seaborn则完全避免了这一问题。

seaborn一共有5个大类21种图，分别是：

• Relational plots 关系类图表

1. relplot() 关系类图表的接口，其实是下面两种图的集成，通过指定kind参数可以画出下面的两种图
2. scatterplot() 散点图
3. lineplot() 折线图

• Categorical plots 分类图表

1. catplot() 分类图表的接口，其实是下面八种图表的集成，通过指定kind参数可以画出下面的八种图
2. stripplot() 分类散点图
3. swarmplot() 能够显示分布密度的分类散点图
4. boxplot() 箱图
5. violinplot() 小提琴图
6. boxenplot() 增强箱图
7. pointplot() 点图
8. barplot() 条形图
9. countplot() 计数图

• Distribution plot 分布图

1. jointplot() 双变量关系图
2. pairplot() 变量关系组图
3. distplot() 直方图，质量估计图
4. kdeplot() 核函数密度估计图
5. rugplot() 将数组中的数据点绘制为轴上的数据

• Regression plots 回归图

1. lmplot() 回归模型图
2. regplot() 线性回归图
3. residplot() 线性回归残差图

• Matrix plots 矩阵图

1. heatmap() 热力图
2. clustermap() 聚集图

github地址：

​​https://github.com/fengdu78/machine_learning_beginner/tree/master/seaborn​​

主要内容：

Jupyter notebook格式，Seaborn.ipynb包含共41个Seaborn的样例代码，只需要修改数据源就能画出类似下图这样的图表。

（Seaborn内置了不少样例数据，为dataframe类型， 命令：​​df = sns.load_dataset("anscombe")​​​即读取“​​anscombe​​​”样例数据，如果要查看数据，可以使用类似​​df.head()​​命令查看，绘图的时候替换为自己的数据即可。）

部分效果

参考：

​​http://seaborn.pydata.org/examples/index.html​​

请关注和分享↓↓↓ 

机器学习初学者

QQ群：554839127