Seaborn是Python中的一个库，主要用于生成统计图形。python
Seaborn是构建在matplotlib之上的数据可视化库，与Python中的pandas数据结构紧密集成。可视化是Seaborn的核心部分，能够帮助探索和理解数据。微信
要了解Seaborn，就必须熟悉Numpy和Matplotlib以及pandas。数据结构
Seaborn提供如下功能:app
面向数据集的API来肯定变量之间的关系。less
线性回归曲线的自动计算和绘制。机器学习
它支持对多图像的高级抽象绘制。编辑器
可视化单变量和双变量分布。ide
这些只是Seaborn提供的功能的一部分，还有不少其余功能，咱们能够在这里探索全部的功能。函数
要引入Seaborn库，使用的命令是:工具
import seaborn as sns
使用Seaborn，咱们能够绘制各类各样的图形，如:
分布曲线
饼图和柱状图
散点图
配对图
热力图
在文章中，咱们使用从Kaggle下载的谷歌Playstore数据集。
1.分布曲线
咱们能够将Seaborn的分布图与Matplotlib的直方图进行比较。它们都提供很是类似的功能。这里咱们画的不是直方图中的频率图，而是y轴上的近似几率密度。
咱们将在代码中使用sns.distplot()来绘制分布图。
在进一步以前，首先，让咱们访问咱们的数据集，
import pandas as pd
import numpy as np
pstore = pd.read_csv("googleplaystore.csv")
pstore.head(10)
数据集是这样的，
如今，让咱们看看若是咱们绘制来自上述数据集的“Rating”列的分布图是怎样的，
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Create a distribution plot for rating
sns.distplot(pstore.Rating)
plt.show()
Rating列的分布图是这样的，
在这里，曲线(KDE)显示在分布图上的是近似的几率密度曲线。
与matplotlib中的直方图相似，在分布方面，咱们也能够改变类别的数量，使图更容易理解。
咱们只须要在代码中加上类别的数量，
#Change the number of bins
sns.distplot(inp1.Rating, bins=20, kde = False)
plt.show()
图像是这样的，
在上图中，没有几率密度曲线。要移除曲线，咱们只需在代码中写入' kde = False '。
咱们还能够向分布图提供与matplotlib相似的容器的标题和颜色。让咱们看看它的代码，
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Create a distribution plot for rating
sns.distplot(pstore.Rating, bins=20, color="g")
plt.title("Distribution of app ratings", fontsize=20, color = 'red')
plt.show()
同一列Rating的分布图是这样的:
对Seaborn图形进行样式化
使用Seaborn的最大优点之一是，它为图形提供了普遍的默认样式选项。
这些是Seaborn提供的默认样式。
'Solarize_Light2',
'_classic_test_patch',
'bmh',
'classic',
'dark_background',
'fast',
'fivethirtyeight',
'ggplot',
'grayscale',
'seaborn',
'seaborn-bright',
'seaborn-colorblind',
'seaborn-dark',
'seaborn-dark-palette',
'seaborn-darkgrid',
'seaborn-deep',
'seaborn-muted',
'seaborn-notebook',
'seaborn-paper',
'seaborn-pastel',
'seaborn-poster',
'seaborn-talk',
'seaborn-ticks',
'seaborn-white',
'seaborn-whitegrid',
'tableau-colorblind10'
咱们只须要编写一行代码就能够将这些样式合并到咱们的图中。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Adding dark background to the graph
plt.style.use("dark_background")
#Create a distribution plot for rating
sns.distplot(pstore.Rating, bins=20, color="g")
plt.title("Distribution of app ratings", fontsize=20, color = 'red')
plt.show()
在将深色背景应用到咱们的图表后，分布图看起来是这样的，
2.饼图和柱状图
饼图一般用于分析数字变量在不一样类别之间如何变化。
在咱们使用的数据集中，咱们将分析内容Rating栏中的前4个类别的执行状况。
首先，咱们将对内容Rating列进行一些数据清理/挖掘，并检查其中的类别。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Analyzing the Content Rating column
pstore['Content Rating'].value_counts()
类别列表是，
根据上面的输出，因为“只有18岁以上的成年人”和“未分级”的数量比其余的要少得多，咱们将从内容分级中删除这些类别并更新数据集。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Remove the rows with values which are less represented
pstore = pstore[~pstore['Content Rating'].isin(["Adults only 18+","Unrated"])]
#Resetting the index
pstore.reset_index(inplace=True, drop=True)
#Analyzing the Content Rating column again
pstore['Content Rating'].value_counts()
更新后在“Rating”栏中出现的类别是:
如今，让咱们为Rating列中出现的类别绘制饼图。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Plotting a pie chart
plt.figure(figsize=[9,7])
pstore['Content Rating'].value_counts().plot.pie()
plt.show()
上面代码的饼状图以下所示，
从上面的饼图中，咱们不能正确的推断出“全部人10+”和“成熟17+”。当这两类人的价值观有点类似的时候，很难评估他们之间的差异。
咱们能够经过将上述数据绘制成柱状图来克服这种状况。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Plotting a bar chart
plt.figure(figsize=[9,7])
pstore['Content Rating'].value_counts().plot.barh()
plt.show()
柱状图以下所示，
与饼图相似，咱们也能够定制柱状图，使用不一样的柱状图颜色、图表标题等。
3.散点图
到目前为止，咱们只处理数据集中的一个数字列，好比评级、评论或大小等。可是，若是咱们必须推断两个数字列之间的关系，好比“评级和大小”或“评级和评论”，会怎么样呢?
当咱们想要绘制数据集中任意两个数值列之间的关系时，可使用散点图。此图是机器学习领域的最强大的可视化工具。
让咱们看看数据集评级和大小中的两个数字列的散点图是什么样子的。首先，咱们将使用matplotlib绘制图，而后咱们将看到它在seaborn中的样子。
使用matplotlib的散点图
#import all the necessary libraries
#Plotting the scatter plot
plt.scatter(pstore.Size, pstore.Rating)
plt.show()
图是这样的
使用Seaborn的散点图
在直方图和散点图的代码中，咱们将使用sn .joinplot()。
sns.scatterplot()散点图的代码。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# Plotting the same thing now using a jointplot
sns.jointplot(pstore.Size, pstore.Rating)
plt.show()
上面代码的散点图以下所示，
在seaborn中使用散点图的主要优势是，咱们将同时获得散点图和直方图。
若是咱们想在代码中只看到散点图而不是组合图，只需将其改成“scatterplot”
回归曲线
回归图在联合图(散点图)中创建了2个数值参数之间的回归线，并有助于可视化它们的线性关系。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# Plotting the same thing now using a jointplot
sns.jointplot(pstore.Size, pstore.Rating, kind = "reg")
plt.show()
图是这样的，
从上图中咱们能够推断出，当app的价格上升时，评级会稳步上升。
4.配对图
当咱们想要查看超过3个不一样数值变量之间的关系模式时，可使用配对图。例如，假设咱们想要了解一个公司的销售如何受到三个不一样因素的影响，在这种状况下，配对图将很是有用。
让咱们为数据集的评论、大小、价格和评级列建立一对图。
咱们将在代码中使用sns.pairplot()一次绘制多个散点图。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# Plotting the same thing now using a jointplot
sns.pairplot(pstore[['Reviews', 'Size', 'Price','Rating']])
plt.show()
上面图形的输出图形是这样的，
对于非对角视图，图像是两个数值变量之间的散点图
对于对角线视图，它绘制一个柱状图，由于两个轴(x,y)是相同的。
5.热力图
热图以二维形式表示数据。热图的最终目的是用彩色图表显示信息的概要。它利用了颜色强度的概念来可视化一系列的值。
咱们在足球比赛中常常看到如下类型的图形，
在Seaborn中建立这个类型的图。
咱们将使用sn .heatmap()绘制可视化图。
当你有如下数据时，咱们能够建立一个热图。
上面的表是使用来自Pandas的透视表建立的。
如今，让咱们看看如何为上表建立一个热图。
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
##Plot a heat map
sns.heatmap(heat)
plt.show()
在上面的代码中，咱们已经将数据保存在新的变量“heat”中。
热图以下所示，
咱们能够对上面的图进行一些自定义，也能够改变颜色梯度，使最大值的颜色变深，最小值的颜色变浅。
更新后的代码是这样的，
#importing all the libraries
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#Applying some customization to the heat map
sns.heatmap(heat, cmap = "Greens", annot=True)
plt.show()
上面代码的热图是这样的，
在咱们给出“annot = True”的代码中，当annot为真时，图中的每一个单元格都会显示它的值。若是咱们在代码中没有提到annot，那么它的默认值为False。
Seaborn还支持其余类型的图形，如折线图、柱状图、堆叠柱状图等。可是，它们提供的内容与经过matplotlib建立的内容没有任何不一样。
结论
这就是Seaborn在Python中的工做方式以及咱们能够用Seaborn建立的不一样类型的图形。正如我已经提到的，Seaborn构建在matplotlib库之上。所以，若是咱们已经熟悉Matplotlib及其函数，咱们就能够轻松地构建Seaborn图并探索更深刻的概念。
感谢您的阅读!!
做者：Kaushik Katari
deephub翻译组：孟翔杰
微信号 : deephub-imba
每日大数据和人工智能的重磅干货
大厂职位内推信息
长按识别二维码关注 ->
喜欢就请三连暴击！
本文分享自微信公众号 - DeepHub IMBA（deephub-imba）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。