当使用Seaborn进行可视化分析时，你可以通过以下多个例子来展示Seaborn的各种属性和功能。我将为你提供一些简单到复杂的示例，并附上详细的注释和说明。
1. 简单的散点图
首先，让我们创建一个简单的散点图，用Seaborn可视化数据集中的两个变量。我们将使用Seaborn的
scatterplot
函数。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn内置的数据集
tips = sns.load_dataset('tips')
# 创建散点图
sns.scatterplot(x='total_bill', y='tip', data=tips)
# 添加标题和标签
plt.title('Total Bill vs Tip')
plt.xlabel('Total Bill ($)')
plt.ylabel('Tip ($)')
# 显示图形
plt.show()
这个例子展示了如何使用Seaborn的
scatterplot
函数创建一个简单的散点图，并自定义标题和标签。
2. 柱状图与分组
接下来，让我们创建一个柱状图，展示不同性别的顾客在餐厅中的平均付款金额。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn内置的数据集
tips = sns.load_dataset('tips')
# 创建柱状图
sns.barplot(x='sex', y='total_bill', data=tips, ci=None)
# 添加标题和标签
plt.title('Average Total Bill by Gender')
plt.xlabel('Gender')
plt.ylabel('Average Total Bill ($)')
# 显示图形
plt.show()
在这个示例中，我们使用了
barplot
函数创建柱状图，并通过
ci=None
参数禁用了置信区间的显示。
3. 箱线图与分布
现在，让我们创建一个箱线图，同时显示不同用餐时间的顾客总账单分布。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn内置的数据集
tips = sns.load_dataset('tips')
# 创建箱线图
sns.boxplot(x='time', y='total_bill', data=tips)
# 添加标题和标签
plt.title('Total Bill Distribution by Dining Time')
plt.xlabel('Dining Time')
plt.ylabel('Total Bill ($)')
# 显示图形
plt.show()
这个示例中，我们使用了
boxplot
函数创建箱线图，展示了不同用餐时间下的总账单分布情况。
4. 分类散点图与回归线
接下来，让我们创建一个分类散点图，同时添加回归线，以显示顾客总账单和小费之间的关系。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn内置的数据集
tips = sns.load_dataset('tips')
# 创建分类散点图和回归线
sns.lmplot(x='total_bill', y='tip', data=tips, hue='sex')
# 添加标题和标签
plt.title('Total Bill vs Tip with Regression Line (Separated by Gender)')
plt.xlabel('Total Bill ($)')
plt.ylabel('Tip ($)')
# 显示图形
plt.show()
在这个示例中，我们使用
lmplot
函数创建了分类散点图，并使用
hue
参数将数据按性别分组，并添加了回归线。
5. 热力图
最后，让我们创建一个热力图，展示不同变量之间的相关性。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn内置的数据集
tips = sns.load_dataset('tips')
# 计算变量之间的相关性矩阵
correlation_matrix = tips.corr()
# 创建热力图
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
# 添加标题
plt.title('Correlation Heatmap')
# 显示图形
plt.show()
这个示例中，我们使用
heatmap
函数创建了一个热力图，用不同颜色表示不同变量之间的相关性，并使用
annot=True
在图中显示相关性值。
这些示例展示了Seaborn的不同属性和功能，从简单的散点图到复杂的热力图，你可以根据你的数据和需求选择合适的Seaborn函数来创建可视化图表。Seaborn提供了丰富的功能和美观的默认样式，使数据可视化变得更加容易和具有吸引力。
今 日 分享 就 到这里了，觉得写的不错的小伙伴辛苦点亮【赞】【在看】【分享】哦~~~
PS ： Python都知道技术交流群（技术交流、摸鱼、白嫖课程为主）又不定时开放了，感兴趣的朋友，可以在下方公号内回复： 666 ，即可进入。
老规矩 ，道友们还记得么， 右下角的 「在看」 点一下 ， 如果感觉文章内容不错的话，记得分享朋友圈让更多的人知道！
