数据处理与统计分析——11-Pandas-Seaborn可视化

Seaborn 简介

Seaborn 是一个基于 Matplotlib 的图形可视化 Python 库，提供了高度交互式的接口，使用户能够轻松绘制各种吸引人的统计图表。Seaborn 可以直接使用 Pandas 的 DataFrame 和 Series 数据进行绘图。

1. Seaborn 绘制单变量图

(1) 直方图 histplot

• hue: 根据另一个分类变量对数据进行分组并显示不同颜色的直方图。

• kde: 是否绘制核密度估计曲线。

• 其他常用参数:

  • bins: 控制直方图的条数。
  • stat: 选择统计方式（如 density 或 count）。

  示例代码:

import seaborn as sns
import matplotlib.pyplot as plt# fig 画布对象, ax坐标轴对象
fig, ax = plt.subplots(figsize=(10, 5))
# todo data: 要操作的 df或Series对象
# todo x, y: x轴 和 y轴 数据
# todo bins: 直方图, 划分区间的个数
# todo hue: 分组字段, 默认为None, 会按照该字段分组, 把相同分组数据画到一张图上
# todo kde: 绘制 核密度预估曲线
sns.histplot(data=tips, x='total_bill', bins=10, hue='sex', kde=True)
ax.set_title('直方图-总消费金额分布情况')
plt.show()

(2) 密度图 kdeplot

• X 轴: 样本数据。
• Y 轴: 密度值。
• fill: 是否填充曲线下方区域。
• 其他常用参数:
  • bw_adjust: 调整带宽以控制平滑度。

示例代码:

# todo 密度图是连续的 -> 概率分布   直方图是离散的 -> 样本数据
# todo 应用场景: 基于少量的样本数据, 去推理 总体数据的概率分布情况fig, ax = plt.subplots(figsize=(10, 5))
sns.kdeplot(data=tips, x='total_bill')
ax.set_title('密度图-总消费金额分布情况')
plt.show()

(3) 计数图 countplot

• color: 仅支持单一颜色。
• hue: 可用来在每个条形中分组显示不同的类别。
• 其他常用参数:
  • order: 控制条形图中类别的顺序。

示例代码:

# todo 计数图 = 按照某个字段分组, 统计每个分组的数量, 然后绘制成 条形图(柱状图)
# 按照 星期分组, 统计每个星期的 消费次数
# 方式一
fig, ax = plt.subplots(figsize=(10, 5))
sns.countplot(data=tips, x='day', color='b')
ax.set_title('消费次数分布情况')
plt.show()# 方式二: 手动分组 + 聚合计算
tips.day.value_counts().plot.bar(figsize=(10, 5), color=['red', 'blue', 'yellow'])
ax.set_title('消费次数分布情况')
plt.show()

2. Seaborn 双变量数据可视化

(1) 散点图 scatterplot

• hue: 根据另一变量划分颜色。(分组字段)

• size: 根据另一变量划分点的大小。

• 其他常用参数:

• style: 根据另一变量改变点的形状。

示例代码:

# hue: 分组字段
fig, ax = plt.subplots(figsize=(10, 5))
# 2. 绘制散点图, 分析: 总消费金额, 小费 之间的关系.
# sns.scatterplot(data=tips, x='total_bill', y='tip')
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='sex')
ax.set_title('散点图-总消费金额和消费之间的关系')
plt.show()

(2) 回归图 regplot

• fit_reg: 默认绘制线性拟合回归线，设为 False 可禁用。

• 其他常用参数:

• ci: 置信区间的大小。

示例代码:

fig, ax = plt.subplots(figsize=(10, 5))
# todo fit_reg: 是否绘制回归线, 默认为 True
# todo 拟合回归线: 基于数据点(散点), 拟合出一条直线, 底层运行: 线性回归
sns.regplot(data=tips, x='total_bill', y='tip', fit_reg=True)
# sns.regplot(data=tips, x='total_bill', y='tip', fit_reg=False)
ax.set_title('散点图-总消费金额和消费之间的关系')
plt.show()

(3) 联合图 jointplot

一些函数在绘图的时候, 是直接绘制的, 无需指定画板, 也没有 figsize属性设置(图形宽高), 但一般有 height属性, 设置图形宽高: 如 jointplot, 可以把 jointplot()理解为: 散点图 + 直方图(每行每列都会绘制直方图)

• kind: 绘制的图的类型（如 scatter, kde(密度图), hex(蜂巢图)）。

• height: 图的高度。

• 其他常用参数:

• hue: 分组显示不同的类别。

示例代码:

sns.jointplot(data=tips, x='total_bill', y='tip', kind='scatter', height=8)
plt.title('Jointplot of Total Bill and Tip')
plt.show()

(4) 2D 密度图 kdeplot

• fill: 填充密度图。

• cbar: 显示颜色区间图例。

• 其他常用参数:

• levels: 指定绘制的等高线的数量。

示例代码:

# 1. 获取 画布, 坐标轴对象
fig, ax = plt.subplots(figsize=(10, 5))
# 2. 设置2D密度图
# todo cbar: 是否绘制颜色条    fill: 是否填充颜色
sns.kdeplot(data=tips, x='total_bill', y='tip', fill=True, cbar=True)
ax.set_title('2D Ked TotalBill & Tip')
plt.show()

(5) 箱线图 boxplot

• 定义: 显示数据的分位数及异常值。

• 组成部分: 包括上边缘、上四分位数、中位数、下四分位数、下边缘、异常值。

• 其他常用参数:

• hue: 根据分类变量分组显示箱线。

• 箱子的中间有一条线，代表了数据的中位数

• 箱子的上下底，分别是数据的上四分位数（Q3）和下四分位数（Q1）

• 箱体包含了50%的数据。因此，箱子的高度在一定程度上反映了数据的波动程度

• 上下边缘则代表了该组数据的最大值和最小值

  • IQR = 上四分位数（Q3) - 下四分位数（Q1）

    四分位距（interquartile range, IQR），又称四分差

  • 判断异常值时最大值 = 上四分位数（Q3) + 1.5 IQR 大于这个值的就是异常值

  • 判断异常值时最小值 = 下四分位数（Q1）- 1.5 IQR 小于这个值的就是异常值

• 有时候箱子外部会有一些点，可以理解为数据中的“异常值”

示例代码:

# 需求: 通过 箱线图(盒须图, 箱子图), 分析: 总消费金额, 时间 之间的关系.
# todo IQR = Q3 - Q1 : InterquantileRange四分位距表示法
fig, ax = plt.subplots(figsize=(10, 5))
sns.boxplot(data=tips, x='time', y='total_bill')
ax.set_title('箱线图-分析就餐时间和消费总金额之间的关系0')
plt.show()

(6) 小提琴图 violinplot

小提琴图, 它是经典的可视化方法，但可能会掩盖数据的分布

小提琴图能显示与箱线图相同的值, 小提琴图把"箱线"绘成核密度估计，

有助于保留数据的更多可视化信息

• 优势
  • 小提琴图同时展示了数据的统计分布和概率密度，能够更好地揭示数据的形态和特征。
  • 小提琴图可以通过分组变量进行比较分析，方便观察不同类别间的差异。
  • 小提琴图能够显示数据的离散程度，通过观察图形的宽度可以了解数据的散布情况。

• 定义: 在箱线图基础上添加了核密度估计，有助于显示数据分布。

• hue: 支持分组显示。

• split: 分割不同类别的小提琴图。

• 其他常用参数:

• inner: 指定内部显示的内容（如 box, quartile）。

示例代码:

fig, ax = plt.subplots(figsize=(12, 6))
# split = True 默认是False  当使用hue的时候会生效, 会在一个violin中切开 一半显示一个类别
sns.violinplot(data=tips, x='day', y='total_bill', hue='sex', split=True)
plt.title('Violinplot of Total Bill by Day and Sex')
plt.show()

---

3. 多变量数据

绘制多变量数据没有固定的套路，可以使用颜色、大小和形状来区分数据：

1. 通过颜色区分: 使用 hue 参数来区分不同类别。
2. 通过大小区分: 使用 size 参数调整点的大小以表示数量。

---

4. Seaborn 主题和样式

使用 sns.set_style() 来设置主题风格，Seaborn 中有五种样式：

1. white: 白色背景无网格。
2. whitegrid: 白色网格。
3. dark: 黑色背景无网格。
4. darkgrid: 黑色网格（默认）。
5. ticks: 带刻度线的样式。

---

5. 数据可视化选择

1. Seaborn 和 Pandas: 适合快速绘制和探索性分析，但不适合精细化调整。
2. Matplotlib: 更适合需要精细化控制的绘图需求。

6. 其他知识

1. 数据准备和清洗

在绘图之前，确保数据的质量是非常重要的。以下是一些常用的数据准备和清洗步骤：

• 处理缺失值：

import pandas as pd# 读取数据
df = pd.read_csv('data.csv')# 检查缺失值
print(df.isnull().sum())# 删除缺失值
df.dropna(inplace=True)# 或用填充方式处理缺失值
df.fillna(df.mean(), inplace=True)

• 处理异常值：

# 使用 Z-score 方法识别异常值
from scipy import statsdf = df[(np.abs(stats.zscore(df['column_name'])) < 3)]

Z-score（标准分数）是衡量一个数据点与数据集均值的偏离程度的一种统计量。它表示该数据点与均值的距离，以标准差为单位。具体定义如下：

$$Z=(X-\mu )/\sigma$$

• $Z：Z-score$
• $X：数据点的值$
• $\mu ：数据集的均值$
• $\sigma ：数据集的标准差$

解释:

• 如果 Z-score 为 0，表示数据点等于均值。
• 如果 Z-score 为正，表示数据点高于均值；如果为负，表示数据点低于均值。
• 一般情况下，Z-score 大于 3 或小于 -3 的数据点通常被认为是异常值（outliers）。

2. 图形美化

Seaborn 提供了多种美化图形的方式。可以使用调色板和样式参数。

• 调色板：

import seaborn as sns# 设置调色板
sns.set_palette("pastel")  # 可选 "deep", "muted", "bright", "pastel", "dark", "colorblind"

• 美化图形：

sns.scatterplot(x='x_column', y='y_column', data=df)
plt.title('Title', fontsize=16)
plt.xlabel('X Axis Label', fontsize=14)
plt.ylabel('Y Axis Label', fontsize=14)

3. 保存图形

使用 plt.savefig() 可以将绘制的图形保存到文件中。

import matplotlib.pyplot as plt# 绘图
sns.histplot(df['column_name'])
plt.title('Histogram')# 保存图形
plt.savefig('histogram.png', dpi=300, bbox_inches='tight')

4. 调试和错误处理

在使用 Seaborn 时，可能会遇到一些常见的错误。以下是一些解决方案：

• KeyError： 当尝试使用不存在的列名时，会抛出 KeyError。确保你使用的列名在 DataFrame 中确实存在。
• ValueError： 如果数据类型不正确（例如，尝试在数值列上使用分类图），可能会抛出 ValueError。检查数据类型并进行转换：

df['column_name'] = df['column_name'].astype(float)

• AttributeError： 使用不支持的方法或属性时，可能会抛出此错误。确保你在正确的对象上调用方法。

---

7. 绘制 线性回归模型

在 seaborn 中，lmplot 是用于绘制线性回归模型的绘图函数。它结合了回归线和散点图，帮助用户直观地分析两个变量之间的关系，并通过回归线展示趋势。以下是 lmplot 的一些常用参数和基本用法：

语法：

seaborn.lmplot(x, y, data, **kwargs)

参数：

• x: 字符串，指定数据集中作为 x 轴的变量名称。
• y: 字符串，指定数据集中作为 y 轴的变量名称。
• data: 数据集（通常是 Pandas 的 DataFrame），指定要绘制的原始数据。
• hue: （可选）字符串，指定分类变量，用于在不同类别间绘制不同的回归线和散点。
• col: （可选）字符串，指定列变量，根据该变量将数据分为多个小图。
• row: （可选）字符串，指定行变量，与 col 类似，但是按行排列。
• fit_reg: 布尔值，控制是否绘制回归线（默认为 True）。
• markers: 用于指定散点的标记类型。
• palette: 调色板，用于控制不同类别的颜色。

示例用法：

1. 简单线性回归图：

   import seaborn as sns
   import matplotlib.pyplot as plt# 加载示例数据集
   tips = sns.load_dataset('tips')# 绘制总账单与小费之间的线性回归图
   sns.lmplot(x="total_bill", y="tip", data=tips)
   plt.show()
   

2. 使用分类变量的线性回归：

   sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)
   plt.show()
   

   上面的例子中，hue="smoker" 会基于是否吸烟绘制不同的回归线。

3. 多图绘制（基于行和列分类）：

   sns.lmplot(x="total_bill", y="tip", col="sex", row="smoker", data=tips)
   plt.show()
   

   这样可以根据 sex 和 smoker 分类，生成多个子图。