【机器学习】Python统计分析可视化库Seaborn(相关性图，变量分布图，箱线图等等)

悠悠 2023-09-27 14:01 53阅读 0赞

#### 目录：Seaborn库 ####

*  一、前言
 *  二、实践
 *   *  2.1 各属性相关性
     *   *  2.1.1 pair plot图
         *  2.1.2 热力图
         *  2.1.3 pair grid图
     *  2.2 单个属性的分布
     *   *  2.2.1 dist plot图
         *  2.2.2 count plot图
         *  2.2.3 rug plot图
         *  2.2.4 kde plot图
     *  2.3 两两属性的相关性图
     *   *  2.3.1 joint plot图
         *  2.3.2 box plot图
         *  2.3.3 violin plot
         *  2.3.4 strip plot图
         *  2.3.5 swarm plot图
         *  2.3.6 factor plot图

## 一、前言 ##

Seaborn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。

## 二、实践 ##

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()

![在这里插入图片描述][e3fc3a63a37346daa9f8be4a8e891d7a.png]

### 2.1 各属性相关性 ###

# 相关性
    tips.corr()

![在这里插入图片描述][fc57e1c66de34b5cb19a21d280e22ce9.png]

#### 2.1.1 pair plot图 ####

#相关性图 很壮观
    sns.pairplot(tips)

![在这里插入图片描述][e8ebbace59c54bfe8014d0c8b4a2cc41.png]  
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"])

![在这里插入图片描述][3e482329cc9340b4abcae1d723cb8942.png]

#### 2.1.2 热力图 ####

# 相关性热力图
    sns.heatmap(tips.corr())

![在这里插入图片描述][a2f94af3d9f04c668550c7b64a11e45d.png]

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())

![在这里插入图片描述][d7a1b520da0743618e9e6732420ec20f.png]

#### 2.1.3 pair grid图 ####

g = sns.PairGrid(tips)
    g.map_diag(sns.distplot)
    g.map_upper(plt.scatter)
    g.map_lower(sns.kdeplot)

![在这里插入图片描述][0b9f46060f78444f90e12b6242ce0d06.png]

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。

### 2.2 单个属性的分布 ###

#### 2.2.1 dist plot图 ####

sns.distplot(tips['total_bill'])

![在这里插入图片描述][df54f5c8377e4896b736bb7531b5f0b2.png]

sns.distplot(tips['total_bill'],kde = False)

![在这里插入图片描述][4c57a0aab49c48549a3032815c6854fa.png]  
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。

#### 2.2.2 count plot图 ####

sns.countplot(x = 'smoker', data = tips)

![在这里插入图片描述][a9976c6ca6b54f8585ddb3cca626f7f3.png]  
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)

![在这里插入图片描述][bc6a726804da4738bac5b4dc76a94e62.png]  
看图说话：上图显示，2个人来餐厅就餐的总次数多一些。

#### 2.2.3 rug plot图 ####

sns.rugplot(tips['total_bill'])

![在这里插入图片描述][f8e063a74f68435a81a4ae02854a3bea.png]  
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。

#### 2.2.4 kde plot图 ####

sns.kdeplot(tips['total_bill'], shade=True)

![在这里插入图片描述][2d27580a90764e6daf6596aaef666cd9.png]  
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。

### 2.3 两两属性的相关性图 ###

#### 2.3.1 joint plot图 ####

sns.jointplot(x = 'total_bill', y = 'tip', data = tips)

![在这里插入图片描述][616ca1e85b8a44bfa462a638f1e1dcdd.png]  
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')

![在这里插入图片描述][e105cd592c45451d9f9affa20baa2446.png]  
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')

![在这里插入图片描述][eb7381f909454fe681f60ed1e77eef09.png]  
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')

![在这里插入图片描述][730ca1f76955446b8886c7a082dc286a.png]  
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。

#### 2.3.2 box plot图 ####

sns.boxplot(x = 'day', y= 'total_bill', data = tips)

![在这里插入图片描述][cededcb92c0444deae2a160e6b224ef4.png]  
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')

![在这里插入图片描述][043ef76fe6f44a28bed2f1733701b046.png]  
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。

#### 2.3.3 violin plot ####

sns.violinplot(x = 'day', y= 'total_bill', data = tips)

![在这里插入图片描述][07ad0d0437ad4043838225c34541e90e.png]  
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)

![在这里插入图片描述][1ef8a6c68f164fb89db4e97617267995.png]

看图说话：增加了性别的区分

#### 2.3.4 strip plot图 ####

sns.stripplot(x = 'day', y = 'total_bill', data = tips)

![在这里插入图片描述][60fd8e3d921644f089d68430c1c8444c.png]

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)

![在这里插入图片描述][9898434046af47dba88c8ad2d26bf0fd.png]

看图说话：和上图一样，只不过对性别进行了区别。

#### 2.3.5 swarm plot图 ####

sns.swarmplot(x = 'day', y = 'total_bill', data = tips)

![在这里插入图片描述][92ee44253cbd4c8aaa567c9eafb30d49.png]  
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。

#### 2.3.6 factor plot图 ####

sns.factorplot(x = 'day', y = 'total_bill', kind = 'box', data = tips)

![在这里插入图片描述][5ffc7b532ea14d27991919276e701051.png]  
看图说话：在factorplot图中，你可以给出任何你需要显示的图形。

[e3fc3a63a37346daa9f8be4a8e891d7a.png]: https://img-blog.csdnimg.cn/e3fc3a63a37346daa9f8be4a8e891d7a.png
[fc57e1c66de34b5cb19a21d280e22ce9.png]: https://img-blog.csdnimg.cn/fc57e1c66de34b5cb19a21d280e22ce9.png
[e8ebbace59c54bfe8014d0c8b4a2cc41.png]: https://img-blog.csdnimg.cn/e8ebbace59c54bfe8014d0c8b4a2cc41.png
[3e482329cc9340b4abcae1d723cb8942.png]: https://img-blog.csdnimg.cn/3e482329cc9340b4abcae1d723cb8942.png
[a2f94af3d9f04c668550c7b64a11e45d.png]: https://img-blog.csdnimg.cn/a2f94af3d9f04c668550c7b64a11e45d.png
[d7a1b520da0743618e9e6732420ec20f.png]: https://img-blog.csdnimg.cn/d7a1b520da0743618e9e6732420ec20f.png
[0b9f46060f78444f90e12b6242ce0d06.png]: https://img-blog.csdnimg.cn/0b9f46060f78444f90e12b6242ce0d06.png
[df54f5c8377e4896b736bb7531b5f0b2.png]: https://img-blog.csdnimg.cn/df54f5c8377e4896b736bb7531b5f0b2.png
[4c57a0aab49c48549a3032815c6854fa.png]: https://img-blog.csdnimg.cn/4c57a0aab49c48549a3032815c6854fa.png
[a9976c6ca6b54f8585ddb3cca626f7f3.png]: https://img-blog.csdnimg.cn/a9976c6ca6b54f8585ddb3cca626f7f3.png
[bc6a726804da4738bac5b4dc76a94e62.png]: https://img-blog.csdnimg.cn/bc6a726804da4738bac5b4dc76a94e62.png
[f8e063a74f68435a81a4ae02854a3bea.png]: https://img-blog.csdnimg.cn/f8e063a74f68435a81a4ae02854a3bea.png
[2d27580a90764e6daf6596aaef666cd9.png]: https://img-blog.csdnimg.cn/2d27580a90764e6daf6596aaef666cd9.png
[616ca1e85b8a44bfa462a638f1e1dcdd.png]: https://img-blog.csdnimg.cn/616ca1e85b8a44bfa462a638f1e1dcdd.png
[e105cd592c45451d9f9affa20baa2446.png]: https://img-blog.csdnimg.cn/e105cd592c45451d9f9affa20baa2446.png
[eb7381f909454fe681f60ed1e77eef09.png]: https://img-blog.csdnimg.cn/eb7381f909454fe681f60ed1e77eef09.png
[730ca1f76955446b8886c7a082dc286a.png]: https://img-blog.csdnimg.cn/730ca1f76955446b8886c7a082dc286a.png
[cededcb92c0444deae2a160e6b224ef4.png]: https://img-blog.csdnimg.cn/cededcb92c0444deae2a160e6b224ef4.png
[043ef76fe6f44a28bed2f1733701b046.png]: https://img-blog.csdnimg.cn/043ef76fe6f44a28bed2f1733701b046.png
[07ad0d0437ad4043838225c34541e90e.png]: https://img-blog.csdnimg.cn/07ad0d0437ad4043838225c34541e90e.png
[1ef8a6c68f164fb89db4e97617267995.png]: https://img-blog.csdnimg.cn/1ef8a6c68f164fb89db4e97617267995.png
[60fd8e3d921644f089d68430c1c8444c.png]: https://img-blog.csdnimg.cn/60fd8e3d921644f089d68430c1c8444c.png
[9898434046af47dba88c8ad2d26bf0fd.png]: https://img-blog.csdnimg.cn/9898434046af47dba88c8ad2d26bf0fd.png
[92ee44253cbd4c8aaa567c9eafb30d49.png]: https://img-blog.csdnimg.cn/92ee44253cbd4c8aaa567c9eafb30d49.png
[5ffc7b532ea14d27991919276e701051.png]: https://img-blog.csdnimg.cn/5ffc7b532ea14d27991919276e701051.png