Seaborn 是 Python 的数据可视化工具之一，它其实是在 Matplotlib 的基础上进行了更高级的 API 封装。Seaborn 可视为 Matplotlib 的补充，而不是替代，使用 Seaborn 可以更轻松地画出更漂亮的图形。

Seaborn 的特点如下：

内置数个经过优化的样式效果；

增加调色板工具，可以很方便地为数据搭配颜色；

单变量和双变量分布绘图更为简单，可用于对数据子集相互比较；

对独立变量和相关变量进行回归拟合和可视化更加便捷；

对数据矩阵进行可视化，并使用聚类算法进行分析；

基于时间序列的绘制和统计功能，具有更加灵活的不确定度估计。

基于网格绘制出更加复杂的图像集合。

除此之外，Seaborn 对 Matplotlib 和 pandas 的数据结构高度兼容，非常适合作为数据挖掘过程中的可视化工具。

Seaborn 安装

Seaborn 依赖于 Matplotlib、NumPy、SciPy 和 pandas，与这些库一样是需要单独安装的。下面介绍用 pip 安装 Seaborn 的方法。

1) 按【Windows】+【R】键，进入 cmd 命令窗口。

2) 在 cmd 命令窗口中输入“pip install seaborn”命令，按【Enter】键，进入 Seaborn 模块安装界面，如图 1 所示。

图 1：安装 seaborn 软件包

3) 安装成功就会提示“Successfully installed seaborn-0.9.0”。

Seaborn 绘图函数

Seaborn 共有 50 多个 API 类，相比于 Matplotlib 数千个的规模，可谓极为精简。下面介绍 Seaborn 常用的绘图函数。

1) set() 函数

set() 是样式设置语句，它可对原图样式进行快速优化，如使用 set() 可以设置默认样式。其语法格式如下：

seaborn.set(context='notebook', style='darkgrid', palette='deep',

font='sans-serif', font_scale=1, color_codes=False, rc=None)

参数说明如下。

context：该参数控制着默认的画幅大小，取值范围为 {paper, notebook, talk, poster}。其中，poster>talk>notebook>paper。

style：该参数控制默认样式，取值范围为 {darkgrid, whitegrid, dark, white, ticks}。

palette：该参数为预设的调色板。取值范围为 {deep, muted, bright, pastel, dark, colorblind}。

font：用于设置字体。

font_scale：用于设置字体大小。

color_codes：表示不使用调色板而采用先前的 'r' 等色彩缩写。

注意：set() 样式设置语句需要放置在 Matplotlib 原本的绘图语句前面。

2) displot() 函数

displot() 集合了 hist() 直方图与核函数估计 kdeplot 的功能，其语法格式如下：

seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,

hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None,

vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)

参数说明如下：

a：表示数据来源，接收Series、一维数组、list；

bins：表示矩形图数量；

hist：表示是否显示直方图；

kde：表示是否显示核函数估计图；

rug：用于控制是否显示观察的小细毛(边际毛毯)；

fit：用于控制拟合的参数分布图形；

vertical：表示显示正交控制。

示例代码 example1.py 如下。

# -*- coding: utf-8 -*-

import seaborn as sns

import matplotlib.pyplot as plt

import numpy as np

x = np.random.normal(size=200)

sns.distplot(x)

plt.show()

3) barplot() 函数

barplot() 用于描述某种变量分布的平均值，其语法格式如下：

seaborn.barplot(x=None,y=None,hue=None,data=None,order=None,hue_order=None,

ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None,

saturation=0.75, errcolor='.26', errwidth=None, capsize=None, ax=None,

estimator=，**kwargs)

参数说明如下：

x、y、hue：设置 x、y 以及颜色控制的变量；

data：表示输入的数据集；

order、hue_order：表示控制变量绘图的顺序；

estimator：设置每类变量的计算函数，默认为平均值，可以修改为 max、median、min 等；

ax：用于设置子图位置；

orient：用于控制绘图的方向，取值 {v,h},分别表示绘图为水平或者竖直方向；

capsize：表示设置误差棒帽条的宽度。

示例代码 example2.py 如下。

# -*- coding: utf-8 -*-

import seaborn as sns

import matplotlib.pyplot as plt

sns.set(style='whitegrid')

tips = sns.load_dataset("tips") #载入自带数据集

ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips)

plt.show()

4) countplot() 函数

countplot() 函数用来计数，其语法格式如下：

seaborn.countplot(x=None, y=None, hue=None, data=None, order=None,

hue_order=None, orient=None, color=None, palette=None, saturation=0.75,

ax=None, **kwargs)

参数说明如下：

x、y、hue：设置 x、y 以及颜色控制的变量；

data：表示输入的数据集；

order、hue_order：用于控制变量绘图的顺序；

orient：用于控制绘图的方向，取值 {v,h},分别表示绘图为水平或者竖直方向；

color：表示颜色；

palette：表示调色板颜色；

ax：用于设置子图位置。

示例代码 example3.py 如下。

# -*- coding: utf-8 -*-

import seaborn as sns

import matplotlib.pyplot as plt

sns.set(style='whitegrid')

titanic = sns.load_dataset("titanic") #载入自带数据集

print(titanic)

sns.countplot(x="alone", hue="who", data=titanic)

plt.show()

5) boxplot() 函数

boxplot() 函数可以表示数据的位置和分散情况，还能区分异常点。用该函数可绘制箱式图，其语法格式如下：

seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order

=None, orient=None, color=None, palette=None, saturation=0.75, width=0.

fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)

函数中大部分参数与 countplot() 函数参数相同，少数不同参数采用默认值。

示例代码 example4.py 如下。

# -*- coding: utf-8 -*-

import seaborn as sns

import matplotlib.pyplot as plt

sns.set(style='whitegrid')

tips = sns.load_dataset("tips") #载入自带数据集

sns.boxplot(x="day", y="total_bill", hue="smoker",data=tips)

plt.show()

6) lmplot() 函数

lmplot() 函数是一种集合基础绘图与基于数据建立回归模型的绘图方法。旨在创建一个方便拟合数据集回归模型的绘图方法，利用 'hue'、'col'、'row' 参数来控制绘图变量。其语法格式如下：

seaborn.lmplot(x,y,data,hue=None,col=None,row=None,palette=None,col_wrap

=None,size=5,aspect=1,markers='o',sharex=True,sharey=True,hue_order=None,

col_order=None,row_order=None,legend=True,legend_out=True,x_estimator

=None,x_bins=None,x_ci='ci',scatter=True,fit_reg=True,ci=95,n_boot=1000,

units=None,order=1,logistic=False,lowess=False,robust=False,logx=False,

x_partial=None,y_partial=None,truncate=False,x_jitter=None,y_jitter=None,

scatter_kws=None,line_kws=None)

参数说明如下：

x,y：接收 string，表示横纵坐标的列名；

data：表示输入的数据集；

hue,col,row：接收 string，定义数据子集的变量，并在不同的图像子集中绘制；

palette：表示调色板颜色；

size：接收 scalar(标量)，定义子图的高度，为可选项；

markers：可选项，定义散点的图标；

col_wrap：接收 int，可选项，设置每行子图数量；

order：接收 int，可选项，表示多项式回归，设定为指数；

logistic：接收 bool，可选项，表示逻辑回归；

logx：接收 bool，可选项，转化为 log(x)；

以Seaborn内置的tips小费数据集为例，该数据集的部分数据如下。

total_bill tip sex smoker day time size

0 16.99 1.01 Female No Sun Dinner 2

1 10.34 1.66 Male No Sun Dinner 3

2 21.01 3.50 Male No Sun Dinner 3

运用 lmplot() 方法研究小费 tips 与总消费金额 total_bill 在吸烟与不吸烟人之间的关系。其示例代码 example5.py 如下。

# -*- coding: utf-8 -*-

import seaborn as sns

import matplotlib.pyplot as plt

sns.set(style='whitegrid')

tips = sns.load_dataset("tips") #载入自带数据集

print(tips)

#研究小费tips与总消费金额total_bill在吸烟与不吸烟人之间的关系

g = sns.lmplot(x="total_bill", y="tip", row="smoker",data=tips)

plt.show()

运行输出结果如图 2 所示。

图 2：example5.py 运行输出结果

7) pairplot() 函数

pairplot() 函数可绘制多变量图，使用 pairplot() 函数可以绘制 x 的每一维度与对应 y 的散点图。通过设置 size 和 aspect 参数可调节显示的大小和比例，其语法格式如下：

seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None,

x_vars=None, y_vars=None, kind=’scatter’, diag_kind=’hist’,markers=None,

size=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None)

基本参数说明如下：

data：表示输入的数据集；

hue：接收 string，使用指定变量为分类变量画图；

hue_order：用字符串列表，调整调色板中 hue 变量的级别；

palette：表示调色板颜色；

size：接收 numeric，表示图的尺度大小(正方形)，默认为 6；

markers：可选项，使用不同的形状表示散点的图标。

示例代码 example6.py 如下。

# -*- coding: utf-8 -*-

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn import datasets

#绘制多变量图

iris = sns.load_dataset("iris")

sns.pairplot(iris)

plt.show()