seaborn图像绘制
Seaborn是一个基于Matplotlib的Python数据可视化库，专注于提供一种高级界面用于绘制吸引人且信息丰富的统计图形。它是数据分析和统计建模的理想伴侣，特别是与Pandas这样的数据处理库结合使用时。Seaborn的特点和功能包括：
面向数据集的API：设计用于简化对多个变量间关系的探索，特别擅长处理分类数据。
统计图形：提供了多种图表类型，专为展示数据分布、关系、回归分析等统计特性而设计，比如散点图矩阵(pair plots)、联合分布图(jointplots)、箱线图(box plots)、热力图(heatmaps)、线性回归图(regression plots)等。
分类数据支持：Seaborn擅长处理分类数据，可以很容易地根据类别变量对数据进行分组和着色，使数据的结构和模式一目了然。
高度集成的绘图接口：通过简洁的函数调用和参数设置就能创建复杂的图表，减少了Matplotlib中可能需要的低级细节操作。
美观的默认样式：Seaborn提供了比Matplotlib更现代和吸引人的默认视觉样式，包括色彩主题和风格设置，使得图表无需过多调整即可直接用于演示或报告。
调色板和颜色管理：包含一系列精心设计的调色板，有助于数据模式的忠实展现，同时也允许用户自定义颜色方案。
多图网格构建：高级抽象功能帮助用户轻松创建复杂的多面板布局，适合展示数据的不同方面或进行比较分析。
与Pandas和Numpy的紧密集成：无缝处理这两种库的数据结构，使得数据导入、清洗到可视化的流程更加流畅。
灵活的定制：虽然提供了许多默认设置，但Seaborn也允许用户深入定制图表的各个方面，包括标签、图例、注释和样式。
通过Seaborn，数据科学家和分析师能够快速地从数据中提取见解，并以清晰、美观的方式呈现给受众。
文章：
官网：seaborn： statistical data visualization — seaborn 0.13.2 documentation (pydata.org)
官方教程：User guide and tutorial — seaborn 0.13.2 documentation (pydata.org)
安装
pip install seaborn为了能够运行seaborn，请预先安装matplotlib：
pip install matplotlib引入
为了正常使用seaborn，我们在引入seaborn的同时也要引入matplotlib
import seaborn as sns
import matplotlib.pyplot as plt内置数据集
seaborn内置了非常多的数据集以供演示，通过get_dataset_names函数以获取，如下：
sns.get_dataset_names() # 返回一个list输出：
['anagrams',
'anscombe',
'attention',
'brain_networks',
'car_crashes',
'diamonds',
'dots',
'dowjones',
'exercise',
'flights',
'fmri',
'geyser',
'glue',
'healthexp',
'iris',
'mpg',
'penguins',
'planets',
'seaice',
'taxis',
'tips',
'titanic']Seaborn 内置的一些常见数据集包括：
anscombe：四个具有相同统计属性但明显不同的数据集。attention：注意任务中的响应时间数据。brain_networks：大脑网络连接数据。car_crashes：美国各州车祸数据。diamonds：钻石价格和属性数据。dots：视觉注意力实验数据。exercise：运动心率数据。flights：航空乘客数据。gammas：伽马射线强度数据。geyser：Old Faithful 喷泉喷发数据。iris：著名的鸢尾花数据集。mpg：汽车每加仑英里数数据。planets：系外行星发现数据。tips：小费数据集。titanic：泰坦尼克号乘客生存数据。
以tips为例，我们可以使用load_dataset函数去获取对应的数据集，例如：
tips = sns.load_dataset("tips") # 返回一个dataframe我们查看前5行可以看到：
tips.head()下面我们就用tips数据集作为例子去学习seaborn
主题设置
Seaborn提供了多种内置主题和颜色调色板，可以通过设置来改变图形的外观。通过函数set_theme去设置我们想要的主题即可，例如：
sns.set_theme(style="whitegrid", palette="pastel")以下是各类参数的解释：
背景风格（style）
这个参数可以设置一个全局的主题风格，影响所有后续的图表。Seaborn提供了以下预设的背景风格：
"darkgrid"：默认主题，深色背景和网格线。"whitegrid"：白色背景和网格线。"dark"：深色背景，无网格线。"white"：白色背景，无网格线。"ticks"：任何背景颜色，但有轴脊线和刻度线。
以whitegrid为例：
sns.set_theme(style="whitegrid")模板（context）
这个参数可以快速地调整图表的视觉呈现，就像ppt的模板。这样可以适应不同的展示场景，比如学术论文、笔记本演示、演讲或是海报展示。
以下是Seaborn中可用的context选项：
"paper"：适用于学术论文或印刷材料。此设置下的元素大小和比例经过优化，以便在印刷品中清晰显示，通常会使用较小的字体和标记。"notebook"：默认的context设置，适用于在Jupyter Notebook或类似环境中使用。它提供了适中的字体和标记大小，既不会太大也不会太小。"talk"：专为演讲或报告设计。在较大的显示屏上，特别是在向观众展示时，此上下文将放大字体和标记，确保图表信息清晰可见。"poster"：为制作海报或大型展示而设计。在这种情况下，图表的所有元素都会显著增大，以确保在远距离也能被轻松阅读。
以paper为例：
sns.set_theme(context="paper")调色板（palette）
这个参数可以设定默认的绘图颜色方案，可以选择以下预定义的调色板名称：
"deep"：一组饱和度较高的颜色。"muted"：一组较为柔和的颜色。"pastel"：一组淡色调的颜色。"bright"：一组明亮鲜艳的颜色。"dark"：一组较暗的颜色。"colorblind"：一组易于区分且对色盲友好的颜色。
以pastel为例：
sns.set_theme(palette="pastel")这个参数也可以直接传递一个由颜色组成的列表，颜色可以是英文名称、十六进制字符串、RGB 或 RGBA 元组。例如：
my_palette = ["#FF0000", "#00FF00", "#0000FF"]
sns.set_theme(palette=my_palette)字体与字体比例（font、font_scale）
对于主题中的字体，可以使用font这个参数我们想要的字体，并用font_scale去指定字体的大小比例：
sns.set_theme(font="sans-serif", font_scale=1.5)基本绘图
下面我们就用tips数据集作为例子去学习seaborn如何进行绘图，详情看上面的数据集的这一章
seaborn的基本绘图中，data传入的数据基本都是pandas的dataframe，后面x和y指定的都是某一列的列名，以散点图为例：
sns.scatterplot(x="total_bill", y="tip", data=tips)这里的x使用的是total_bill这一列，y使用的是tip这一列
x和y也可以传入list、pandas的序列或者numpy的ndarray：
# x = [1, 2, 3, 4, 5]
# x = pd.Series([1, 2, 3, 4, 5])
x = np.array([1, 2, 3, 4, 5])
# y = [2, 4, 6, 8, 10]
# y = pd.Series([2, 4, 6, 8, 10])
y = np.array([2, 4, 6, 8, 10])
sns.scatterplot(x=x, y=y)
plt.show()也就是说，x和y输入的更加灵活，既可以指定dataframe的列名，也可以传入数据。下面的例子中，会直接使用列名进行图片的绘制
seaborn在绘制完图片后，都需要使用matplotlib进行展示，下面就不过多赘述
散点图
散点图用于显示两个连续变量之间的关系。seaborn中散点图的写法如下：
sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.show()在绘制散点图时，scatterplot提供了内置的参数可以用来快速更改其样式：
hue：字段名或数组样式的数据，用于对点进行分组并为不同组分配不同的颜色。例如，你可以使用分类变量（如性别）来给散点图中的点着色。size：字段名或数组样式的数据，用于根据数值变量的大小来调整点的大小。style：字段名或数组样式的数据，用于根据分类变量来改变点的标记样式。palette：颜色调色板的名称、字典或列表，用于为 hue 变量的不同水平设置颜色。sizes：一个元组，定义了 size 变量映射到实际点大小的范围。markers：如果 True，则使用默认的标记；如果是一个字典，则提供每个 style 类别的标记。
折线图
折线图适合展示随时间变化的趋势或者两个连续变量之间的关系。seaborn中折线图的写法如下：
sns.lineplot(x="day", y="total_bill", data=tips)
plt.show()在绘制折线图时，lineplot提供了内置的参数可以用来快速更改其样式：
hue： 字段名或数组样式的变量，用于对线条进行分组并为不同组分配不同的颜色。这可以是分类变量，如产品类别或实验条件。size： 字段名或数组样式的变量，用于根据数值变量的大小调整线条的宽度或标记的大小。style： 字段名或数组样式的变量，用于根据分类变量改变线条的样式，如虚线、实线等。
palette： 调色板的名称、字典或列表，用于为hue变量的不同水平设置颜色。linewidth： 线条的宽度。markers： 是否在数据点上添加标记，可以是布尔值或标记的样式。dashes： 是否绘制虚线或实线。如果是False，所有线条都是实线。err_style： 错误带的样式，可以是 'band'（默认），'bars' 或None。units： 字段名或数组样式的变量，用于识别不同的观测单位，当数据是重复测量时有用。estimator： 使用哪个统计量估计 y 值，如 'mean'（默认）、'median' 或自定义函数。ci： 置信区间的大小，可以是数值或None（不显示置信区间）。n_boot： 计算置信区间时使用的引导采样次数。sort： 是否在绘图前对数据按 x 值排序。legend： 图例的显示方式，可以是 'full'、'brief' 或False。ax：matplotlib.axes.Axes对象，如果提供，则在此 Axes 上绘制图形。
条形图
条形图适合展示分类数据的汇总统计。seaborn中条形图的写法如下：
sns.barplot(x="day", y="total_bill", data=tips)
plt.show()在绘制条形图时，barplot提供了内置的参数可以用来快速更改其样式：
hue： 这个参数用于进一步细分数据，通常用于表示第三个分类变量。当使用 hue 参数时，条形图会根据这个变量的不同类别分为多个颜色不同的部分。data：这是一个 Pandas DataFrame 或类似的结构，包含了要绘制成条形图的数据。order，hue_order： 这两个参数允许你自定义 x 轴上的类别顺序和 hue 变量的顺序。estimator： 默认情况下，sns.barplot 绘制的是均值。但是，你可以使用 estimator 参数来改变所计算的统计量，例如可以设置为 np.sum 来绘制总和。ci： 这个参数控制是否以及如何显示置信区间。可以设置为一个百分比，或者 None 来禁用置信区间的显示。n_boot： 如果置信区间被启用，这个参数控制了用于计算置信区间的自助法（bootstrap）的重复次数。orient： 可以是'v'或'h'，用于指定条形图的垂直或水平方向。color，palette： 分别用于设置条形图的颜色或颜色调色板。saturation： 控制不同 hue 分类的颜色饱和度。errcolor，errwidth，capsize： 这些参数用于控制置信区间误差线的颜色、宽度和帽宽。
直方图
直方图适合展示单个变量的分布。seaborn中直方图的写法如下：
sns.histplot(x="total_bill", data=tips)
plt.show()在绘制直方图时，histplot提供了内置的参数可以用来快速更改其样式：
weights：可选参数，一个与 x 相同长度的数组，用于对每个样本点进行加权。bins：可以是整数，表示直方图的箱数；也可以是数组，表示箱的边界。binwidth：用于设置箱的固定宽度，可以替代 bins。discrete：当数据是离散的时候，可以设置此参数为 True 来得到更准确的直方图。kde：布尔值，如果为 True，则在直方图上绘制核密度估计曲线。log_scale：如果为 True，则使用对数刻度轴。stat：表示统计量，可以是"count","frequency","density", 或"probability"。默认为"count"，表示每个箱中的样本数。cumulative：布尔值，如果为 True，则绘制累积直方图。common_norm：如果为 True，所有 KDEs 都将规范化到相同的总区域。如果为 False，则每个 KDE 都将独立规范化。multiple：当数据包含多个变量时，用于确定如何处理重叠的直方图。可以是"layer","stack", 或"fill"。element：用于绘制直方图的元素类型。可以是"bars"，"step"，或"poly"。fill：如果为 True，则填充直方图的区域。shrink：缩放因子，用于缩小直方图的宽度。
箱形图
箱形图又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。
箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。
seaborn中箱形图的写法如下：
sns.boxplot(x="day", y="total_bill", data=tips)
plt.show()在绘制箱形图时，boxplot提供了内置的参数可以用来快速更改其样式：
hue：用于对数据进行分组，基于另一个分类变量。例如，如果你有性别数据，你可以将其作为 hue 参数，从而为每个性别类别创建单独的箱线图。order，hue_order：定义 x 轴上的分类变量顺序和 hue 分类变量的顺序。这些参数允许你控制箱线图在绘图中的显示顺序。orient：控制箱线图的朝向，可以是'v'（垂直，默认）或'h'（水平）。color，palette：color用于设置单一颜色，而palette可以是一个色板名称、字典或列表，用于给不同类别着色。saturation：控制颜色饱和度，介于 0 到 1 之间。width：控制箱体的宽度。fliersize：控制异常值（离群点）的标记大小。linewidth：控制箱线图线条的宽度。notch：如果设为 True，则会在箱体中添加一个凹口来表示置信区间。whis：控制须的长度，通常是一个浮点数，表示 IQR 的倍数。例如，whis=1.5 会显示 IQR 之外 1.5 倍 IQR 的数据点。bootstrap：如果提供，将使用 bootstrap 方法来估计置信区间，而不是假设正态分布。
小提琴图
小提琴图展示数据分布及其概率密度。这种图表结合了箱形图和密度图的特征，主要用来显示数据的分布形状。
中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表 95% 置信区间，而白点则为中位数。
seaborn中小提琴图的写法如下：
sns.violinplot(x="day", y="total_bill", data=tips)
plt.show()在绘制小提琴图时，violinplot提供了内置的参数可以用来快速更改其样式：
hue：一个分类变量，用于进一步细分数据。例如，如果你想根据不同的类别绘制不同的小提琴图，可以使用此参数。split：当使用 hue 参数时，如果设为 True，将在每个分类水平上创建两个并排的小提琴图，而不是堆叠在一起。scale：控制小提琴的缩放方式。可以是'area'（所有小提琴的面积相同，这是默认值）、'count'（小提琴的宽度与每个分类的观测数量成比例）、或'width'（所有小提琴的宽度相同）。scale_hue：如果为 True，即使 scale 设置为'area'或'width'，也会根据 hue 类别调整小提琴的宽度。bw：核密度估计的带宽调整因子。较小的值会产生更尖锐的峰，较大的值会使曲线更平滑。cut：控制绘制密度的尾部部分。cut 参数定义了超出数据范围的尾部绘制多少个带宽单位。默认值为 2。inner：控制是否在小提琴内绘制箱线图或四分位数等额外细节。可以是'box'、'quartile'、'point'、'stick'或None。split：如果为 True 并且使用了 hue 参数，则在同一分类级别下创建两个并排的小提琴图，而不是堆叠在一起。dodge：当使用 hue 参数时，如果为 True，小提琴图将被稍微错开以避免重叠。orient：小提琴图的方向，可以是'v'（垂直）或'h'（水平）。linewidth：控制轮廓线的宽度。
热力图
热力图，又名相关系数图。根据热力图中不同方块颜色对应的相关系数的大小，可以判断出变量之间相关性的大小
该相关系数只能度量出变量之间的线性相关关系；也就是说，相关系数越高，则变量间的线性相关程度越高。对于相关系数小的两个变量，只能说明变量间的线性相关程度弱，但不能说明变量之间不存在其它的相关关系，如曲线关系等
seaborn中热力图的写法如下：
corr = tips.corr()
sns.heatmap(corr, annot=True)
plt.show()在绘制热力图时，heatmap提供了内置的参数可以用来快速更改其样式：
annot：布尔值或数组。如果设置为 True，则在每个单元格中显示数值。如果提供一个数组，它应该与 data 具有相同的形状，并且其值将在单元格中显示。fmt：一个字符串，用于控制显示在单元格中的数值的格式。例如，".1f"表示浮点数，保留一位小数。linewidths：浮点数，用于指定单元格边界线的宽度。linecolor：字符串，用于指定单元格边界线的颜色。cmap：字符串或颜色映射对象，用于定义颜色渐变。例如，"coolwarm"、"Blues"或"YlGnBu"。center：浮点数，用于定义色谱的中心点，这对于对称的色谱特别有用。vmin，vmax：浮点数，分别定义色谱的最小值和最大值。这可以用来确保不同热力图之间的颜色比较是一致的。square：布尔值，如果为 True，则每个单元格会被绘制为正方形，这对于方阵特别有用。xticklabels，yticklabels：可以是布尔值、整数或列表，用于定义x轴和y轴的标签。如果数据是 DataFrame，这些通常会被自动推断。cbar：布尔值，如果为 True，则在热力图旁边显示颜色条。cbar_kws：字典，包含任何要传递给颜色条的参数。robust：布尔值，如果为 True，则在计算色谱范围时会忽略离群点。