如何轻松实现数据可视化？

　　译者 | Lemon
　　责编 | 郭芮
　　本文属于 Seaborn 的基础教程，介绍了直方图、联合分布图、矩阵图、箱形图等。通过本文可以看出，使用 seaborn 可以轻松的进行数据可视化。
　　Seaborn 是一个数据可视化库，可帮助在Python中创建有趣的数据可视化。 大多数数据分析需要识别趋势和建立模型，本文将帮助你开始使用 Seaborn库创建数据可视化。
　　首先，你应该在 jupyter notebook 中键入以下命令。import pandas as pd # Pandas
　　import numpy as np # Numpy
　　import matplotlib.pyplot as plt # Matplotlibrary
　　import seaborn as sns # Seaborn Library
　　%matplotlib inline
　　sns.set()
　　直方图 （Distplot）
　　sns.distplot（）结合直方图并绘制核密度估计图。 这里 bin 区间大小是自动计算的。
　　sns.distplot(data[＂variablename＂])
　　我们将使用以下代码在 jupyter notebook 中加载数据集：# Load the Dataset in Python
　　tips = sns.load_dataset(＂tips＂)
　　tips.head()
　　现在，由于我们已经加载了数据集，我们将使用 ＂total_bill＂ 变量创建第一个图。让我们从 tips数据集创建 ＂total_bill＂ 变量的 distplot。sns.distplot(tips[＂total_bill＂], bins=16, color=＂purple＂)
　　# Binsize is calculated using square-root of row count.
　　现在，我们来对上述代码进行进一步描述：sns.distplot — 这个命令将启动 distplot 的初始创建；tips[＂total_bill＂] — 从 tips 数据集（数据框）中取出列（total_bill）。在这里，我们应该观察一下，可以使用方括号来拉取列值，并且列名应该用引号括起来（双引号/单引号）都被接受。
　　我们推测—— ＂total_bill＂变量本质上是倾斜的，大多数帐单值都在 $10 - $20 范围内。
　　联合分布图 （Jointplot）
　　联合分布图 （Jointplot）采用两个变量并一起创建直方图和散点图。让我们看一下 jointplot 的语法。
　　sns.jointplot(x = , y =, data=)
　　让我们从 tips数据集创建 total_bill 和 tip变量的联合分布图。通常，任何餐厅的小费金额取决于总账单/账单大小。代码如下：sns.jointplot(x = ＂total_bill＂, y = ＂tip＂, data = tips, color=＂purple＂)
　　如上所述，散点图似乎显示总账单和小费金额之间的强相关性。在它的顶部，我们可以看到各个变量的直方图。
　　2.1 Jointplot :: kind =＂hex＂
　　直方图的双变量类比称为＂hexbin＂图，因为它显示了六边形区间内的观察计数。此图对于相对较大的数据集最有效，也称为Hexbin Plots。
　　sns.jointplot(x = , y =, data=, kind=＂hex＂)# Jointplot - Scatterplot and Histogram
　　sns.jointplot(x = ＂total_bill＂, y = ＂tip＂, data = tips, kind =＂hex＂,
　　color=＂lightcoral＂)ips, kind =＂hex＂,color=＂lightcoral＂)
　　有几种类型的值可以放在 sns.jointplot 中来创建不同的图。 默认情况下，联合分布图显示散点图。 现在，在上面的情节图中，它显示了六边形。六边形的深色表示数据点的高密度，其中较浅的颜色表示较少的点。
　　kind 参数值可以是以下取值：
　　kind : { ＂scatter＂ | ＂reg＂ | ＂resid＂ | ＂kde＂ | ＂hex＂ }
　　下面，我们来看看 kind=＂kde＂ 的情形。
　　2.2 Jointplot :: kind =＂kde＂# Jointplot - Scatterplot and Histogram
　　sns.jointplot(x = tips[＂total_bill＂], y = tips[＂tip＂],kind = ＂kde＂,
　　color=＂purple＂) # contour plot
　　上面显示的图表称为轮廓图。 轮廓图（有时称为＂水平图＂）是一种在二维平面上显示三维表面的方法。 它绘制了y轴上的两个预测变量X Y和轮廓的响应变量Z。
　　矩阵图 （Pairplot）
　　矩阵图基本上绘制了变量之间的成对关系。 它支持用 ＂hue＂ 来为类别变量绘图着色。
　　sns.pairplot(＂dataframe＂)# Pairplot of Tips
　　sns.pairplot(tips, hue = ＂sex＂, palette=＂Set2＂)
　　# this will color the plot gender wise
　　下面我们来了解下矩阵图的含义。对角线部分显示了具有核密度估计的 distplot图或直方图，矩阵图的上部和下部显示散点图。 ＂hue＂使用列的类别为绘图着色。hue = ＂sex＂ — 设置为按不同的性别进行着色；palette = ＂Set2＂ - ＂Set2＂ 是颜色的一个系列。
　　条形图 （Barplot）
　　条形图用于绘制分类列和数字列。 它在可视化中创建了条形。 让我们用＂性别＂创建一个＂total_bill＂的条形图，让我们看看哪类人支付更多。
　　sns.barplot(x = , y =, data=)# Barplot
　　sns.barplot(x =＂sex＂ , y =＂total_bill＂ , data=tips)
　　# Inference - Total Bill Amount for males is more than Females.
　　# Lets Plot Smoker Vs Total Bill :: The purpose is to find out if
　　# Smokers pay more bill than Non Smokers
　　sns.barplot(x = ＂smoker＂, y = ＂total_bill＂, data =tips)
　　# Inference - More Bill for Smokers
　　# Lets Find If There is more Bill In Weekend or Weekdays
　　sns.barplot(x = ＂day＂, y = ＂total_bill＂, data =tips)
　　# People tend to visit more on weekends
　　箱形图 （Boxplot）
　　箱形图 （Boxplot）是给定数据集的五点汇总统计的直观表示，五个数字摘要包括：Minimum 最小值；First Quartile 1/4 值；Median (Second Quartile) 中位数；Third Quartile 3/4 值；Maximum 最大值。
　　此外，值得注意的一点是，为分类 - 连续变量创建了一个箱线图，这意味着如果x轴是分类的并且y轴是连续的，则应创建箱线图或小提琴图。
　　让我们从 tips数据集创建一个 ＂day＂ 和 ＂total_bill＂ 的箱线图。
　　sns.boxplot(x = , y =, data=)# Boxplot
　　sns.boxplot(x = ＂day＂, y = ＂total_bill＂, data=tips)
　　# Add hue to split the barplot. Making it more fancier
　　sns.boxplot(x = ＂day＂, y = ＂total_bill＂, data=tips, hue = ＂smoker＂)
　　# On Friday people have more bill if they are a Non smoker vs smoker
　　hue =＂smoker＂： - 它为吸烟者和非吸烟者创造了一个箱线图。 例如： 在星期五的情况下，可以清楚地看到，与当天的吸烟者相比，非吸烟者的食物费用更多。# Violin Plots
　　sns.violinplot(x = ＂day＂, y = ＂total_bill＂, data = tips)
　　小提琴图跟箱形图有些类似。他们之间的描述可以参考下面的图示内容：
　　sns.lmplot 是绘制一个在散点图中进行线性回归拟合的直线。 它遵循普通的最小二乘法，线代表最佳拟合线。为了更好地理解这一点，建议进一步了解一下线性回归的相关知识。
　　代码如下：# LM PLot
　　sns.lmplot(x = ＂total_bill＂, y = ＂tip＂, data = tips, hue=＂day＂)
　　上图显示了不同日期的total_bill变量的线性回归拟合，如图例中所示，这是在 sns.lmplot 中使用 hue =＂day＂ 获得的。
　　恭喜！ 你已完成 Seaborn 初学者教程。希望这篇文章能够提供有关 Seaborn 的基本知识，并且可以帮助你创建所有这些图。作者：Lemon，气候变化及新能源领域从业者，跨界玩Python，秉承＂让数据更有价值＂的理念，希望能透过数据感知世界。
　　声明：本文为作者投稿，版权归其个人所有。