可视化是以图形形式表示数据或信息的过程，在本文中，将介绍Seaborn的最常用15个可视化图表。

Seaborn是一个非常好用的数据可视化库，它基于Matplotlib，并且提供了一个高级接口，使用非常见简单，生成图表也非常的漂亮。

安装

安装非常简单：

 pip install seaborn

在使用时只要导入就可以了。

 import seaborn as sns

将数据集下载到本地，下载地址：https://gitcode.com/mwaskom/seaborn-data/overview?utm_source=csdn_github_accelerator&isLogin=1，无法导入数据是因为，电脑无法访问该网址，此时可将数据下载到本地，使用本地导入。

解压到seaborn_data文件夹中

Seaborn提供了一些内置的数据集，这里我们使用Seaborn的Iris数据集。

 data = sns.load_dataset('iris', data_home='./seaborn-data/')
 data[10:15]

    sepal_length  sepal_width  petal_length  petal_width species
10           5.4          3.7           1.5          0.2  setosa
11           4.8          3.4           1.6          0.2  setosa
12           4.8          3.0           1.4          0.1  setosa
13           4.3          3.0           1.1          0.1  setosa
14           5.8          4.0           1.2          0.2  setosa

我们看看数据量

 data['species'].value_counts()

setosa        50
versicolor    50
virginica     50
Name: species, dtype: int64

1、条形图

条形图用于表示分类变量，它只显示平均值(或其他估计值)。我们为x轴选择一个分类列，为y轴(花瓣长度)选择一个数值列，我们看到它创建了一个为每个分类列取平均值的图。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.barplot(x='species', y='petal_length', hue='species', data=data)
plt.show()

2、散点图

散点图是由几个数据点组成的图。x轴表示花瓣长度，y轴表示数据集的萼片长度。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.scatterplot(x='petal_length', y='sepal_length', hue='species', style='species', s=90, data=data)
plt.show()

3、直方图

直方图通常用于可视化单个变量的分布，但它们也可用于比较两个或更多变量的分布。除了直方图之外，KDE参数还可以用来显示核密度估计(KDE)。这里，我们使用萼片长度。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.histplot(x='sepal_length', kde=True, data=data)
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.histplot(x='sepal_length', kde=True, hue='species', data=data)
plt.show()

4、线形图

线形图可以用来可视化各种不同的关系。它们易于创建和分析，在线形图中每个数据点由直线连接。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.lineplot(x='petal_length', y='petal_width', data=data)
plt.show()

5、小提琴图

小提琴图可以表示数据的密度，数据的密度越大的区域越胖。“小提琴”形状表示数据的核密度估计，每个点的形状宽度表示该点的数据密度。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.violinplot(x='species',y='petal_length',data=data,hue='species')
plt.show()

6、箱线图

箱形图由一个箱形图和两个须状图组成。它表示四分位数范围(IQR)，即第一和第三四分位数之间的范围。中位数由框内的直线表示。须状图从盒边缘延伸到最小值和最大值的1.5倍IQR。异常值是落在此范围之外的任何数据点，并会单独显示出来。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.boxplot(x='species', y='sepal_length', data=data, hue='species')
plt.show()

7、热图

热图是数据的二维可视化表示，它使用颜色来显示变量的值。热图经常用于显示数据集中的各种因素如何相互关联，比如相关系数。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
heat_corr = data.corr()
sns.heatmap(heat_corr, annot=True)
plt.show()

8、点图

点图是一种统计图表，用于显示一组数据及其变异性的平均值或集中趋势。点图通常用于探索性数据分析，可以快速可视化数据集的分布或比较多个数据集。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.pointplot(x='species', y='petal_length', data=data, markers='^', color='g')
plt.show()

9、密度图

密度图通过估计连续随机变量的概率函数来表示数据集的分布，也称为核密度估计(KDE)图。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.kdeplot(x='petal_length', data=data, hue='species', multiple='stack')
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.kdeplot(x='petal_length', y='sepal_length', data=data, hue='species')
plt.show()

10、计数图

计数图是一种分类图，它显示了分类变量的每个类别中观测值的计数。它本质上是一个柱状图，其中每个柱的高度代表特定类别的观测值的数量。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.countplot(x='species', data=data)
plt.show()

11、分簇散点图

分簇散点图与条形图相似，但是它会修改一些点以防止重叠，这有助于更好地表示值的分布。在该图中，每个数据点表示为一个点，并且这些点的排列使得它们在分类轴上不会相互重叠。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.swarmplot(x='sepal_width', y='species', data=data, hue='species', dodge=True, orient='h', size=8)
plt.show()

12、配对图

配对图可视化了数据集中几个变量之间的成对关系。它创建了一个坐标轴网格，这样所有数值数据点将在彼此之间创建一个图，在x轴上具有单列，y轴上具有单行。对角线图是单变量分布图，它绘制了每列数据的边际分布。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.set(rc={"figure.figsize": (6, 3)})
sns.pairplot(data=data, hue='species')
plt.show()

13、Facet Grid

Seaborn中的FacetGrid函数将数据集和一个或多个分类变量作为输入，并创建一个图表网格，每种类别变量的组合都有一个图表。网格中的每个图都可以定制为不同类型的图，例如散点图、直方图或箱形图。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
g = sns.FacetGrid(data, col="species", height=4, hue='species')
g.map(sns.histplot, "petal_length")
plt.show()

14、联合分布图

联合分布图将两个不同的图组合在一个表示中，可以展示两个变量之间的关系(二元关系)。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.jointplot(x="sepal_length", y="sepal_width", data=data,
              palette='Set2', hue='species')
plt.show()

15、分类图

cat图(分类图的缩写)是Seaborn中的定制的一种图，它可以可视化数据集中一个或多个分类变量与连续变量之间的关系。它可用于显示分布、比较组或显示不同变量之间的关系。

import seaborn as sns
import matplotlib.pyplot as plt

data = sns.load_dataset('iris', data_home='./seaborn-data/')
sns.catplot(data=data, x="petal_length", y="species", kind="violin", color=".9", inner=None)
sns.swarmplot(data=data, x="petal_length", y="species", size=3)
plt.show()

总结

Seaborn对于任何使用Python处理数据的人来说都是一个非常好用的工具，它易于使用，并且提供更美观的图形使其成为探索和交流数据最佳选择。它与其他Python数据分析库(如Pandas)的集成使其成为数据探索和可视化的强大工具。