Seaborn是一个功能强大的Python库，用于增强数据可视化。它为Matplotlib提供了大量高级接口。Seaborn可以很好地处理数据帧，而Matplotlib则不行，它可以让你以更简单的方式绘制引人注目的图表。
确保系统中安装了必要的库：
使用conda：
conda install pandas
conda install matplotlib
conda install seaborn
使用pip：
pip install pandas
pip install matplotlib
pip install seaborn
让我们首先导入所需的Python库和数据集。
你可以在这里找到本教程的CSV文件:https://github.com/jendcruz22/Medium-articles/tree/master/Plotting%20charts%20with%20Seaborn
import pandas as pd
from matplotlib import pyplot as plt
import seaborn as sns
df = pd.read_csv('Pokemon.csv', index_col = 0, encoding='unicode-escape')
df.head()
在上面的代码中，我们将index_col设置为0，这表示我们将第一列视为索引。
使用seaborn和Pokemon（口袋妖怪）数据集的属性，我们将创建一些非常有趣的可视化效果。我们首先要看的是散点图。
散点图
散点图使用点来表示不同数值变量的值。每个点在水平轴和垂直轴上的位置表示单个数据点的值。它们用于观察变量之间的关系。
在seaborn中制作散点图只需要使用“lmplot”函数。为此，我们将dataframe传递给data参数，然后传入x和y轴的列名。
默认情况下，散点图还显示一条回归线，它是一条最适合数据的直线。
sns.lmplot(x=’Attack’, y=’Defense’, data=df)
plt.show()
在这里你可以看到我们的散点图，它显示了进攻得分与防守得分的比较。
我们的回归线基本上显示了两轴之间的相关性。在这种情况下，它是向上倾斜的。也就是说当进攻得分越来越高，防守得分也会越来越高。要删除回归线，可以将“fitreg”参数设置为false。
此外，我们可以通过设置hue参数来在Pokemon的进化阶段着色。这个色调的参数是非常有用的，因为它允许你用颜色来表达第三维度的信息。
sns.lmplot(x=’Attack’, y=’Defense’, data=df, fit_reg=False, hue=’Stage’)
plt.show()
散点图看起来和之前的一样，除了中间没有回归线，而且每个点的颜色也不同。这些颜色只是显示了每个小精灵的阶段。Stage只是我们之前看到的数据中的另一个属性。
通过这张图，我们可以得出这样的结论:在第一阶段的pokemon（蓝点）通常比在更高阶段的pokemon得分更低。
箱线图
箱线图是常用于显示数据分布的重要图之一。在seaborn中只需要一行代码就可以使用boxplot函数显示箱线图。在本例中，我们将使用除total、stage和legendary属性之外的整个dataframe。
df_copy = df.drop([‘Total’, ‘Stage’, ‘Legendary’], axis=1)
sns.boxplot(data=df_copy)
在这里我们可以看到每个属性都有其各自的箱线图。
箱线图基于5个数字摘要，每个摘要以不同的行显示。中间的线是中值，是数据的中心点。箱线图末端的最底部和最顶部的线是四分位数1和4的中位数，基本上显示了分布的最小值和最大值。中间的另外两条线是四分位数2和3的中位数，它们显示了值与中位数之间的差异。超出此范围的单点表示数据中的异常值。
小提琴图
小提琴图与箱线图相似。小提琴图是箱线图非常有用的替代品。它们通过小提琴的厚度来显示分布，而不只是简要的统计。众所周知，小提琴图在分析和可视化数据集中不同属性的分布时非常方便。
在本例中，我们将使用上一个示例中的相同数据帧副本。
sns.violinplot(data=df_copy)
plt.show()
我们可以观察到口袋妖怪每个属性的值分布。小提琴较厚的区域意味着值的密度更高。小提琴图的中间部分通常比较厚，这意味着那里的值密度很高。我们比较了下一个口袋妖怪的攻击类型。为此，让我们使用相同的小提琴绘图方法。
plt.figure(figsize=(10,6))\sns.violinplot(x='Type 1', y='Attack', data=df)
plt.show()
这个图显示了每个口袋妖怪的主要类型的攻击分数分布。如你所见，“龙”型口袋妖怪的攻击得分最高，但它们也有较高的方差，这意味着它们的攻击分数也非常低。“Ghost”主类型的方差非常低，这意味着它们的大多数数据值都集中在中心。
热图
热图帮助你可视化矩阵类型的数据。例如，我们可以将口袋妖怪不同属性之间的所有关联可视化。
让我们通过调用“corr”函数来计算数据帧的相关性，并使用“heatmap”函数绘制热图。
corr = df_copy.corr()
sns.heatmap(corr)
上面的热图显示了我们数据帧的相关性。
长方体的颜色越浅，这两个属性之间的相关性就越高。例如，血量和口袋妖怪的整体速度之间的相关性非常低。因此，盒子的颜色是深色的。HP和防御速度之间的相关性非常高，因此我们可以在热图中看到一个红色方块。我们可以看到，当一个属性变高时，其他属性也会变高，比如防守速度。
直方图
直方图允许你绘制数值分布图。如果我们要使用matplotlib来创建柱状图，那么与使用seaborn创建柱状图相比，这将需要更多的工作。对于seaborn，只需要一行代码就可以创建。
例如，我们可以创建一个直方图来绘制带有攻击属性的分布。
sns.distplot(df.Attack, color=’blue’)
我们可以看到大多数口袋妖怪都在50-100之间。我们可以看到，攻击值大于100或小于50的口袋妖怪要少得多。
Calplots公司
与条形图类似，calplots允许你可视化每个类别变量的分布。我们可以使用calplot来查看每种主要类型中有多少口袋妖怪。
sns.countplot(x=’Type 1', data=df)
plt.xticks(rotation=-45)
我们可以看到，“水”类的口袋妖怪最多，而“仙女”和“冰”类的口袋妖怪最少。
密度图
密度图显示两个变量之间的分布。例如，我们可以使用密度图来比较口袋妖怪的两个属性：攻击值、防御值。我们将使用'jointplot'函数来完成此操作。
sns.jointplot(df.Attack, df.Defense, kind=’kde’, color=’lightblue’)
“kde”表示我们需要一个密度图。
如你所见，绘图区域在黑暗中的变化取决于区域中的值的数量。黑暗区域预示着一种非常牢固的关系。从这个图中我们可以看出，当攻击值在50到75之间时，防御值在50左右。
关于这篇文章。我希望你喜欢用seaborn可视化数据。
你可以在这里找到本文的代码和数据集：https://github.com/jendcruz22/Medium-articles/tree/master/Plotting%20charts%20with%20Seaborn
