探索性數(shù)據(jù)分析(EDA)涉及兩個(gè)基本步驟：

• 數(shù)據(jù)分析(數(shù)據(jù)預(yù)處理、清洗以及處理)。
• 數(shù)據(jù)可視化(使用不同類型的圖來展示數(shù)據(jù)中的關(guān)系)。

[[349740]]

Pandas 是 Python 中最常用的數(shù)據(jù)分析庫。Python 提供了大量用于數(shù)據(jù)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(bǔ)了這一缺陷，它是建立在 Matplotlib 之上并與 Pandas 緊密集成的數(shù)據(jù)可視化庫。

然而，Seaborn 雖然活干得漂亮，但是函數(shù)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(diǎn)，讓你快速掌握這款利器。

這篇文章主要涵蓋如下內(nèi)容，

• Seaborn 中提供的不同的繪圖類型。
• Pandas 與 Seaborn 的集成如何實(shí)現(xiàn)以最少的代碼繪制復(fù)雜的多維圖?
• 如何在 Matplotlib 的輔助下自定義 Seaborn 繪圖設(shè)置?

誰適合閱讀這篇文章?

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

如果目前只掌握 Python，建議翻閱文末相關(guān)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(huì)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(wù)，但是了解 Matplotlib 的基礎(chǔ)非常重要，其原因有兩個(gè)，

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

這里對 Matplotlib 的基礎(chǔ)作個(gè)簡單概述。下圖顯示了 Matplotlib 窗口的各個(gè)要素。

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

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

本帖子中的每個(gè)示例均假設(shè)已經(jīng)加載所需的模塊以及數(shù)據(jù)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(gè)例子來理解一下 Figure 和 Axes 這兩個(gè)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(chuàng)建一個(gè) Figure 對象實(shí)例，以及 nrows x ncols 個(gè) Axes 實(shí)例，并返回創(chuàng)建的 Figure 對象和 Axes 實(shí)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(chuàng)建一個(gè) Axes 實(shí)例。如果 nrows > 1 或 ncols > 1，則將創(chuàng)建一個(gè) Axes 網(wǎng)格并將其返回為 nrows 行 ncols 列的 numpy 數(shù)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(gè)使用上述某些方法進(jìn)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(chǔ)知識(shí)，現(xiàn)在讓我們進(jìn)入 Seaborn。

二、Seaborn

Seaborn 中的每個(gè)繪圖函數(shù)既是圖形級(jí)函數(shù)又是圖軸級(jí)函數(shù)，因此有必要了解這兩者之間的區(qū)別。

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

我們可以這么來理解這一點(diǎn)，圖形級(jí)函數(shù)可以調(diào)用不同的圖軸級(jí)函數(shù)在不同的圖軸上繪制不同類型的子圖。

sns.set_style('darkgrid') 

1. 圖軸級(jí)函數(shù)

下面羅列的是 Seaborn 中所有圖軸級(jí)函數(shù)的詳細(xì)列表。

關(guān)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(jí)函數(shù)需要了解的兩點(diǎn)，

• 將輸入數(shù)據(jù)提供給圖軸級(jí)函數(shù)的不同方法。
• 指定用于繪圖的圖軸。

(1) 將輸入數(shù)據(jù)提供給圖軸級(jí)函數(shù)的不同方法

a. 列表、數(shù)組或系列

將數(shù)據(jù)傳遞到圖軸級(jí)函數(shù)的最常用方法是使用迭代器，例如列表 list，數(shù)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(shù)據(jù)傳遞方法中，列名應(yīng)傳遞給 x 和 y 參數(shù)，而 Dataframe 應(yīng)傳遞給 data 參數(shù)。

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(shù)據(jù)傳遞方式中，僅將 Dataframe 傳遞給 data 參數(shù)。數(shù)據(jù)集中的每個(gè)數(shù)字列都將使用此方法繪制。此方法只能與以下軸級(jí)函數(shù)一起使用，

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

使用上述圖軸級(jí)函數(shù)來展示某個(gè)數(shù)據(jù)集中的多個(gè)數(shù)值型變量的分布，是這種數(shù)據(jù)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(gè)圖軸級(jí)函數(shù)都帶有一個(gè) ax 參數(shù)。傳遞給 ax 參數(shù)的 Axes 將負(fù)責(zé)具體繪圖。這為控制使用具體圖軸進(jìn)行繪圖提供了極大的靈活性。例如，假設(shè)要查看總賬單 bill 和小費(fèi) tip 之間的關(guān)系(使用散點(diǎn)圖)以及它們的分布(使用箱形圖)，我們希望在同一個(gè)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(gè)圖軸級(jí)函數(shù)還會(huì)返回實(shí)際在其上進(jìn)行繪圖的圖軸。如果將圖軸傳遞給了 ax 參數(shù)，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(jìn)行進(jìn)一步自定義設(shè)置。

如果沒有圖軸傳遞給 ax 參數(shù)，則 Seaborn 將使用當(dāng)前(活動(dòng))圖軸來進(jìn)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(dāng)前活動(dòng)圖軸)顯式傳遞給 ax 參數(shù)，但 Seaborn 仍然使用它進(jìn)行了繪制，因?yàn)樗钱?dāng)前的活動(dòng)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(shù)并且沒有當(dāng)前活動(dòng)圖軸對象，那么 Seaborn 將創(chuàng)建一個(gè)新的圖軸對象以進(jìn)行繪制，然后返回該圖軸對象。

Seaborn 中的圖軸級(jí)函數(shù)并沒有參數(shù)用來控制圖形的尺寸。但是，由于我們可以指定要使用哪個(gè)圖軸進(jìn)行繪圖，因此可以通過為 ax 參數(shù)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(jí)函數(shù)

在瀏覽多維數(shù)據(jù)集時(shí)，數(shù)據(jù)可視化的最常見用例之一就是針對各個(gè)數(shù)據(jù)子集繪制同一類圖的多個(gè)實(shí)例。

Seaborn 中的圖形級(jí)函數(shù)就是為這種情形量身定制的。

• 圖形級(jí)函數(shù)可以完全控制整個(gè)圖形，并且每次調(diào)用圖形級(jí)函數(shù)時(shí)，它都會(huì)創(chuàng)建一個(gè)包含多個(gè)圖軸的新圖形。
• Seaborn 中三個(gè)最通用的圖形級(jí)函數(shù)是 FacetGrid、PairGrid 以及 JointGrid。

(1) FacetGrid

考慮下面的用例，我們想可視化不同數(shù)據(jù)子集上的總賬單和小費(fèi)之間的關(guān)系(通過散點(diǎn)圖)。數(shù)據(jù)的每個(gè)子集均按以下變量的值的唯一組合進(jìn)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(gè)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(gè)步驟，

• 為每個(gè)數(shù)據(jù)子集創(chuàng)建一個(gè)圖軸(子圖)
• 將數(shù)據(jù)集劃分為子集
• 在每個(gè)圖軸上，使用對應(yīng)于該圖軸的數(shù)據(jù)子集來繪制散點(diǎn)圖

在 Seaborn 中，可以將上面三部曲進(jìn)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(chuàng)建圖軸并結(jié)合 row，col 和 hue 參數(shù)將數(shù)據(jù)集劃分為三個(gè)維度。一旦創(chuàng)建好 FacetGrid 后，可以將具體的繪圖函數(shù)作為參數(shù)傳遞給 FacetGrid.map( ) 以在所有圖軸上繪制相同類型的圖。在繪圖時(shí)，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(gè)圖軸繪圖提供了良好的支持，而 Seaborn 在它基礎(chǔ)上將圖的結(jié)構(gòu)與數(shù)據(jù)集的結(jié)構(gòu)直接連接起來了。

使用 FacetGrid，我們既不必為每個(gè)數(shù)據(jù)子集顯式地創(chuàng)建圖軸，也不必顯式地將數(shù)據(jù)劃分為子集。這些任務(wù)由 FacetGrid( ) 和 FacetGrid.map( ) 分別在內(nèi)部完成了。

我們可以將不同的圖軸級(jí)函數(shù)傳遞給 FacetGrid.map( )。

另外，Seaborn 提供了三個(gè)圖形級(jí)函數(shù)(高級(jí)接口)，這些函數(shù)在底層使用 FacetGrid( ) 和 FacetGrid.map( )。

• relplot( )
• catplot( )
• lmplot( )

上面的圖形級(jí)函數(shù)都使用 FacetGrid( ) 創(chuàng)建多個(gè)圖軸 Axes，并用參數(shù) kind 記錄一個(gè)圖軸級(jí)函數(shù)，然后在內(nèi)部將該參數(shù)傳遞給 FacetGrid.map( )。上述三個(gè)函數(shù)分別使用不同的圖軸級(jí)函數(shù)來實(shí)現(xiàn)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(jí)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(shù)傳遞給 FacetGrid.map( )，但是對于高級(jí)接口，我們只能使用內(nèi)置的圖軸級(jí)函數(shù)指定給參數(shù) kind。如果你不需要這種靈活性，則可以直接使用這些高級(jí)接口函數(shù)。

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(shù)據(jù)集中變量之間的成對關(guān)系。每個(gè)子圖顯示一對變量之間的關(guān)系?？紤]以下用例，我們希望可視化每對變量之間的關(guān)系(通過散點(diǎn)圖)。雖然可以在 Matplotlib 中也能完成此操作，但如果用 Seaborn 就會(huì)變得更加便捷。

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

此處的實(shí)現(xiàn)主要分為兩步，

• 為每對變量創(chuàng)建一個(gè)圖軸
• 在每個(gè)圖軸上，使用與該對變量對應(yīng)的數(shù)據(jù)繪制散點(diǎn)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(chuàng)建圖軸，而 PairGrid.map( ) 使用與該對變量相對應(yīng)的數(shù)據(jù)在每個(gè)圖軸上繪制曲線。我們可以將不同的圖軸級(jí)函數(shù)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(dú)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(dāng)我們要在同一圖中繪制雙變量聯(lián)合分布和邊際分布時(shí)，使用 JointGrid?？梢允褂?scatter plot、regplot 或 kdeplot 可視化兩個(gè)變量的聯(lián)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(lián)合分布的圖軸級(jí)函數(shù)必須傳遞給 JointGrid.plot_joint( )。
• 用于邊際分布的軸級(jí)函數(shù)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(tǒng)計(jì)信息的注釋(Annotation)，該注釋匯總了雙變量關(guān)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(jié)

探索性數(shù)據(jù)分析(EDA)涉及兩個(gè)基本步驟，

• 數(shù)據(jù)分析(數(shù)據(jù)預(yù)處理、清洗以及處理)。
• 數(shù)據(jù)可視化(使用不同類型的圖來展示數(shù)據(jù)中的關(guān)系)。

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

• Seaborn 中的每個(gè)繪圖函數(shù)都是圖軸級(jí)函數(shù)或圖形級(jí)函數(shù)。
• 圖軸級(jí)函數(shù)繪制到單個(gè) Matplotlib 圖軸上，并且不影響圖形的其余部分。
• 圖形級(jí)函數(shù)控制整個(gè)圖形。