欢迎来到 Python 基础入门 Day17！昨天，我们学习了 matplotlib 的基础知识，并使用它绘制了折线图、柱状图和饼图等基本图表。今天，我们将学习更高级的数据可视化库 Seaborn。它建立在 matplotlib 之上，提供了更美观和易用的接口，非常适合统计图表的绘制。
目录
- 什么是 Seaborn？
- 安装和导入 Seaborn
- 基本用法：绘制统计图表
- 数据集与 Seaborn 集成
- 高级绘图：分布图与分类图
- 自定义图表样式
- 小结与练习
一、什么是 Seaborn？
Seaborn 是一个高级 Python 可视化库，特别适合处理带有统计属性的数据。相比 matplotlib，它的优点包括：
- 更优雅的默认样式和调色板。
- 与 Pandas DataFrame 无缝集成。
- 支持复杂的多变量数据可视化。
- 内置许多高级统计图表类型。
二、安装和导入 Seaborn
2.1 安装
你可以通过 pip 安装 Seaborn：
pip install seaborn
2.2 导入
通常使用以下方式导入 Seaborn，同时搭配 Pandas 和 Matplotlib 使用：
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
三、基本用法：绘制统计图表
3.1 折线图
Seaborn 的 lineplot 用于绘制趋势线：
import seaborn as sns
import matplotlib.pyplot as plt
# 数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# 绘制折线图
sns.lineplot(x=x, y=y)
# 添加标题
plt.title("Seaborn Lineplot")
plt.show()
3.2 散点图
scatterplot 可以清晰地展示点的分布情况：
# 数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# 绘制散点图
sns.scatterplot(x=x, y=y)
plt.title("Seaborn Scatterplot")
plt.show()
四、数据集与 Seaborn 集成
Seaborn 支持直接处理 Pandas 的 DataFrame，非常适合用来绘制基于真实数据集的统计图表。
4.1 使用示例数据集
Seaborn 提供了一些内置数据集，例如 tips（餐馆小费数据）：
# 加载内置数据集
tips = sns.load_dataset("tips")
# 查看数据集
print(tips.head())
4.2 基于数据集的绘图
绘制小费数据集中消费金额的分布：
sns.histplot(data=tips, x="total_bill", kde=True)
plt.title("Distribution of Total Bill")
plt.show()
五、高级绘图：分布图与分类图
5.1 分布图
Seaborn 的分布图可以同时显示数据分布和密度曲线：
sns.displot(data=tips, x="total_bill", kde=True)
plt.title("Total Bill Distribution")
plt.show()
5.2 分类图
分类图可以帮助比较不同类别之间的关系，例如消费金额与用餐时间：
sns.boxplot(data=tips, x="time", y="total_bill")
plt.title("Total Bill by Time")
plt.show()
5.3 散点图矩阵
pairplot 是一种多变量分析的强大工具：
sns.pairplot(data=tips, hue="sex")
plt.show()
六、自定义图表样式
Seaborn 提供了多种默认样式，可以让图表更美观：
# 设置样式
sns.set_theme(style="darkgrid")
# 绘制图表
sns.histplot(data=tips, x="total_bill", kde=True)
plt.title("Styled Distribution")
plt.show()
你可以使用以下样式：
darkgridwhitegriddarkwhiteticks
七、小结与练习
今天，我们学习了 Seaborn 的基础知识，并探索了分布图、分类图和多变量图表。Seaborn 的强大之处在于它可以与 Pandas 数据集无缝集成，并快速生成统计图表。
今日练习题：
- 使用 Seaborn 内置的
tips数据集，绘制消费金额随人数变化的散点图。 - 使用分类图比较用餐时间与小费金额之间的关系。
- 选择一个你自己的数据集，尝试使用
pairplot分析变量之间的相关性。
下一节预告：在 Day18 中，我们将学习如何结合 matplotlib 和 seaborn，生成更高级和自定义的可视化效果。敬请期待！
希望你喜欢今天的内容！如果有任何问题或建议，欢迎随时交流 😊。
