今天，我们将发布一个非常有趣的Python模块-Seaborn Module，并将了解它对数据可视化的贡献。

需要Seaborn模块

数据可视化是以图形格式表示数据值。
数据的可视化有助于获得更好的理解，并有助于从数据中得出完美的结论。

Python Matplotlib库为Python中存在的所有数据可视化模块提供了基础。
Python Seaborn模块建立在Matplotlib模块之上，并提供了效率更高的功能和其中包含的绘图功能。

使用Seaborn，可以用不同的可视化效果呈现数据，并可以向其中添加不同的功能来增强图形表示。

使用Python Seaborn可视化数据

为了开始使用Seaborn进行数据可视化，需要在Python环境中安装和导入以下模块。

• NumPy
• Pandas
• Matplotlib
• SciPy

注意：我已将以上模块(在项目符号中)与文章链接链接起来，以供参考。

此外，我们需要将Python Seaborn模块安装并加载到环境中。

pip install seaborn
import seaborn

现在我们已经在工作环境中安装并导入了Seaborn模块，让我们开始使用Seaborn中的数据可视化。

Seaborn统计数据可视化

Python Seaborn模块可帮助我们以统计术语可视化和描述数据，即借助以下图表了解数据值之间的关系：

• 线图
• 散点图

让我们在接下来的部分中详细了解它们。

Seaborn线图

Seaborn线图描述了一组数据点之间的数据值之间的关系。
线图有助于描述数据变量/值对其他数据值的依赖性。

" seaborn.lineplot()函数"从数据点绘制一条线，以可视化数据变量与其他参数数据变量的相关性。

语法：

seaborn.lineplot(x,y)

范例1：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.lineplot(data['hp'],data['cyl'])
plt.show()

输出：

Seaborn线图的数据可视化

范例2：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.lineplot(data['hp'],data['cyl'],hue=data['am'],style=data['am'])
plt.show()

在上面的示例中，我们使用参数"色调"和"样式"描述了各种数据值之间的关系，以使用不同的绘图样式描述了它们之间的关系。

输出：

Seaborn多线图的数据可视化

Seaborn散点图

Seaborn散点图也有助于描述各种数据值与连续/分类数据值(参数)之间的关系。

散点图广泛用于检测数据可视化和数据清理领域中的异常值。
离群值是偏离所有数据值正常范围的数据值。
散点图有助于可视化数据点并突出显示其异常值。

语法：

seaborn.scatterplot()

seaborn.scatterplot()函数在数据点簇中绘制数据点，以描绘和可视化数据变量之间的关系。
在可视化数据模型时，我们需要将因变量或者响应变量值放在y轴上，将自变量值放在x轴上。

范例1：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.scatterplot(data['hp'],data['cyl'])
plt.show()

输出：

Seaborn散点图的数据可视化

范例2：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.scatterplot(data['hp'],data['cyl'],hue=data['am'],style=data['am'])
plt.show()

使用参数" hue"和" style"，我们可以可视化具有不同绘图样式的多个数据变量。

使用Seaborn和Pandas进行分类数据可视化

在开始分类数据分发之前，我们有必要了解与数据分析和可视化有关的某些术语。

• 连续变量：这是一个包含连续值和数值的数据变量。
  例如：Age是一个连续变量，其值可以介于1到100之间
• 分类变量：它是一个数据变量，包含离散值，即以组或者类别的形式。
  例如：性别可分为两类："男性"，"女性"和"其他"。

了解了基本术语后，让我们深入研究分类数据变量的可视化。

箱形图

Seaborn Boxplot用于可视化分类/数值数据变量，并广泛用于检测数据清理过程中的异常值。

使用" seaborn.boxplot()方法"为特定数据变量创建箱线图。
箱形结构表示该图的主要四分位数。

语法：

seaborn.boxplot()

两条线代表上下限。
低于下限范围或者高于上限范围的任何数据点均被视为异常值。

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.boxplot(data['mpg'])
plt.show()

在上面的箱线图中，位于上限范围上方的数据点被标记为数据点，并被视为数据集的异常值。

箱形图

Seaborn Boxenplot与Boxplot类似，但在情节显示方面略有不同。

" seaborn.boxenplot()函数"绘制带有扩大的四分位数块的数据变量，描绘了数据值的详细表示。

语法：

seaborn.boxenplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.boxenplot(data['hp'])
plt.show()

小提琴图

Seaborn小提琴图用于表示数据变量跨其数据值的基础数据分布。

语法：

seaborn.violinplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.violinplot(data['hp'])
plt.show()

群图

Seaborn Swarmplot就分类数据变量之间的关系描述提供了更好的描述。

seaborn.swarmplot()函数在数据值周围创建了一大堆数据点，这些数据点恰好表示两个分类数据变量/列之间的关系。

语法：

seaborn.swarmplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.swarmplot(data['am'],data['cyl'])
plt.show()

使用Seaborn估算类别数据

在数据分析和可视化领域，我们经常需要数据图来帮助我们估计某些调查/重新研究的频率或者计数等。
以下图可用于实现相同目的：

• 条形图
• 点图
• 计数图

1.条形图

Seaborn Barplot将数据变量之间的数据分布表示为中心趋势值的频率分布。

语法：

seaborn.barplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.barplot(data['cyl'],data['carb'])
plt.show()

2.点图

Seaborn点图是统计Seaborn线图和散点图的组合。
" seaborn.pointplot()函数"以散点和连接它们的线的形式表示数据变量之间的关系。

语法：

seaborn.pointplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.pointplot(data['carb'],data['cyl'])
plt.show()

3.计数图

Seaborn Countplot表示传递给它的数据变量的计数或者频率。
因此，可以将其视为单变量数据分布图。

语法：

seaborn.countplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.countplot(data['carb'])
plt.show()

使用Seaborn Distplot进行单变量分布

Seaborn Distplot被广泛用于单变量数据分发和可视化，即可视化单个数据变量的数据值。

" seaborn.distplot()函数"描述了连续变量的数据分布。
它用一条线表示为直方图。

语法：

seaborn.distplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.distplot(data['mpg'])
plt.show()

使用Seaborn Kdeplot进行双变量分布

Seaborn Kdeplot描绘了多个连续变量的统计概率分布表示。

语法：

seaborn.kdeplot()

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
res = sn.kdeplot(data['mpg'],data['qsec'])
plt.show()

使用Seaborn设置不同的背景

" seaborn.set()函数"可用于为绘图设置不同的背景，例如"暗"，"白格网"，"达格里德"等。

语法：

seaborn.set(style)

例：

import seaborn as sn
import matplotlib.pyplot as plt
import numpy as np
import pandas
data = pandas.read_csv("C:/mtcars.csv")
sn.set(style='darkgrid',)
res = sn.lineplot(data['mpg'],data['qsec'])
plt.show()