本文来自读者投稿，作者：黄同学
学习Python中用seaborn绘图的技巧

1、seaborn的优点

• 它简化了复杂数据集的表示；

• 可以轻松构建复杂的可视化，简洁的控制matplotlib图形样式与几个内置主题；

• seaborn不可以替代matplotlib，而是matplotlib的很好补充；

2、seaborn的官网

学习某个知识点，最好的东西就是照着官网的提示学习，因为官网里面的知识点，够完整、够全面。seaborn的官网链接：http://seaborn.pydata.org

3、seaborn的作者介绍

4、seaborn的缩写为什么是sns，而不是sbn？

sns的使用来自于一个内部笑话，与美剧The West Wing有关。这部剧里有一个人物，名叫Samual Norman Seaborn，首字母简写为sns，因此最终简写为sns。

5、seaborn与matplotlib的关系？

seaborn是matplotlib的更高级的封装。因此学习seaborn之前，首先要知道matplotlib的绘图原理。

我们知道，使用matplotlib绘图，需要调节大量的绘图参数，需要记忆的东西很多。而seaborn基于matplotlib做了更高级的封装，使得绘图更加容易，它不需要了解大量的底层参数，就可以绘制出很多比较精致的图形。不仅如此，seaborn还兼容numpy、pandas数据结构，在组织数据上起了很大作用，从而更大程度上的帮助我们完成数据可视化。

最关键：seaborn是matplotlib的更高级的封装。也就是说，对于matplotlib的那些调优参数设置，也都可以在使用seaborn绘制图形之后使用。
  

6、使用seaborn绘图的3种方式

• plt.style.use(“seaborn”)：只是说调用了seaborn的绘图样式，并不能真正体现seaborn绘图的好处。

• sns.set()：使用了这个方法后，所有之前写过的matplotlib中的参数都还原了。因此，像设置中文字体显示、设置负号的正常显示，都必须放在sns.set()这句代码之后。

• 直接调用seaborn函数绘图：这种方式能真正体现seaborn绘图的优势，也是我们经常使用的绘图方式。（最常用）

1）plt.style.use(“seaborn”)

df = pd.read_excel("data.xlsx",sheet_name="数据源")
df1 = df.groupby("品牌").agg({"销售数量":np.sum})# 使用matplotlib风格绘图
plt.bar(x=df1.index,height=df1["销售数量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python绘图\seaborn\picture\seaborn绘图方式_1",dpi=300)# 使用seaborn风格绘图
plt.style.use("seaborn")
plt.bar(x=df1.index,height=df1["销售数量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python绘图\seaborn\picture\seaborn绘图方式_2",dpi=300)

结果如下：

2）sns.set()

这个方法里面有几个参数，但是在实际中，我们都使用默认值即可，因为默认参数绘图就已经很好看啦，并不需要我们特意去设置。

① 常用参数：sns.set(style=, context=, font_scale=)
style设置绘图的样式。
context一般使用默认样式即可，不需要我们自己设置。默认是context=“notebook”。
font_scale控制坐标轴的刻度，一般设置为font_scale=1.2即可。
② 演示如下

df = pd.read_excel("data.xlsx",sheet_name="数据源")
df1 = df.groupby("品牌").agg({"销售数量":np.sum})# 使用matplotlib风格绘图
plt.bar(x=df1.index,height=df1["销售数量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python绘图\seaborn\picture\seaborn绘图方式_3",dpi=300)# 使用seaborn风格绘图
sns.set()
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = Falseplt.bar(x=df1.index,height=df1["销售数量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python绘图\seaborn\picture\seaborn绘图方式_4",dpi=300)

结果如下：

3）直接调用seaborn函数绘图（最常用）：seaborn绘图的优势体现

df = pd.read_excel("data.xlsx",sheet_name="数据源")sns.set_style("dark")
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 注意：estimator表示对分组后的销售数量求和。默认是求均值。
sns.barplot(x="品牌",y="销售数量",data=df,color="steelblue",orient="v",estimator=sum)
plt.savefig(r"G:\6Tipdm\2 python绘图\seaborn\picture\seaborn绘图方式_5",dpi=300)

结果如下：

注意：直接调用seaborn函数绘图的好处在这个代码中有很好的体现。可以看出，如果直接使用matplotlib中的代码绘图，需要先对数据集进行分组聚合，然后才能绘制最后的图形。【优势】：直接使用sns.barplot()函数绘图，barplot可以直接将 groupby 分组后的结果按照指定的汇总方式进行可视化展示，并不需要我们实现对数据进行处理。

欢迎扫码关注作者的CSDN：

PS：灰常感谢黄同学的投稿，同时也欢迎关注了【可乐的数据分析之路】公众号的小伙伴们踊跃投稿哦~本文的赞赏及第二天的流量主都会给到原作者。

猜你喜欢：

Python数据结构：神奇的序列

你真的了解参数估计和假设检验吗？

高手都是怎样用图表的：用图表说话

@ 号主：可乐
@ 公众号/知乎专栏/头条/简书：可乐的数据分析之路
@ 加微信（data_cola）备注：进群，拉你进可乐的数据分析交流群，数据分析知识总结，不定期行业经验分享