基礎圖表繪制：Seaborn入門教程

學習目標

通過本課程的學習，你將掌握如何使用Seaborn庫繪制基礎圖表，包括條形圖、折線圖和散點圖。你將了解Seaborn的基本函數和參數設置，以及如何通過調整這些參數來優化圖表的視覺效果。

相關知識點

• Seaborn入門教程

學習內容

1 Seaborn入門教程

1.1 Seaborn庫的安裝與導入

Seaborn是一個基于Matplotlib的Python數據可視化庫，它提供了更高級的接口，用于繪制更具吸引力和信息量的統計圖形。Seaborn簡化了數據可視化的過程，使得即使是對數據科學新手來說，也能輕松創建復雜的圖表。

安裝Seaborn

在開始之前，確保你的Python環境中已經安裝了Seaborn。如果尚未安裝，可以通過pip命令輕松安裝：

%pip install seaborn

導入Seaborn

安裝完成后，我們可以通過以下代碼導入Seaborn庫：

import seaborn as sns
import matplotlib.pyplot as plt

這里同時導入了Matplotlib，因為Seaborn是基于Matplotlib構建的，有時候我們需要使用Matplotlib的功能來進一步定制圖表。

1.2 繪制條形圖

條形圖是用于比較不同類別數據的常用圖表類型。Seaborn提供了barplot函數來繪制條形圖，該函數可以接受多種參數來定制圖表的外觀。

基本條形圖

首先，我們來看一個基本的條形圖示例。假設我們有一個數據集，記錄了不同城市的平均溫度：

import pandas as pd# 創建數據集
data = {'City': ['New York', 'Los Angeles', 'Chicago', 'Houston', 'Phoenix'],'Average Temperature': [12, 18, 10, 20, 22]}
df = pd.DataFrame(data)# 繪制條形圖
sns.barplot(x='City', y='Average Temperature', data=df)
plt.title('Average Temperature by City')
plt.xlabel('City')
plt.ylabel('Average Temperature (°C)')
plt.show()

這段代碼首先創建了一個包含城市名稱和平均溫度的數據框，然后使用barplot函數繪制了條形圖。x參數指定了x軸上的數據，y參數指定了y軸上的數據，data參數指定了數據源。

定制條形圖

Seaborn的barplot函數提供了多種參數來定制圖表。例如，我們可以使用hue參數來添加分類變量，使用palette參數來設置顏色方案：

# 添加分類變量
df['Season'] = ['Winter', 'Summer', 'Winter', 'Summer', 'Summer']# 繪制帶有分類變量的條形圖
sns.barplot(x='City', y='Average Temperature', hue='Season', data=df, palette='Set2')
plt.title('Average Temperature by City and Season')
plt.xlabel('City')
plt.ylabel('Average Temperature (°C)')
plt.show()

在這個例子中，我們添加了一個新的分類變量Season，并使用hue參數將其添加到圖表中。palette參數用于設置顏色方案，Set2是一個預定義的顏色方案。

1.3 繪制折線圖和散點圖

折線圖和散點圖是用于展示數據趨勢和關系的常用圖表類型。Seaborn提供了lineplot和scatterplot函數來繪制這兩種圖表。

折線圖

折線圖用于展示數據隨時間或其他連續變量的變化趨勢。假設我們有一個數據集，記錄了某公司過去幾年的銷售額：

# 創建數據集
data = {'Year': [2015, 2016, 2017, 2018, 2019, 2020],'Sales': [100, 150, 200, 250, 300, 350]}
df = pd.DataFrame(data)# 繪制折線圖
sns.lineplot(x='Year', y='Sales', data=df, marker='o')
plt.title('Sales Over the Years')
plt.xlabel('Year')
plt.ylabel('Sales (in thousands)')
plt.show()

這段代碼創建了一個包含年份和銷售額的數據框，然后使用lineplot函數繪制了折線圖。marker參數用于在數據點上添加標記。

散點圖

散點圖用于展示兩個變量之間的關系。假設我們有一個數據集，記錄了學生的身高和體重：

# 創建數據集
data = {'Height': [160, 165, 170, 175, 180, 185],'Weight': [50, 55, 60, 65, 70, 75]}
df = pd.DataFrame(data)# 繪制散點圖
sns.scatterplot(x='Height', y='Weight', data=df)
plt.title('Height vs Weight')
plt.xlabel('Height (cm)')
plt.ylabel('Weight (kg)')
plt.show()

這段代碼創建了一個包含身高和體重的數據框，然后使用scatterplot函數繪制了散點圖。

定制折線圖和散點圖

Seaborn的lineplot和scatterplot函數也提供了多種參數來定制圖表。例如，我們可以使用hue參數來添加分類變量，使用style參數來設置不同類別的標記樣式：

# 添加分類變量
data['Gender'] = ['Male', 'Female', 'Male', 'Female', 'Male', 'Female']
df = pd.DataFrame(data)# 繪制帶有分類變量的散點圖
sns.scatterplot(x='Height', y='Weight', hue='Gender', style='Gender', data=df, palette='Set1')
plt.title('Height vs Weight by Gender')
plt.xlabel('Height (cm)')
plt.ylabel('Weight (kg)')
plt.show()

在這個例子中，我們添加了一個新的分類變量Gender，并使用hue和style參數將其添加到圖表中。palette參數用于設置顏色方案，Set1是一個預定義的顏色方案。