不管是在论文的撰写过程中还是实际工作中，数据可视化是一项至关重要的技能，清晰、直观的图表不仅能够帮助读者快速理解数据背后的信息，还能提升项目的整体质量，Seaborn 作为一个基于 Matplotlib 的高级数据可视化库，以其简洁的语法和强大的功能，成为众多研究者和数据科学家的首选工具，本篇文章将详细介绍 Seaborn 的 15 种常用图表（条形图 散点图 直方图 线性图 小提琴图 箱线图 热力图 点图 密度图 计数图 分簇散点图 配对图 Facet Grid 联合分布图 分类图），并结合具体实例，展示如何有效应用这些图表，帮助你更好地呈现数据和结论
代码实现
数据加载
import seaborn as sns
import matplotlib.pyplot as plt
data=sns.load_dataset('iris')
data.head()
使用了Python中的Seaborn和Matplotlib库，加载鸢尾花数据集，为可视化提供数据支撑
条形图
plt.figure(figsize=(15,5),dpi=300)
sns.barplot(x='species',y='petal_length',hue='species',data=data)
plt.show()
条形图用于表示分类变量，它只显示平均值(或其他估计值)，为x轴选择一个分类列，为y轴(花瓣长度)选择一个数值列，它创建了一个为每个分类列取平均值的图
散点图
plt.figure(figsize=(15,5),dpi=300)
sns.scatterplot(x='petal_length',y='sepal_length',hue='species',style='species',s=90,data=data)
plt.show()
使用Seaborn的scatterplot函数创建了一个散点图，参数x表示x轴上的数据-花瓣长度；参数y表示y轴上的数据-萼片长度；参数hue表示用于分组的数据-鸢尾花的种类，不同种类用不同颜色表示；参数style表示用于不同种类的不同样式-鸢尾花的种类；参数s表示散点的大小；参数data是传入的数据集
直方图
plt.figure(figsize=(15,5),dpi=300)
sns.histplot(x='sepal_length',kde=True,data=data)
plt.show()
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)。这里使用萼片长度
plt.figure(figsize=(15,5),dpi=300)
sns.histplot(x='sepal_length',kde=True,hue='species',data=data)
plt.show()
Seaborn的histplot函数支持创建一个带有多个组别的直方图，参数x表示绘制直方图的变量-萼片长度；参数kde=True表示在直方图上添加核密度估计；参数hue表示用于分组的数据-鸢尾花的种类
线性图
plt.figure(figsize=(15,5),dpi=300)
sns.lineplot(x='petal_length',y='petal_width',data=data)
plt.grid(True)
plt.show()
Seaborn 的 lineplot 函数支持创建线图，参数 x 表示 x 轴上的数据-花瓣长度；参数 y 表示 y 轴上的数据-花瓣宽度
小提琴图
plt.figure(figsize=(15,5),dpi=300)
sns.violinplot(x='species',y='petal_length',data=data,hue='species')
plt.show()
Seaborn 的 violinplot 函数支持创建小提琴图，参数 x 表示 x 轴上的数据-鸢尾花的种类；参数 y 表示 y 轴上的数据-花瓣长度；参数 data 是传入的数据集；参数 hue 表示用于分组的数据-鸢尾花的种类，小提琴图展示了每个类别中数据的分布情况，类似于箱线图，小提琴图还可以表示数据的密度，数据的密度越大的区域越胖
箱线图
plt.figure(figsize=(15,5),dpi=300)
sns.boxplot(x='species',y='sepal_length',data=data,hue='species')
plt.show()
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
热力图
heat_corr=data.iloc[:,0:4].corr()
sns.heatmap(heat_corr,annot=False)
plt.show()
热力图是数据的二维可视化表示，它使用颜色来显示变量的值，热力图经常用于显示数据集中的各种因素如何相互关联，比如皮尔逊相关系数，这里计算了相关系数矩阵并进行绘制，参数annot=True可在画布中展示实际值
点图
plt.figure(figsize=(15,5),dpi=300)
sns.pointplot(x='species',y='petal_length',data=data,markers ='^',color='g')
plt.show()
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
密度图
plt.figure(figsize=(15,5),dpi=300)
sns.kdeplot(x='petal_length',data=data,hue='species',multiple='stack')
plt.show()
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，Seaborn 的 kdeplot 函数支持创建核密度估计图，参数 x 表示 x 轴上的数据-花瓣长度；参数 data 是传入的数据集；参数 hue 表示用于分组的数据-鸢尾花的种类；参数 multiple='stack' 表示将核密度估计堆叠在一起，以更清晰地显示不同组别的分布
plt.figure(figsize=(15,5),dpi=300)
sns.kdeplot(x='petal_length',y='sepal_length',data=data,hue='species')
plt.show()
Seaborn 的 kdeplot 函数还支持创建二维核密度估计图，参数 x 表示 x 轴上的数据-花瓣长度；参数 y 表示 y 轴上的数据-萼片长度；参数 data 是传入的数据集；参数 hue 表示用于分组的数据-鸢尾花的种类
计数图
plt.figure(figsize=(15,5), dpi=300)
ax = sns.countplot(x='species', data=data)
for p in ax.patches:
ax.annotate(format(p.get_height(), '.0f'),
(p.get_x() + p.get_width() / 2., p.get_height()),
ha = 'center', va = 'center',
xytext = (0, 9),
textcoords = 'offset points')
plt.show()
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，这里作者人为定义展示每个柱状的实际数量，读者自行取舍
分簇散点图
plt.figure(figsize=(15,5), dpi=300)
sns.swarmplot(x='sepal_width',y='species',data=data,hue='species',dodge=True,orient='h',size=8)
plt.show()
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
配对图
plt.figure(figsize=(15,5), dpi=300)
sns.set(rc = {"figure.figsize":(6,3)})
sns.pairplot(data=data,hue='species')
plt.show()
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
Facet Grid
plt.figure(figsize=(15,5), dpi=300)
g=sns.FacetGrid(data, col="species",height=4,hue='species')
g.map(sns.histplot, "petal_length")
plt.show()
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
联合分布图
plt.figure(figsize=(15,5), dpi=300)
sns.jointplot(x="sepal_length", y="sepal_width", data=data,
palette='Set2',hue='species')
plt.show()
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)
分类图
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()
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， 使用 catplot 函数创建了一个小提琴图，其中横轴表示花瓣长度，纵轴表示鸢尾花的种类。通过 kind="violin" 参数指定了绘制小提琴图， color=".9" 参数设置了小提琴图的颜色为浅灰色， inner=None 参数去除了小提琴图内部的盒图， 接着使用 swarmplot 函数创建一个蜂群图，以更清晰地显示每个数据点，在蜂群图中，每个点表示一个观测值，颜色表示鸢尾花的种类，而它们的水平位置表示花瓣长度，通 过这两个图的结合，可以更全面地了解不同种类鸢尾花的花瓣长度分布情况
往期推荐
Pythorch框架构建Attention-lstm时序模型
利用python meteostat库对全球气象数据访问，获取历史气象数据
如果你对类似于这样的文章感兴趣。
欢迎关注、点赞、转发~
个人观点，仅供参考