探索性數據分析(EDA)涉及兩個基本步驟：

• 數據分析(數據預處理、清洗以及處理)。
• 數據可視化(使用不同類型的圖來展示數據中的關系)。

[[349740]]

Pandas 是 Python 中最常用的數據分析庫。Python 提供了大量用于數據可視化的庫，Matplotlib 是最常用的，它提供了對繪圖的完全控制，并使得繪圖自定義變得容易。

但是，Matplotlib 缺少了對 Pandas 的支持。而 Seaborn 彌補了這一缺陷，它是建立在 Matplotlib 之上并與 Pandas 緊密集成的數據可視化庫。

然而，Seaborn 雖然活干得漂亮，但是函數眾多，讓人不知道到底該怎么使用它們?不要慫，本文就是為了理清這點，讓你快速掌握這款利器。

這篇文章主要涵蓋如下內容，

• Seaborn 中提供的不同的繪圖類型。
• Pandas 與 Seaborn 的集成如何實現以最少的代碼繪制復雜的多維圖?
• 如何在 Matplotlib 的輔助下自定義 Seaborn 繪圖設置?

誰適合閱讀這篇文章?

如果你具備 Matplotlib 和 Pandas 的基本知識，并且想探索一下 Seaborn，那么這篇文章正是不錯的起點。

如果目前只掌握 Python，建議翻閱文末相關文章，特別是在掌握 Pandas 的基本使用之后再回到這里來或許會更好一些。

一、Matplotlib

盡管僅使用最簡單的功能就可以完成許多任務，但是了解 Matplotlib 的基礎非常重要，其原因有兩個，

• Seaborn 在底層使用 Matplotlib 繪圖。
• 一些自定義項需要直接使用 Matplotlib。

這里對 Matplotlib 的基礎作個簡單概述。下圖顯示了 Matplotlib 窗口的各個要素。

需要了解的三個主要的類是圖形(Figure)，圖軸(Axes)以及坐標軸(Axis)。

• 圖形(Figure)：它指的就是你看到的整個圖形窗口。同一圖形中可能有多個子圖(圖軸)。在上面的示例中，在一個圖形中有四個子圖(圖軸)。
• 圖軸(Axes)：圖軸就是指圖形中實際繪制的圖。一個圖形可以有多個圖軸，但是給定的圖軸只是整個圖形的一部分。在上面的示例中，我們在一個圖形中有四個圖軸。
• 坐標軸(Axis)：坐標軸是指特定圖軸中的實際的 x-軸和 y-軸。

本帖子中的每個示例均假設已經加載所需的模塊以及數據集，如下所示，

import pandas as pd 
import numpy as np 
from matplotlib import pyplot as plt 
import seaborn as sns 
 
tips = sns.load_dataset('tips') 
iris = sns.load_dataset('iris') 

import matplotlib 
matplotlib.style.use('ggplot') 

tips.head() 

iris.head() 

讓我們通過一個例子來理解一下 Figure 和 Axes 這兩個類。

dates = ['1981-01-01', '1981-01-02', '1981-01-03', '1981-01-04', '1981-01-05', 
         '1981-01-06', '1981-01-07', '1981-01-08', '1981-01-09', '1981-01-10'] 
 
min_temperature = [20.7, 17.9, 18.8, 14.6, 15.8, 15.8, 15.8, 17.4, 21.8, 20.0] 
max_temperature = [34.7, 28.9, 31.8, 25.6, 28.8, 21.8, 22.8, 28.4, 30.8, 32.0] 
 
fig, axes = plt.subplots(nrows=1, ncols=1, figsize=(10,5)); 
axes.plot(dates, min_temperature, label='Min Temperature'); 
axes.plot(dates, max_temperature, label = 'Max Temperature'); 
axes.legend(); 

plt.subplots() 創建一個 Figure 對象實例，以及 nrows x ncols 個 Axes 實例，并返回創建的 Figure 對象和 Axes 實例。在上面的示例中，由于我們傳遞了 nrows = 1 和 ncols = 1，因此它僅創建一個 Axes 實例。如果 nrows > 1 或 ncols > 1，則將創建一個 Axes 網格并將其返回為 nrows 行 ncols 列的 numpy 數組。

Axes 類最常用的自定義方法有，

Axes.set_xlabel()         Axes.set_ylabel() 
Axes.set_xlim()           Axes.set_ylim() 
Axes.set_xticks()         Axes.set_yticks() 
Axes.set_xticklabels()    Axes.set_yticklabels() 
Axes.set_title() 
Axes.tick_params() 

下面是一個使用上述某些方法進行自定義的例子，

fontsize =20 
fig, axes = plt.subplots(nrows=1, ncols=1, figsize=(15,7)) 
axes.plot(dates, min_temperature, label='Min Temperature') 
axes.plot(dates, max_temperature, label='Max Temperature') 
 
axes.set_xlabel('Date', fontsizefontsize=fontsize) 
axes.set_ylabel('Temperature', fontsizefontsize=fontsize) 
 
axes.set_title('Daily Min and Max Temperature', fontsizefontsize=fontsize) 
 
axes.set_xticks(dates) 
axes.set_xticklabels(dates) 
axes.tick_params('x', labelsize=fontsize, labelrotation=30, size=15) 
 
 
axes.set_ylim(10,40) 
axes.set_yticks(np.arange(10,41,2)) 
axes.tick_params('y',labelsize=fontsize) 
 
axes.legend(fontsizefontsize=fontsize,loc='upper left', bbox_to_anchor=(1,1)); 

上面我們快速了解了下 Matplotlib 的基礎知識，現在讓我們進入 Seaborn。

二、Seaborn

Seaborn 中的每個繪圖函數既是圖形級函數又是圖軸級函數，因此有必要了解這兩者之間的區別。

• 如前所述，圖形指的是你看到的整個繪圖窗口上的圖，而圖軸指的是圖形中的一個特定子圖。
• 圖軸級函數只繪制到單個 Matplotlib 圖軸上，并不影響圖形的其余部分。
• 而圖形級函數則可以控制整個圖形。

我們可以這么來理解這一點，圖形級函數可以調用不同的圖軸級函數在不同的圖軸上繪制不同類型的子圖。

sns.set_style('darkgrid') 

1. 圖軸級函數

下面羅列的是 Seaborn 中所有圖軸級函數的詳細列表。

關系圖 Relational Plots：

• scatterplot( )
• lineplot( )

類別圖 Categorical Plots：

• striplot( )、swarmplot( )
• boxplot( )、boxenplot( )
• violinplot( )、countplot( )
• pointplot( )、barplot( )

分布圖 Distribution Plots：

• distplot( )
• kdeplot( )
• rugplot( )

回歸圖 Regression Plots：

• regplot( )
• residplot( )

矩陣圖 MatrixPlots( )：

• heatmap( )

使用任何圖軸級函數需要了解的兩點，

• 將輸入數據提供給圖軸級函數的不同方法。
• 指定用于繪圖的圖軸。

(1) 將輸入數據提供給圖軸級函數的不同方法

a. 列表、數組或系列

將數據傳遞到圖軸級函數的最常用方法是使用迭代器，例如列表 list，數組 array 或序列 series

total_bill = tips['total_bill'].values 
tip = tips['tip'].values 
 
fig = plt.figure(figsize=(10, 5)) 
sns.scatterplot(total_bill, tip, s=15); 

tip = tips['tip'].values 
day = tips['day'].values 
 
fig = plt.figure(figsize=(10, 5)) 
sns.boxplot(day, tip, palette="Set2"); 

b. 使用 Pandas 的 Dataframe 類型以及列名。

Seaborn 受歡迎的主要原因之一是它可以直接可以與 Pandas 的 Dataframes 配合使用。在這種數據傳遞方法中，列名應傳遞給 x 和 y 參數，而 Dataframe 應傳遞給 data 參數。

fig = plt.figure(figsize=(10, 5)) 
sns.scatterplot(x='total_bill', y='tip', data=tips, s=50); 

fig = plt.figure(figsize=(10, 5)) 
sns.boxplot(x='day', y='tip', data=tips); 

c. 僅傳遞 Dataframe

在這種數據傳遞方式中，僅將 Dataframe 傳遞給 data 參數。數據集中的每個數字列都將使用此方法繪制。此方法只能與以下軸級函數一起使用，

• stripplot( )、swarmplot( )
• boxplot( )、boxenplot( )、violinplot( )、pointplot( )
• barplot( )、countplot( )

使用上述圖軸級函數來展示某個數據集中的多個數值型變量的分布，是這種數據傳遞方式的常見用例。

fig = plt.figure(figsize=(10, 5)) 
sns.boxplot(data=iris); 

(2) 指定用于繪圖的圖軸

Seaborn 中的每個圖軸級函數都帶有一個 ax 參數。傳遞給 ax 參數的 Axes 將負責具體繪圖。這為控制使用具體圖軸進行繪圖提供了極大的靈活性。例如，假設要查看總賬單 bill 和小費 tip 之間的關系(使用散點圖)以及它們的分布(使用箱形圖)，我們希望在同一個圖形但在不同圖軸上展示它們。

fig, axes = plt.subplots(1, 2, figsize=(10, 7)) 
sns.scatterplot(x='total_bill', y='tip', data=tips, ax=axes[1]); 
sns.boxplot(data = tips[['total_bill','tip']], ax=axes[0]); 

每個圖軸級函數還會返回實際在其上進行繪圖的圖軸。如果將圖軸傳遞給了 ax 參數，則將返回該圖軸對象。然后可以使用不同的方法(如Axes.set_xlabel( )，Axes.set_ylabel( ) 等)對返回的圖軸對象進行進一步自定義設置。

如果沒有圖軸傳遞給 ax 參數，則 Seaborn 將使用當前(活動)圖軸來進行繪制。

fig, curr_axes = plt.subplots() 
scatter_plot_axes = sns.scatterplot(x='total_bill', y='tip', data=tips) 
id(curr_axes) == id(scatter_plot_axes) 

True

在上面的示例中，即使我們沒有將 curr_axes(當前活動圖軸)顯式傳遞給 ax 參數，但 Seaborn 仍然使用它進行了繪制，因為它是當前的活動圖軸。id(curr_axes) == id(scatter_plot_axes) 返回 True，表示它們是相同的軸。

如果沒有將圖軸傳遞給 ax 參數并且沒有當前活動圖軸對象，那么 Seaborn 將創建一個新的圖軸對象以進行繪制，然后返回該圖軸對象。

Seaborn 中的圖軸級函數并沒有參數用來控制圖形的尺寸。但是，由于我們可以指定要使用哪個圖軸進行繪圖，因此可以通過為 ax 參數傳遞圖軸來控制圖形尺寸，如下所示。

fig, axes = plt.subplots(1, 1, figsize=(10, 5)) 
sns.scatterplot(x='total_bill', y='tip', data=tips, ax=axes); 

2. 圖形級函數

在瀏覽多維數據集時，數據可視化的最常見用例之一就是針對各個數據子集繪制同一類圖的多個實例。

Seaborn 中的圖形級函數就是為這種情形量身定制的。

• 圖形級函數可以完全控制整個圖形，并且每次調用圖形級函數時，它都會創建一個包含多個圖軸的新圖形。
• Seaborn 中三個最通用的圖形級函數是 FacetGrid、PairGrid 以及 JointGrid。

(1) FacetGrid

考慮下面的用例，我們想可視化不同數據子集上的總賬單和小費之間的關系(通過散點圖)。數據的每個子集均按以下變量的值的唯一組合進行分類，

• 星期幾(星期四、五、六、日)
• 是否吸煙(是或否)
• 性別(男性或女性)

如下所示，我們可以用 Matplotlib 和 Seaborn 輕松完成這個操作，

row_variable = 'day' 
col_variable = 'smoker' 
hue_variable = 'sex' 
row_variables = tips[row_variable].unique() 
col_variables = tips[col_variable].unique() 
num_rows = row_variables.shape[0] 
num_cols = col_variables.shape[0] 
 
fig,axes = plt.subplots(num_rows, num_cols, sharex=True, sharey=True, figsize=(15,10)) 
subset = tips.groupby([row_variable,col_variable]) 
for row in range(num_rows): 
    for col in range(num_cols): 
        ax = axes[row][col] 
        row_id = row_variables[row] 
        col_id = col_variables[col] 
        ax_data = subset.get_group((row_id, col_id)) 
        sns.scatterplot(x='total_bill', y='tip', data=ax_data, hue=hue_variable,axax=ax); 
        title = row_variable + ' : '  + row_id + ' | ' + col_variable + ' : ' + col_id 
        ax.set_title(title); 

分析一下，上面的代碼可以分為三個步驟，

• 為每個數據子集創建一個圖軸(子圖)
• 將數據集劃分為子集
• 在每個圖軸上，使用對應于該圖軸的數據子集來繪制散點圖

在 Seaborn 中，可以將上面三部曲進一步簡化為兩部曲。

• 步驟 1 可以在 Seaborn 中可以使用 FacetGrid( ) 完成
• 步驟 2 和步驟 3 可以使用 FacetGrid.map( ) 完成

使用 FacetGrid，我們可以創建圖軸并結合 row，col 和 hue 參數將數據集劃分為三個維度。一旦創建好 FacetGrid 后，可以將具體的繪圖函數作為參數傳遞給 FacetGrid.map( ) 以在所有圖軸上繪制相同類型的圖。在繪圖時，我們還需要傳遞用于繪圖的 Dataframe 中的具體列名。

facet_grid = sns.FacetGrid(row='day', col='smoker', hue='sex', data=tips, height=2, aspect=2.5) 
facet_grid.map(sns.scatterplot, 'total_bill', 'tip') 
facet_grid.add_legend(); 

Matplotlib 為使用多個圖軸繪圖提供了良好的支持，而 Seaborn 在它基礎上將圖的結構與數據集的結構直接連接起來了。

使用 FacetGrid，我們既不必為每個數據子集顯式地創建圖軸，也不必顯式地將數據劃分為子集。這些任務由 FacetGrid( ) 和 FacetGrid.map( ) 分別在內部完成了。

我們可以將不同的圖軸級函數傳遞給 FacetGrid.map( )。

另外，Seaborn 提供了三個圖形級函數(高級接口)，這些函數在底層使用 FacetGrid( ) 和 FacetGrid.map( )。

• relplot( )
• catplot( )
• lmplot( )

上面的圖形級函數都使用 FacetGrid( ) 創建多個圖軸 Axes，并用參數 kind 記錄一個圖軸級函數，然后在內部將該參數傳遞給 FacetGrid.map( )。上述三個函數分別使用不同的圖軸級函數來實現不同的繪制。

relplot() - FacetGrid() + lineplot()   / scatterplot()  
catplot() - FacetGrid() + stripplot()  / swarmplot()   / boxplot()  
                          boxenplot()  / violinplot()  / pointplot()  
                          barplot()    / countplot()  
lmplot()  - FacetGrid() + regplot() 

與直接使用諸如 relplot( )、catplot( ) 或 lmplot( ) 之類的高級接口相比，顯式地使用 FacetGrid 提供了更大的靈活性。例如，使用 FacetGrid( )，我們還可以將自定義函數傳遞給 FacetGrid.map( )，但是對于高級接口，我們只能使用內置的圖軸級函數指定給參數 kind。如果你不需要這種靈活性，則可以直接使用這些高級接口函數。

grid = sns.relplot(x='total_bill', y='tip', row='day', col='smoker', hue='sex', data=tips, kind='scatter', height=3, aspect=2.0) 

sns.catplot(col='day', kind='box', data=tips, x='sex', y='total_bill', hue='smoker', height=6, aspect=0.5) 

sns.lmplot(col='day', data=tips, x='total_bill', y='tip', hue='sex', height=6, aspect=0.5) 

(2) PairGrid

PairGrid 用于繪制數據集中變量之間的成對關系。每個子圖顯示一對變量之間的關系。考慮以下用例，我們希望可視化每對變量之間的關系(通過散點圖)。雖然可以在 Matplotlib 中也能完成此操作，但如果用 Seaborn 就會變得更加便捷。

iris = sns.load_dataset('iris') 
g = sns.PairGrid(iris) 

此處的實現主要分為兩步，

• 為每對變量創建一個圖軸
• 在每個圖軸上，使用與該對變量對應的數據繪制散點圖

第 1 步可以使用 PairGrid( ) 來完成。第 2 步可以使用 PairGrid.map( )來完成。

因此，PairGrid( ) 為每對變量創建圖軸，而 PairGrid.map( ) 使用與該對變量相對應的數據在每個圖軸上繪制曲線。我們可以將不同的圖軸級函數傳遞給 PairGrid.map( )。

grid = sns.PairGrid(iris) 
grid.map(sns.scatterplot) 

grid = sns.PairGrid(iris, diag_sharey=True, despine=False) 
grid.map_lower(sns.scatterplot) 
grid.map_diag(sns.kdeplot) 

grid = sns.PairGrid(iris, hue='species') 
grid.map_diag(sns.distplot) 
grid.map_offdiag(sns.scatterplot) 

該圖不必是正方形的：可以使用單獨的變量來定義行和列，

x_vars = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width'] 
y_vars = ['sepal_length'] 
grid = sns.PairGrid(iris, hue='species', x_varsx_vars=x_vars, y_varsy_vars=y_vars, height=3) 
grid.map_offdiag(sns.scatterplot, s=150) 
# grid.map_diag(sns.kdeplot) 
grid.add_legend() 

(3) JointGrid

當我們要在同一圖中繪制雙變量聯合分布和邊際分布時，使用 JointGrid。可以使用 scatter plot、regplot 或 kdeplot 可視化兩個變量的聯合分布。變量的邊際分布可以通過直方圖和/或 kde 圖可視化。

• 用于聯合分布的圖軸級函數必須傳遞給 JointGrid.plot_joint( )。
• 用于邊際分布的軸級函數必須傳遞給 JointGrid.plot_marginals( )。

grid = sns.JointGrid(x="total_bill", y="tip", data=tips, height=8) 
grid.plot(sns.regplot, sns.distplot); 

grid = sns.JointGrid(x="total_bill", y="tip", data=tips, height=8) 
gridgrid = grid.plot_joint(plt.scatter, color=".5", edgecolor="white") 
gridgrid = grid.plot_marginals(sns.distplot, kde=True, color=".5") 

g = sns.JointGrid(x="total_bill", y="tip", data=tips, height=8) 
gg = g.plot_joint(plt.scatter, color="g", marker='$\clubsuit$', edgecolor="white", alpha=.6) 
_ = g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.36, 
                      bins=np.arange(0, 60, 5)) 
_ = g.ax_marg_y.hist(tips["tip"], color="r", alpha=.36, 
                     orientation="horizontal", 
                     bins=np.arange(0, 12, 1)) 

添加帶有統計信息的注釋(Annotation)，該注釋匯總了雙變量關系，

from scipy import stats 
g = sns.JointGrid(x="total_bill", y="tip", data=tips, height=8) 
gg = g.plot_joint(plt.scatter, color="b", alpha=0.36, s=40, edgecolor="white") 
gg = g.plot_marginals(sns.distplot, kde=False, color="g") 
 
rsquare = lambda a, b: stats.pearsonr(a, b)[0] ** 2 
gg = g.annotate(rsquare, template="{stat}: {val:.2f}", stat="$R^2$", loc="upper left", fontsize=12) 

3. 小結

探索性數據分析(EDA)涉及兩個基本步驟，

• 數據分析(數據預處理、清洗以及處理)。
• 數據可視化(使用不同類型的圖來展示數據中的關系)。

Seaborn 與 Pandas 的集成有助于以最少的代碼制作復雜的多維圖，

• Seaborn 中的每個繪圖函數都是圖軸級函數或圖形級函數。
• 圖軸級函數繪制到單個 Matplotlib 圖軸上，并且不影響圖形的其余部分。
• 圖形級函數控制整個圖形。