Python商务数据分析 第7章 Seaborn数据绘图.pptxVIP

第7章Seaborn数据绘图

第7章Seaborn数据绘图Seaborn简介Seaborn库安装与使用Seaborn绘图流程Seaborn绘图实战

7.1Seaborn简介Seaborn是建立在matplotlib之上的数据可视化工具，它相当于是对matplotlib进行了更高级的封装，而且Seaborn也能跟Pandas无缝整合，让我们可以用更少的代码构建出更好的统计图表，帮助我们探索和理解数据。简单来说，Seaborn框架旨在以数据可视化为中心来挖掘与理解数据。

7.2Seaborn库安装与使用在使用Seaborn库之前，首先需要通过pip安装命令进行安装：pipinstallseaborn。安装完成后，可以通过importseabornassns导入Seaborn。为确认Seaborn库是否安装成功，可以执行下面语句，如果输出seaborn，则表示Seaborn已正确安装。

7.2Seaborn库安装与使用importseabornassns?sns.__name__?#输出seaborn

7.3Seaborn绘图流程Seaborn作为一个强大的数据可视化Python库，提供了一种简洁高效的绘图流程。该流程涵盖了关键步骤，首先需要导入所需的绘图模块；其次，根据具体需求导入数据，为可视化做好准备；然后，设置画布参数，为绘图奠定基础；接着，利用Seaborn提供的各种绘图函数生成图形并展示出来；最后，可以选择保存生成的图形为不同格式的图像文件，以备后续使用。

7.3Seaborn绘图流程7.3.1导入绘图模块7.3.2导入数据7.3.3设置画布7.3.4输出图形7.3.5保存图形

7.4Seaborn绘图实战Seaborn绘图实战涵盖了数据准备的关键步骤以及导入相关库的操作，同时包括直方图、散点图、热力图、回归图以及小提琴图等多种绘图类型，通过这些实例，读者可以深入了解如何使用Seaborn进行数据可视化，从而更加生动地呈现和分析数据的内在关系与趋势。

7.4Seaborn绘图实战7.4.1数据准备importpandasaspddf=pd.read_csv(data/cook.csv)#读取数据集sdf[难度]=df[用料数].apply(lambdax:简单ifx5else(一般ifx15else较难))#增加“难度”分类字段df=df[[菜谱,用料,用料数,难度,菜系,评分,用户]]#选择需要的列df.sample(5)#查看数据集的随机5行数据

7.4Seaborn绘图实战7.4.2导入相关库importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimportmatplotlibasmplimportseabornassnsplt.rcParams[font.family]=[simsun]#设置加载的字体名plt.rcParams[axes.unicode_minus]=False#解决保存图像是负号-显示为方块的问题sns.set_style(white,{font.family:[simsun]})#设置图形背景样式为white

7.4Seaborn绘图实战7.4.3直方图Seaborn库中的distplot()函数可以绘制直方图，通过矩形条的高度展示各数据范围内的频数分布。绘制直方图时，需要输入一个一维数值数组。distplot()会自动计算组距并统计每个组距中的频数，绘制频数分布直方图。直方图能清晰反映数据的分散程度和整体分布形态。相较简单统计量，它提供了更丰富的分布信息。直方图常用于分析数据的中心趋势、异常情况等，为数据建模提供基础。

7.4Seaborn绘图实战7.4.4散点图Seaborn库中的scatterplot()函数可以绘制散点图，通过坐标点的位置展示两个变量之间的相关性。绘制散点图时，需要输入两个变量的观测数据。scatterplot()会根据x轴和y轴变量生成坐标点图，点的分布情况反映了两个变量的相关程度。散点图能够直观显示变量之间是否存在相关性以及相关的形式和强度。它常用于判断变量之间的依赖关系，并可以为建立回归模型提供支持。

7.4Seaborn绘图实战7.4.5热力图Seaborn库中的heatmap()函数可以绘制热力图，通过颜色的深浅展示变量之间的相关性。绘制热力图时，需要输入一个可观测数据组成的矩阵。heatmap()会根据矩阵值生成颜色热力图，颜色越深表示正相关性越强。热力图以一目了然的方式显示了变量或样本间的相关性，深色表示强相关，浅色为负相