目录
文章导航
一、介绍
Seaborn同Matplotlib一样，也是Python进行数据可视化分析的重要第三方包。但Seaborn在Matplotlib的基础上进行了更高级的API封装，使得作图更加容易，图形更加漂亮。Seaborn是基于Matplotlib产生的一个模块，专攻统计可视化，可以和Pandas进行无缝链接，使初学者更容易上手。相对于Matplotlib，Seaborn语法更简洁，两者的关系类似于NumPy和Pandas之间的关系。
但是应该强调的是，应该把Seaborn视为Matplotlib的补充，而不是替代物。
二、安装Seaborn
python
pip install seaborn三、导入Seaborn
python
import seaborn as sns四、设置可以中文显示
python
import matplotlib.pyplot as plt
# 设置matplotlib支持中文显示
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
plt.rcParams['axes.unicode_minus'] = False # 解决负号'-'显示为方块的问题
from matplotlib import font_manager
# 设置Matplotlib配置参数
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
plt.rcParams['axes.unicode_minus'] = False # 正确显示负号五、占比类图表
1、饼图
import matplotlib.pyplot as plt
# 假设我们有以下数据
labels = ['类别A', '类别B', '类别C', '类别D']
sizes = [15, 30, 45, 10] # 百分比或数量
# 绘制占饼图
fig1, ax1 = plt.subplots()
ax1.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
ax1.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle.
plt.title('占饼图示例')
plt.show()
2、环形图
import matplotlib.pyplot as plt
import numpy as np
# 假设我们有以下数据
labels = ['类别A', '类别B', '类别C', '类别D']
sizes = [15, 30, 45, 10] # 外环数据
sizes_inner = [10, 15, 30, 5] # 内环数据
# 确保内环数据不超过外环数据
sizes_inner = [min(s, si) for s, si in zip(sizes, sizes_inner)]
# 计算百分比
sizes_pct = [s / sum(sizes) * 100 for s in sizes]
sizes_inner_pct = [si / sum(sizes_inner) * 100 for si in sizes_inner]
# 绘制环形图
fig, ax = plt.subplots()
# 外环
ax.pie(sizes, labels=labels, colors=['blue'], wedgeprops=dict(width=0.3, edgecolor='w'), startangle=90)
# 内环
ax.pie(sizes_inner, colors=['red'], wedgeprops=dict(width=0.1, edgecolor='w'), startangle=90)
# 绘制中心圆
ax.add_artist(plt.Circle((0.5, 0.5), 0.05, fc='white', ec='white'))
# 添加百分比标签
def func(pct, allvals):
absolute = int(round(pct/100.*np.sum(allvals)))
return "{:.1f}% ({})".format(pct, absolute)
# 外环百分比标签
wedges, texts, autotexts = ax.pie(sizes, labels=labels, autopct=lambda pct: func(pct, sizes),
wedgeprops=dict(width=0.3, edgecolor='w'), startangle=90)
# 设置标题和等比例显示
ax.set_title('环形图示例')
ax.axis('equal')
plt.show()
六、比较排序类
1、条形图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 假设有一个包含分类变量和连续变量的DataFrame
data = pd.DataFrame({
'Category': ['A', 'B', 'C', 'D', 'E'],
'Value': [23, 17, 35, 29, 12]
})
# 绘制条形图
sns.barplot(x='Category', y='Value', data=data)
# 设置图表标题和轴标签
plt.title('条形图示例：不同类别的值')
plt.xlabel('类别')
plt.ylabel('值')
# 显示图表
plt.show()
2、箱线图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# 假设有一个包含分类变量和连续变量的DataFrame
np.random.seed(0) # 设置随机种子以获得可复现的结果
data = pd.DataFrame({
'Category': ['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],
'Value': np.random.randn(9) * 100 # 生成正态分布的数据
})
# 绘制箱线图
sns.boxplot(x='Category', y='Value', data=data)
# 设置图表标题和轴标签
plt.title('箱线图示例：不同类别的值分布')
plt.xlabel('类别')
plt.ylabel('值')
# 显示图表
plt.show()
3、小提琴图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# 假设有一个包含分类变量和连续变量的DataFrame
np.random.seed(0) # 设置随机种子以获得可复现的结果
data = pd.DataFrame({
'Category': ['A', 'B', 'C', 'A', 'B', 'C', 'A', 'B', 'C'],
'Value': np.random.randn(9) * 100 # 生成正态分布的数据
})
# 绘制小提琴图
sns.violinplot(x='Category', y='Value', data=data)
# 设置图表标题和轴标签
plt.title('小提琴图示例：不同类别的值分布')
plt.xlabel('类别')
plt.ylabel('值')
# 显示图表
plt.show()
七、趋势类图表
1、折线图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# 假设我们有一个包含时间序列和数值的数据集
np.random.seed(0)
data = pd.DataFrame({
'date': pd.date_range(start='2023-01-01', periods=12),
'value': np.random.randn(12).cumsum()
})
# 绘制线图
sns.lineplot(data=data, x='date', y='value')
# 设置图表标题和轴标签
plt.title('折线图示例：随时间变化的数值')
plt.xlabel('日期')
plt.ylabel('值')
# 显示网格
plt.grid(True)
# 显示图表
plt.show()
八、频率分布类
1、直方图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(0)
data = np.random.randn(1000)
# 绘制直方图
sns.histplot(data, kde=True)
# 设置图表标题和轴标签
plt.title('直方图示例：数据分布')
plt.xlabel('值')
plt.ylabel('频数')
# 显示网格
plt.grid(True)
# 显示图表
plt.show()
九、关系类图表
1、散点图
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个模拟的数据集
data = pd.DataFrame({
'Math': [85, 92, 78, 95, 88, 76, 91, 82, 79, 85],
'English': [88, 90, 82, 93, 87, 79, 92, 83, 80, 86]
})
# 绘制散点图
sns.scatterplot(data=data, x='Math', y='English', hue='Math')
# 添加图例标题
plt.legend(title='数学成绩')
# 设置图表标题和轴标签
plt.title('学生数学和英语成绩散点图')
plt.xlabel('数学成绩')
plt.ylabel('英语成绩')
# 显示网格
plt.grid(True)
# 调整图表大小
plt.figure(figsize=(8, 6))
# 显示图表
plt.show()
2、成对关系图
import seaborn as sns
import pandas as pd
import numpy as np
# 假设我们有一个包含多个连续变量的数据集
np.random.seed(0)
data = pd.DataFrame(np.random.randn(200, 4), columns=['A', 'B', 'C', 'D'])
# 绘制成对关系图
sns.pairplot(data, kind='reg') # 添加线性回归线
# 设置图表标题
plt.suptitle('成对关系图示例：多个连续变量之间的关系', y=1.05)
# 显示图表
plt.show()
3、热力图
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 创建一个随机的相关系数矩阵
np.random.seed(0)
corr_matrix = np.random.rand(6, 6)
corr_matrix = (corr_matrix + corr_matrix.T) / 2 # 保证矩阵是对称的
np.fill_diagonal(corr_matrix, 1) # 对角线元素设为1
# 绘制热力图
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
# 设置图表标题
plt.title('热力图示例：相关系数矩阵')
