資料視覺化是分析和呈現(xiàn)資料最強(qiáng)大的工具之一。 Seaborn 是一個(gè)基於 Matplotlib 建構(gòu)的 Python 函式庫，提供了用於建立資訊豐富且多樣化的視覺化的高階介面。本文將引導(dǎo)您選擇正確的 Seaborn 繪圖、對(duì)其進(jìn)行自訂以使其清晰，並避免常見的陷阱。

為什麼選擇正確的繪圖類型很重要？

您選擇的繪圖類型直接影響資料呈現(xiàn)其見解和資訊的有效性。

• 散佈圖揭示了變數(shù)之間的相關(guān)性。

• 熱圖簡(jiǎn)化了大規(guī)模比較。

使用錯(cuò)誤的繪圖類型可能會(huì)導(dǎo)致誤解，有時(shí)，由於我們選擇了錯(cuò)誤的可視化，這些來自數(shù)據(jù)的見解被隱藏起來而永遠(yuǎn)不會(huì)被揭示。

了解 Seaborn 繪圖類別

Seaborn 圖分為三個(gè)主要類別：關(guān)係、分佈 和分類。以下是如何選擇和使用它們。

資料來源：https://seaborn.pydata.org/_images/function_overview_8_0.png

1. 關(guān)係圖

關(guān)係圖視覺化兩個(gè)變數(shù)之間的關(guān)係，通常是數(shù)值關(guān)係。 Seaborn 提供兩種主要類型的關(guān)係圖：散佈圖和線條圖。您可以使用relplot() 函數(shù)來建立這些圖。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

或者你可以這樣寫：

fmri = sns.load_dataset("fmri")
sns.lineplot(data=fmri, x="timepoint", y="signal")

結(jié)果還是一樣。

來源：seaborn 文件

散佈圖顯示各個(gè)資料點(diǎn)，可以輕鬆識(shí)別模式或相關(guān)性。另一方面，線圖非常適合展示一段時(shí)間內(nèi)或跨類別的趨勢(shì)。

2. 分佈圖

了解變數(shù)的分佈是分析或建模資料的關(guān)鍵的第一步。分佈圖旨在揭示單一變數(shù)的分佈或離散度。這些視覺化可以快速解決關(guān)鍵問題，例如：資料覆蓋什麼範(fàn)圍？其中心趨勢(shì)是什麼？資料是否向特定方向傾斜？

與關(guān)係圖一樣，可以使用 displot() 函數(shù)透過指定 kind 參數(shù)來選擇所需的繪圖類型來建立分佈圖。或者，您可以直接使用 histplot()、kdeplot()、ecdfplot() 或 rugplot() 等函數(shù)來實(shí)現(xiàn)特定的分佈視覺化。

histplot() 函數(shù)非常適合視覺化頻率分佈。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

來源：seaborn 文件

kdeplot() 較適合顯示平滑的分佈曲線，而 ecdfplot() 則強(qiáng)調(diào)累積比例。 rugplot() 為原始資料點(diǎn)添加詳細(xì)標(biāo)記，以更精細(xì)的細(xì)節(jié)增強(qiáng)其他視覺化效果。

Seaborn 也支援使用 heatmap() 等工具視覺化二元分佈。熱圖對(duì)於說明相關(guān)矩陣或進(jìn)行比較特別有效。

3. 分類圖

分類圖旨在視覺化按類別組織的資料。建立這些繪圖的一般方法是使用 catplot() 函數(shù)，指定 kind 參數(shù)來選擇所需的繪圖類型。這些地塊分為三個(gè)主要係列。

選擇正確的分類圖類型取決於您要回答的特定問題。這些圖表提供了分析分類資料的多種視角：

- 分類散點(diǎn)圖
這些圖顯示類別內(nèi)的各個(gè)資料點(diǎn)，有助於識(shí)別模式或分佈。範(fàn)例包括 stripplot() 和 swarmplot()。

fmri = sns.load_dataset("fmri")
sns.lineplot(data=fmri, x="timepoint", y="signal")

來源：seaborn 文件

- 分類分佈圖

這些圖表總結(jié)了類別內(nèi)的資料分佈，提供了對(duì)變異性、分佈和集中趨勢(shì)的見解。範(fàn)例包括 boxplot()、violinplot() 和 boxenplot()。

- 分類估計(jì)圖

這些圖表計(jì)算總和估計(jì)值（例如平均值）並包含誤差線以顯示變異性或信賴區(qū)間。範(fàn)例包括 barplot()、pointplot() 和 countplot()。

如何選擇適合的 Seaborn 地塊

在繪製之前，先問自己這些問題：

資料是分類資料、數(shù)值資料還是兩者兼具？

您在探索關(guān)係、分佈或比較嗎？

資料集的大小和比例是多少？

了解您的數(shù)據(jù)可以引導(dǎo)您使用最合適的視覺化工具。下面的架構(gòu)來自 Kaggle，展示如何根據(jù)您擁有的資料類型選擇圖表。

來源：kaggle

讓我們使用現(xiàn)實(shí)世界的數(shù)據(jù)來實(shí)現(xiàn)這一點(diǎn)。考慮來自Kaggle 的資料集，其中包含20 列，包括學(xué)習(xí)時(shí)間、出席率、家長(zhǎng)參與、資源獲取、課外活動(dòng)、睡眠時(shí)間、以前的分?jǐn)?shù)、動(dòng)機(jī)水平、互聯(lián)網(wǎng)訪問、輔導(dǎo)課程、家庭收入、教師品質(zhì)、學(xué)校等特徵類型、同儕影響、體力活動(dòng)、學(xué)習(xí)障礙、父母教育程度、離家距離、性別和考試成績(jī)。

1. 了解您的數(shù)據(jù) 首先分析資料集中變數(shù)的類型以了解資料。數(shù)值變數(shù)最適合關(guān)係圖或分佈圖，而分類變數(shù)則非常適合分組或比較。例如，您可以使用線圖來分析基於出席率的數(shù)學(xué)成績(jī)趨勢(shì)。同樣，可以利用直方圖來檢查睡眠時(shí)間的分佈，幫助確定大多數(shù)學(xué)生是否得到了足夠的休息。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

fmri = sns.load_dataset("fmri")
sns.lineplot(data=fmri, x="timepoint", y="signal")

1. 定義你的目標(biāo) 透過詢問您想要傳達(dá)什麼見解來確定您的目標(biāo)。想要比較組嗎？選擇分類圖，例如長(zhǎng)條圖或箱線圖。有興趣探索人際關(guān)係嗎？關(guān)係圖（例如散佈圖）是一個(gè)不錯(cuò)的選擇。想要了解變異性？使用像直方圖這樣的分佈圖。例如，散佈圖有效地顯示兩個(gè)數(shù)值變數(shù)之間的關(guān)係，每個(gè)點(diǎn)代表一個(gè)觀察值。這樣可以輕鬆發(fā)現(xiàn)相關(guān)性、聚類或異常值。視覺化學(xué)習(xí)時(shí)間對(duì)考試成績(jī)的影響可以揭示更多的學(xué)習(xí)時(shí)間是否與更高的分?jǐn)?shù)相關(guān)。

sns.displot(penguins, x="flipper_length_mm", hue="sex", multiple="dodge")

1. 將圖與您的資料和目標(biāo)相匹配 為您的數(shù)據(jù)和分析目標(biāo)選擇適當(dāng)?shù)膱D表至關(guān)重要。正確的視覺化可以讓您有效地提取有意義的見解。例如，與直方圖相比，線圖更適合觀察一段時(shí)間內(nèi)的趨勢(shì)。使用不正確的繪圖可能會(huì)掩蓋重要的模式或見解，甚至使豐富的資料集變得不那麼有用。例如，長(zhǎng)條圖非常適合比較不同家長(zhǎng)參與程度的平均考試成績(jī)。該圖突出顯示了跨類別的數(shù)值變數(shù)的平均值（或其他匯總統(tǒng)計(jì)數(shù)據(jù)），使其非常適合高級(jí)比較。

sns.relplot(
    data=tips,
    x="total_bill", y="tip", hue="smoker",>



<p><img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/173294521670198.jpg" class="lazy" alt="Seaborn Plot Selection Made Easy: How to Visualize Your Data Effectively"><br>
source: seaborn documentation</p>

<p>Alternatively, you can use the scatterplot() function directly for scatter plots, which produce the same result. For line plots, you can either use relplot() with kind="line" or the more direct lineplot() function.<br>
</p>

<pre class="brush:php;toolbar:false">fmri = sns.load_dataset("fmri")
sns.relplot(data=fmri, x="timepoint", y="signal", kind="line")

自訂 Seaborn 繪圖的技巧

使用 plt.title()、plt.xlabel() 和 plt.ylabel() 等函數(shù)加入標(biāo)題和標(biāo)籤，提高視覺化的清晰度。要合併分類維度，請(qǐng)利用 Seaborn 中的色調(diào)屬性，它允許您根據(jù)資料集中的特定列來區(qū)分資料點(diǎn)。使用 set_palette() 函數(shù)使用 Coolwarm、husl 或 Set2 等調(diào)色板自訂配色方案。此外，透過使用 sns.set_theme() 調(diào)整資料點(diǎn)的樣式或大小並使用 plt.figure(figsize=(width, height)) 定義圖形尺寸來區(qū)分資料點(diǎn)。

要避免的常見陷阱

為了透過資料視覺化有效地傳達(dá)見解，在提供足夠的資訊和避免繪圖過度擁擠之間取得平衡至關(guān)重要。圖表中過多的數(shù)據(jù)點(diǎn)可能會(huì)讓觀眾不知所措，而細(xì)節(jié)不足可能會(huì)導(dǎo)致混亂。始終包含清晰的軸標(biāo)籤和圖例，並確保視覺化強(qiáng)調(diào)您想要強(qiáng)調(diào)的關(guān)鍵見解。

另一個(gè)常見問題是創(chuàng)造誤導(dǎo)性的視覺化效果。為了防止這種情況，請(qǐng)確保軸適當(dāng)縮放以準(zhǔn)確地表示資料。

結(jié)論

選擇正確的 Seaborn 圖是增強(qiáng)資料理解和有效傳達(dá)見解的關(guān)鍵一步。適當(dāng)?shù)囊曈X化可以揭示可能隱藏的模式、關(guān)係和趨勢(shì)。透過讓情節(jié)類型與您的資料結(jié)構(gòu)和分析目標(biāo)保持一致（無論是探索分佈、關(guān)係還是比較），您可以確保故事敘述的清晰度和精確度。

資料視覺化既是一門藝術(shù)，也是一門科學(xué)。不要猶豫，嘗試不同的 Seaborn 情節(jié)來發(fā)現(xiàn)新的觀點(diǎn)或完善您的見解。透過實(shí)踐和創(chuàng)造力，您將能夠充分利用 Seaborn 的潛力，將原始數(shù)據(jù)轉(zhuǎn)化為引人注目的視覺敘事。

以上是Seaborn 繪圖選擇變得簡(jiǎn)單：如何有效地視覺化您的數(shù)據(jù)的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！