Visualization of seaborn
seaborn[1]是一个建立在matplot之上，可用于制作丰富和非常具有吸引力统计图形的Python库。Seaborn库旨在将可视化作为探索和理解数据的核心部分，有助于帮人们更近距离了解所研究的数据集。无论是在kaggle官网各项算法比赛中，还是互联网公司的实际业务数据挖掘场景中，都有它的身影。
在本次介绍的这个项目中，我们将利用seaborn库对数据集进行分析，分别展示不同类型的统计图形。
首先，我们将导入可视化所需的所有必要包，我们将使用到的几个包：
Numpy
pandas
matplotlib
seaborn
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns tips = pd.read_csv(‘tips.csv‘) tips.head()
各属性相关性
# 相关性 tips.corr()
Out[2]:
total_bill tip size
total_bill 1.000000 0.675734 0.598315
tip 0.675734 1.000000 0.489299
size 0.598315 0.489299 1.000000
pair plot图
#相关性图 很壮观 sns.pairplot(tips)
看图说话：这些图展现了数据集中消费总额、小费金额以及顾客数量三个特征（变量）之间的联系。
#相关性图，和某一列的关系 sns.pairplot(tips ,hue =‘sex‘, markers=["o", "s"])
# 相关性热力图 sns.heatmap(tips.corr())
看图说话：热力图可用来显示两变量之间的相关性，在这里两变量间对应的矩形框的颜色越浅，代表两者之间越具有相关性。
# 分层相关性热力图 sns.clustermap(tips.corr())
g = sns.PairGrid(tips) g.map_diag(sns.distplot) g.map_upper(plt.scatter) g.map_lower(sns.kdeplot)
看图说话：这个厉害了。在pair grid图中，你可以根据自己需求，在这里呈现上述介绍的各种类型的图形。
单个属性的分布
dist plot图
sns.distplot(tips[‘total_bill‘])
sns.distplot(tips[‘total_bill‘],kde = False)
看图说话：上图显示，顾客在餐厅的消费总金额主要是在5-35的范围内分布的。
count plot图
sns.countplot(x = ‘smoker‘, data = tips)
看图说话：上图显示，来餐厅就餐的顾客，不抽烟者比会抽烟者多
sns.countplot(x = ‘size‘, data = tips)
看图说话：上图显示，2个人来餐厅就餐的总次数多一些。
rug plot图
sns.rugplot(tips[‘total_bill‘])
看图说话：上图呈现的是，顾客就餐消费总额在各个值上的边缘分布。
kde plot图
sns.kdeplot(tips[‘total_bill‘], shade=True)
看图说话：KDE代表内核密度估计，它也显示了各个消费总金额数值的统计分布。
两两属性的相关性图
joint plot图
sns.jointplot(x = ‘total_bill‘, y = ‘tip‘, data = tips)
看图说话：上图显示，顾客主要消费水平在10-30远之间，而此时，对应给侍者小费的钱在1-5元之间。
sns.jointplot(x = ‘total_bill‘, y = ‘tip‘, data = tips ,kind = ‘hex‘)
另一种清晰地可视化视图，颜色的深度代表频次。
sns.jointplot(x = ‘total_bill‘, y = ‘tip‘, data = tips ,kind = ‘reg‘)
看图说话：通过做一条简单的回归线，它表明了小费的金额是随着总账单金额的增加而增加的。
sns.jointplot(x = ‘total_bill‘, y = ‘tip‘, data = tips ,kind = ‘kde‘)
另一种可视化统计图：某个区域越暗，表明这个区域对应的频次越多。
box plot图
sns.boxplot(x = ‘day‘, y= ‘total_bill‘, data = tips)
看图说话：上图显示大部分账单是在周六和周日支付的。
sns.boxplot(x = ‘day‘, y= ‘total_bill‘, data = tips, hue = ‘sex‘)
看图说话：在上面的图表中你可以看到，在周六时，女性买单的次数会比男性多。（难道是因为买买买，男性付了好多钱，女性为了弥补男性的心里落差，然后请吃饭？哈哈）
violin plot
sns.violinplot(x = ‘day‘, y= ‘total_bill‘, data = tips)
看图说话：voilin plot和box plot很相似，但它结合了box plot图和密度痕迹。
sns.violinplot(x = ‘day‘, y= ‘total_bill‘, data = tips, hue = ‘sex‘, split = True)
看图说话：增加了性别的区分
strip plot图
sns.stripplot(x = ‘day‘, y = ‘total_bill‘, data = tips)
看图说话：这幅图呈现的是周四、周五、周六和周日这四天，顾客消费总额的散点图。
sns.stripplot(x = ‘day‘, y = ‘total_bill‘, data = tips, jitter= True,hue = ‘sex‘, dodge = True)
看图说话：和上图一样，只不过对性别进行了区别。
swarm plot图
sns.swarmplot(x = ‘day‘, y = ‘total_bill‘, data = tips)
看图说话：Swarn plot和stripplot比较类似，但Swarn plot的不同之处在于它不会重叠数据点。
factor plot图
sns.factorplot(x = ‘day‘, y = ‘total_bill‘, kind = ‘box‘, data = tips)
看图说话：在factorplot图中，你可以给出任何你需要显示的图形。
原文地址：https://www.cnblogs.com/caiyishuai/p/11184166.html