Python Seaborn可视化实战：从单变量到多维关系图详解
本文详解Python中Seaborn库的常用绘图方法。涵盖单变量统计图如countplot和distplot，以及双变量关系图如小提琴图、箱线图、棒图、折线图、热力图和散点图。通过具体代码示例展示参数设置与图形解读，帮助开发者快速掌握数据分布分析与异常值检测技巧。
Seaborn库基础与环境配置
Seaborn是基于matplotlib构建的高级Python数据可视化库，使用前需确保已安装matplotlib环境。
所有生成的图形默认通过plt.show()函数渲染显示，也可通过创建自定义画布对象来管理多个子图。
fig,ax=plt.subplots() #一个画布
fig,(ax1,ax2) = plt.subplots( ncols=2) #两个画布
单变量特征统计分析
1）单变量统计图：计数分布图（countplot）
使用sn.countplot(train.mnth)可绘制离散型特征的频数分布，直观展示样本点在各类别中的出现次数。
2）单变量统计图：分布图（distplot）
调用sn.distplot(train.cnt.values, bins=50, kde=True)可分析连续型特征分布，其中bins=50将数据划分为50个区间，kde=True启用核密度估计曲线。若图形尾部出现极端值，可能提示存在离群点或噪声，建议进行清洗处理。
双变量分布与关系可视化
3）双变量关系图：小提琴图（violinplot）
使用sn.violinplot(data=train[['yr', 'cnt']], x="yr", y="cnt")可展示数据分布及概率密度。图中黑色粗条代表四分位数范围，延伸的黑线表示95%置信区间，白点标记中位数位置。
4）双变量关系图：箱线图（boxplot）
调用sn.boxplot(data=train, x="yr", y="cnt")绘制箱线图（亦称盒须图），用于展示数据分散程度。图形结构自上而下依次为：异常值（可选）、最大值、上四分位数、中位数、下四分位数、最小值及异常值（若存在需重点关注）。
多维关系与异常值检测
5）双变量关系图：棒图（barplot）
fig,(ax1,ax2) = plt.subplots(ncols=2) #一个画布，两个轴
sn.barplot(data=train,x='holiday',y='cnt',hue='weathersit',ax=ax1) #hue='weathersit'，通过weathersit来区分
sn.barplot(data=train,x='workingday',y='cnt',hue='season',ax=ax2) #hue='season'，通过season来区分
6）双变量关系图：折线图（pointplot）
fig,ax = plt.subplots()
sn.pointplot(data=train[['dayofyear','cnt', 'yr']],x='dayofyear',y='cnt',hue='yr',ax=ax)
# hue='yr'指的是区分开年份。hue指颜色
ax.set(title="dayly distribution of counts")
plt.show()
7）关系热力图（heatmap）
corrMatt = train[["temp","atemp","hum","windspeed","cnt"]].corr()
mask = np.array(corrMatt)
mask[np.tril_indices_from(mask)] = False
sn.heatmap(corrMatt, mask=mask,
vmax=1, square=True,annot=True)
plt.show()
8）双变量散点图（scatterplot）
sn.scatterplot(x=train.GrLivArea,y=train.SalePrice)
plt.title("Looking for outliers") #图形标题
plt.show()
以上内容总结了Python中Seaborn库的核心绘图功能，旨在为读者提供实用的参考指南，欢迎进一步探索与技术支持。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
