Visualization of seaborn
seaborn[1]是一個建立在matplot之上，可用於制作豐富和非常具有吸引力統計圖形的Python庫。Seaborn庫旨在將可視化作為探索和理解數據的核心部分，有助於幫人們更近距離了解所研究的數據集。無論是在kaggle官網各項算法比賽中，還是互聯網公司的實際業務數據挖掘場景中，都有它的身影。
在本次介紹的這個項目中，我們將利用seaborn庫對數據集進行分析，分別展示不同類型的統計圖形。
首先，我們將導入可視化所需的所有必要包，我們將使用到的幾個包：
Numpy
pandas
matplotlib
seaborn
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns tips = pd.read_csv('tips.csv') tips.head()
各屬性相關性
# 相關性 tips.corr()
Out[2]: total_bill tip size total_bill 1.000000 0.675734 0.598315 tip 0.675734 1.000000 0.489299 size 0.598315 0.489299 1.000000
pair plot圖
#相關性圖 很壯觀 sns.pairplot(tips)
看圖說話：這些圖展現了數據集中消費總額、小費金額以及顧客數量三個特征（變量）之間的聯系。
#相關性圖，和某一列的關系 sns.pairplot(tips ,hue ='sex', markers=["o", "s"])
# 相關性熱力圖 sns.heatmap(tips.corr())
看圖說話：熱力圖可用來顯示兩變量之間的相關性，在這里兩變量間對應的矩形框的顏色越淺，代表兩者之間越具有相關性。
# 分層相關性熱力圖 sns.clustermap(tips.corr())
g = sns.PairGrid(tips)
g.map_diag(sns.distplot)
g.map_upper(plt.scatter)
g.map_lower(sns.kdeplot)
看圖說話：這個厲害了。在pair grid圖中，你可以根據自己需求，在這里呈現上述介紹的各種類型的圖形。
單個屬性的分布
dist plot圖
sns.distplot(tips['total_bill'])
sns.distplot(tips['total_bill'],kde = False)
看圖說話：上圖顯示，顧客在餐廳的消費總金額主要是在5-35的范圍內分布的。
count plot圖
sns.countplot(x = 'smoker', data = tips)
看圖說話：上圖顯示，來餐廳就餐的顧客，不抽煙者比會抽煙者多
sns.countplot(x = 'size', data = tips)
看圖說話：上圖顯示，2個人來餐廳就餐的總次數多一些。
rug plot圖
sns.rugplot(tips['total_bill'])
看圖說話：上圖呈現的是，顧客就餐消費總額在各個值上的邊緣分布。
kde plot圖
sns.kdeplot(tips['total_bill'], shade=True)
看圖說話：KDE代表內核密度估計，它也顯示了各個消費總金額數值的統計分布。
兩兩屬性的相關性圖
joint plot圖
sns.jointplot(x = 'total_bill', y = 'tip', data = tips)
看圖說話：上圖顯示，顧客主要消費水平在10-30遠之間，而此時，對應給侍者小費的錢在1-5元之間。
sns.jointplot(x = 'total_bill', y = 'tip', data = tips ,kind = 'hex')
另一種清晰地可視化視圖，顏色的深度代表頻次。
sns.jointplot(x = 'total_bill', y = 'tip', data = tips ,kind = 'reg')
看圖說話：通過做一條簡單的回歸線，它表明了小費的金額是隨着總賬單金額的增加而增加的。
sns.jointplot(x = 'total_bill', y = 'tip', data = tips ,kind = 'kde')
另一種可視化統計圖：某個區域越暗，表明這個區域對應的頻次越多。
box plot圖
sns.boxplot(x = 'day', y= 'total_bill', data = tips)
看圖說話：上圖顯示大部分賬單是在周六和周日支付的。
sns.boxplot(x = 'day', y= 'total_bill', data = tips, hue = 'sex')
看圖說話：在上面的圖表中你可以看到，在周六時，女性買單的次數會比男性多。（難道是因為買買買，男性付了好多錢，女性為了彌補男性的心里落差，然后請吃飯？哈哈）
violin plot
sns.violinplot(x = 'day', y= 'total_bill', data = tips)
看圖說話：voilin plot和box plot很相似，但它結合了box plot圖和密度痕跡。
sns.violinplot(x = 'day', y= 'total_bill', data = tips, hue = 'sex', split = True)
看圖說話：增加了性別的區分
strip plot圖
sns.stripplot(x = 'day', y = 'total_bill', data = tips)
看圖說話：這幅圖呈現的是周四、周五、周六和周日這四天，顧客消費總額的散點圖。
sns.stripplot(x = 'day', y = 'total_bill', data = tips, jitter= True,hue = 'sex', dodge = True)
看圖說話：和上圖一樣，只不過對性別進行了區別。
swarm plot圖
sns.swarmplot(x = 'day', y = 'total_bill', data = tips)
看圖說話：Swarn plot和stripplot比較類似，但Swarn plot的不同之處在於它不會重疊數據點。
factor plot圖
sns.factorplot(x = 'day', y = 'total_bill', kind = 'box', data = tips)
看圖說話：在factorplot圖中，你可以給出任何你需要顯示的圖形。