seaborn
在上一期中，我们详细介绍了matplotlib可视化工具包的使用，毫无疑问，matplotlib是一个用来做可视化非常棒的工具库。然而，大家可能也有所发现，虽然matplotlib画出来的图很精细，但是代码都很长，有些时候会降低我们做事的效率。今天，我们继续推出另外一个更加方便使用的可视化工具包seaborn,它是在matplotlib的基础上做了更高一层的封装，绘图更加简单，样式也更加丰富。
今天，我们仍旧以案例的形式来对seaborn的使用进行说明。
鸢尾花花型尺寸分析
首先在做任何工作之前，先导入相关的工具包。
import numpy as np
import pandas as pd
import seaborn as sns
#为了使图片在notebook中显示出来，添加下边一行
%matplotlib inline
导入鸢尾花数据集。
data = sns.load_dataset("iris")
data.head()
# 萼片长度，萼片宽度，花瓣长度，花瓣宽度，种类
问题一：鸢尾花萼片（sepal）和花瓣（petal）的大小关系
这个问题是分析两个变量之间的关系，用散点图来表示。首先还是要对原始数据做一下处理，分别得到sepal_size和petal_size。
# 首先添加两列表示sepal和petal的大小
data['sepal_size'] = data['sepal_length'] * data['sepal_width']
data['petal_size'] = data['petal_length'] * data['petal_width']
data.head()
#lmplot命令可以用来画散点图及其拟合回归直线
#x和y分别是data中的列名
#size为输出图片的尺寸
sns.lmplot(x = "sepal_size",y = "petal_size",data = data,size = 5)
其中的阴影部分为置信度为95%的置信区间。越往右置信区间越大是由于数据变少，方差变大。总体来看，萼片和花瓣大小呈正相关关系。
问题二：不同种类鸢尾花萼片的分布情况
这个问题是用来查看分类数据的分布情况，这种情况下用seaborn画直方图最为方便了。
sns.boxplot(x = "sepal_size",y = "petal_size",data = data)
可以明显的看出，用seaborn画分类直方图比matplotlib明显方便快捷了很多，只是图形的细节之处，比如箱子的颜色，线的颜色等不太方便调节，这种图比较适合在探索数据分布的过程中使用。
针对这个问题，还可以画小提琴图，这也是一种在探索数据分布过程中使用非常广泛的图形。
sns.violinplot(x = 'species',y = 'sepal_size',data = data)
在这里简单介绍一下小提琴图，小提琴图是箱式图和核密度图的结合。箱式图展示了分位数的位置，中间的白点即是中位数，黑色箱子的上下界是上四分位数和下四分位数。小提琴图外围的曲线是数据的密度分布图，小提琴图则展现了任意位置的密度，通过小提琴图可以知道哪些位置的密度较高。
问题三：鸢尾花萼片和花瓣大小的联合分布情况
在这个问题中，需要绘制联合密度分布图，或者说，我们想要在一个图形中展现出三种鸢尾花的萼片和大小的分布情况。
sns.joinplot(x = "sepal_size",
y = "petal_size",
data = data,
kind = 'kde',
color = 'pink'
)
从这个图中可以看出，图中有三个部分的颜色最深，从这个信息可以看出鸢尾花共有三类，颜色的深浅代表了数据的密集程度。另外，图片上方和右方的曲线分别是横轴和纵轴两个坐标的分布图。
泰坦尼克号海难数据分析
首先还是导入数据。
data = sns.load_dataset('titanic')
data.head()
# 幸存与否，仓位等级，性别，年龄，堂兄弟姐妹数，父母子女数，票价，上船港口缩写，仓位等级，人员分类，是否成年男性，所在甲板，上船港口，是否幸存，是否单独乘船
问题一：不同仓位等级中幸存和遇难乘客的分布
这明显又是一个分类问题，用箱式图或者小提琴图最合适不过了。
sns.violinplot(x = 'class', y = 'survived',data = data)
从这个图中，我们就可以明显的看出，三种仓位等级中幸存和遇难的大致情况（0表示遇难，1表示幸存），很明显，在一等仓中幸存人数多于遇难人数，二等仓中两者比例相当，三等仓中遇难人数最多。这说明幸存与否这个变量是和仓位等级有关的。
问题二：幸存和遇难乘客的票价分布
sns.boxplot(x = 'survive',y = 'fare',data = data)
从这个箱式图中可以发现，箱子已经压得很扁了，这时候可以对纵轴进行对数变换，使箱式图更加美观一些，上一期中介绍过箱式图，有需要的同学请查看上一期“matplotlib可视化案例分析”。
#新增加一列，对“fare”这一列做对数变换
data["lg_fare"] = data["fare"].apply(np.log)
#画箱式图
sns.boxplot(x = 'survive',y = 'lg_fare',data = data)
可以明显看出，经过对数变换后，箱式图美观度增加了很多。在这里做对数变换要舍弃”数据的原始真实值“，把重点放在对比上，因为对数使单调变换的，所以不影响中位数的对比。
对数变换能够使得图形变美观，我有一个比较直观的理解，写出来和大家交流，对数变换之后使得数值被压缩，较大的极端值被缩小，相当于数据的极值被缩小，这样在图上就能够”舒展”开，使得图形变美观。
问题三：幸存和遇难乘客的年龄分布
这同样是一个分类图。把年龄看成连续变量的话，我们同样用箱式图来表示。
sns.boxplot(x = 'survived',y = 'age',data = data)
从这个图中箱子的整体位置，可以粗略得出获救的人的年龄更小一些。
问题四：乘客性别和获救之间的关系
我们都知道在这次灾难中，当时是”妇女和孩子优先“，因此我们想从数据上来看一下性别对最终是否获救的影响。
sns.violinplot(x = 'sex',y = 'survived',data = data)
这个就很明显了，男性中大部分都遇难了，女性中大部分都幸存了。可敬的gentlemen!
问题五：乘客年龄和仓位等级之间的关系
因为之前分析得知一等仓中获救人数最多，三等仓中获救人数最少，我们想看一下是不是年龄越大，仓位等级就越高？于是我们画一下各个仓位中乘客的年龄分布。
#x_jitter是加一个抖动变量，使得点不堆在一起。
sns.lmplot(x = "pclass",y = "age",data = data,x_jitter = 0.1)
从这个图中可以大致看出，确实一等仓乘客的年龄较高一些。但是看起来比较凌乱，可以改用箱式图或者小提琴图来使可视化图形更加形象。
sns.boxplot(x = 'class',y = 'age',data = data)
sns.violinplot(x = 'class',y = 'age',data = data)
从箱式图或者小提琴图上可以明显看出，一等仓乘客的平均年龄最高，二等仓次之，三等仓乘客平均年龄最低。
从上边几个问题的分析中，可以明显的感觉到利用seaborn来画分类关系图是非常方便的，而这也是数据探索过程中非常重要的一个方面，类似的问题还可以提出很多，比如单独乘船与否和幸存的关系， 不同上船港口和乘客幸存与否的关系。 读者可以自行分析。
读者也可以扫码关注我的微信公众号，博客内容会同步进行更新，在微信上交流讨论会更加方便一些。
