【四 （3）数据可视化之 Seaborn 常用图表及代码实现 】

目录

• • 文章导航
  • 一、介绍
  • 二、安装Seaborn
  • 三、导入Seaborn
  • 四、设置可以中文显示
  • 五、占比类图表
  • • 1、饼图
    • 2、环形图
  • 六、比较排序类
  • • 1、条形图
    • 2、箱线图
    • 3、小提琴图
  • 七、趋势类图表
  • • 1、折线图
  • 八、频率分布类
  • • 1、直方图
  • 九、关系类图表
  • • 1、散点图
    • 2、成对关系图
    • 3、热力图

文章导航

【一 简明数据分析进阶路径介绍（文章导航）】

一、介绍

Seaborn同Matplotlib一样，也是Python进行数据可视化分析的重要第三方包。但Seaborn在Matplotlib的基础上进行了更高级的API封装，使得作图更加容易，图形更加漂亮。Seaborn是基于Matplotlib产生的一个模块，专攻统计可视化，可以和Pandas进行无缝链接，使初学者更容易上手。相对于Matplotlib，Seaborn语法更简洁，两者的关系类似于NumPy和Pandas之间的关系。

但是应该强调的是，应该把Seaborn视为Matplotlib的补充，而不是替代物。

二、安装Seaborn

pip install seaborn

三、导入Seaborn

import seaborn as sns

四、设置可以中文显示

import matplotlib.pyplot as plt# 设置matplotlib支持中文显示plt.rcParams['font.sans-serif'] = ['SimHei']# 使用黑体plt.rcParams['axes.unicode_minus'] = False# 解决负号'-'显示为方块的问题from matplotlib import font_manager# 设置Matplotlib配置参数plt.rcParams['font.sans-serif'] = ['SimHei']# 使用黑体plt.rcParams['axes.unicode_minus'] = False# 正确显示负号

五、占比类图表

1、饼图

import matplotlib.pyplot as plt# 假设我们有以下数据labels = ['类别A', '类别B', '类别C', '类别D']sizes = [15, 30, 45, 10]# 百分比或数量# 绘制占饼图fig1, ax1 = plt.subplots()ax1.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)ax1.axis('equal')# Equal aspect ratio ensures that pie is drawn as a circle.plt.title('占饼图示例')plt.show()

2、环形图

import matplotlib.pyplot as pltimport numpy as np# 假设我们有以下数据labels = ['类别A', '类别B', '类别C', '类别D']sizes = [15, 30, 45, 10]# 外环数据sizes_inner = [10, 15, 30, 5]# 内环数据# 确保内环数据不超过外环数据sizes_inner = [min(s, si) for s, si in zip(sizes, sizes_inner)]# 计算百分比sizes_pct = [s / sum(sizes) * 100 for s in sizes]sizes_inner_pct = [si / sum(sizes_inner) * 100 for si in sizes_inner]# 绘制环形图fig, ax = plt.subplots()# 外环ax.pie(sizes, labels=labels, colors=['blue'], wedgeprops=dict(width=0.3, edgecolor='w'), startangle=90)# 内环ax.pie(sizes_inner,colors=['red'], wedgeprops=dict(width=0.1, edgecolor='w'), startangle=90)# 绘制中心圆ax.add_artist(plt.Circle((0.5, 0.5), 0.05, fc='white', ec='white'))# 添加百分比标签def func(pct, allvals):absolute = int(round(pct/100.*np.sum(allvals)))return "{:.1f}% ({})".format(pct, absolute)# 外环百分比标签wedges, texts, autotexts = ax.pie(sizes, labels=labels, autopct=lambda pct: func(pct, sizes), wedgeprops=dict(width=0.3, edgecolor='w'), startangle=90)# 设置标题和等比例显示ax.set_title('环形图示例')ax.axis('equal')plt.show()

六、比较排序类

1、条形图

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pd# 假设有一个包含分类变量和连续变量的DataFramedata = pd.DataFrame({'Category': ['A', 'B', 'C', 'D', 'E'],'Value': [23, 17, 35, 29, 12]})# 绘制条形图sns.barplot(x='Category', y='Value', data=data)# 设置图表标题和轴标签plt.title('条形图示例：不同类别的值')plt.xlabel('类别')plt.ylabel('值')# 显示图表plt.show()

2、箱线图

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np# 假设有一个包含分类变量和连续变量的DataFramenp.random.seed(0)# 设置随机种子以获得可复现的结果data = pd.DataFrame({'Category': ['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],'Value': np.random.randn(9) * 100# 生成正态分布的数据})# 绘制箱线图sns.boxplot(x='Category', y='Value', data=data)# 设置图表标题和轴标签plt.title('箱线图示例：不同类别的值分布')plt.xlabel('类别')plt.ylabel('值')# 显示图表plt.show()

3、小提琴图

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np# 假设有一个包含分类变量和连续变量的DataFramenp.random.seed(0)# 设置随机种子以获得可复现的结果data = pd.DataFrame({'Category': ['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],'Value': np.random.randn(9) * 100# 生成正态分布的数据})# 绘制小提琴图sns.violinplot(x='Category', y='Value', data=data)# 设置图表标题和轴标签plt.title('小提琴图示例：不同类别的值分布')plt.xlabel('类别')plt.ylabel('值')# 显示图表plt.show()

七、趋势类图表

1、折线图

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np# 假设我们有一个包含时间序列和数值的数据集np.random.seed(0)data = pd.DataFrame({'date': pd.date_range(start='2023-01-01', periods=12),'value': np.random.randn(12).cumsum()})# 绘制线图sns.lineplot(data=data, x='date', y='value')# 设置图表标题和轴标签plt.title('折线图示例：随时间变化的数值')plt.xlabel('日期')plt.ylabel('值')# 显示网格plt.grid(True)# 显示图表plt.show()

八、频率分布类

1、直方图

import seaborn as snsimport matplotlib.pyplot as pltimport numpy as np# 生成随机数据np.random.seed(0)data = np.random.randn(1000)# 绘制直方图sns.histplot(data, kde=True)# 设置图表标题和轴标签plt.title('直方图示例：数据分布')plt.xlabel('值')plt.ylabel('频数')# 显示网格plt.grid(True)# 显示图表plt.show()

九、关系类图表

1、散点图

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pd# 创建一个模拟的数据集data = pd.DataFrame({'Math': [85, 92, 78, 95, 88, 76, 91, 82, 79, 85],'English': [88, 90, 82, 93, 87, 79, 92, 83, 80, 86]})# 绘制散点图sns.scatterplot(data=data, x='Math', y='English', hue='Math')# 添加图例标题plt.legend(title='数学成绩')# 设置图表标题和轴标签plt.title('学生数学和英语成绩散点图')plt.xlabel('数学成绩')plt.ylabel('英语成绩')# 显示网格plt.grid(True)# 调整图表大小plt.figure(figsize=(8, 6))# 显示图表plt.show()

2、成对关系图

import seaborn as snsimport pandas as pdimport numpy as np# 假设我们有一个包含多个连续变量的数据集np.random.seed(0)data = pd.DataFrame(np.random.randn(200, 4), columns=['A', 'B', 'C', 'D'])# 绘制成对关系图sns.pairplot(data, kind='reg')# 添加线性回归线# 设置图表标题plt.suptitle('成对关系图示例：多个连续变量之间的关系', y=1.05)# 显示图表plt.show()

3、热力图

import seaborn as snsimport matplotlib.pyplot as pltimport numpy as np# 创建一个随机的相关系数矩阵np.random.seed(0)corr_matrix = np.random.rand(6, 6)corr_matrix = (corr_matrix + corr_matrix.T) / 2# 保证矩阵是对称的np.fill_diagonal(corr_matrix, 1)# 对角线元素设为1# 绘制热力图sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')# 设置图表标题plt.title('热力图示例：相关系数矩阵')