當使用Seaborn進行視覺化分析時，你可以透過以下多個例子來展示Seaborn的各種內容和功能。我將為你提供一些簡單到復雜的範例，並附上詳細的註釋和說明。
1. 簡單的散點圖
首先，讓我們建立一個簡單的散點圖，用Seaborn視覺化數據集中的兩個變量。我們將使用Seaborn的
scatterplot
函式。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內建的數據集
tips = sns.load_dataset('tips')
# 建立散點圖
sns.scatterplot(x='total_bill', y='tip', data=tips)
# 添加標題和標簽
plt.title('Total Bill vs Tip')
plt.xlabel('Total Bill ($)')
plt.ylabel('Tip ($)')
# 顯示圖形
plt.show()
這個例子展示了如何使用Seaborn的
scatterplot
函式建立一個簡單的散點圖，並自訂標題和標簽。
2. 柱狀圖與分組
接下來，讓我們建立一個柱狀圖，展示不同性別的顧客在餐廳中的平均付款金額。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內建的數據集
tips = sns.load_dataset('tips')
# 建立柱狀圖
sns.barplot(x='sex', y='total_bill', data=tips, ci=None)
# 添加標題和標簽
plt.title('Average Total Bill by Gender')
plt.xlabel('Gender')
plt.ylabel('Average Total Bill ($)')
# 顯示圖形
plt.show()
在這個範例中，我們使用了
barplot
函式建立柱狀圖，並透過
ci=None
參數禁用了置信區間的顯示。
3. 箱線圖與分布
現在，讓我們建立一個箱線圖，同時顯示不同用餐時間的顧客總賬單分布。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內建的數據集
tips = sns.load_dataset('tips')
# 建立箱線圖
sns.boxplot(x='time', y='total_bill', data=tips)
# 添加標題和標簽
plt.title('Total Bill Distribution by Dining Time')
plt.xlabel('Dining Time')
plt.ylabel('Total Bill ($)')
# 顯示圖形
plt.show()
這個範例中，我們使用了
boxplot
函式建立箱線圖，展示了不同用餐時間下的總賬單分布情況。
4. 分類散點圖與回歸線
接下來，讓我們建立一個分類散點圖，同時添加回歸線，以顯示顧客總賬單和小費之間的關系。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內建的數據集
tips = sns.load_dataset('tips')
# 建立分類散點圖和回歸線
sns.lmplot(x='total_bill', y='tip', data=tips, hue='sex')
# 添加標題和標簽
plt.title('Total Bill vs Tip with Regression Line (Separated by Gender)')
plt.xlabel('Total Bill ($)')
plt.ylabel('Tip ($)')
# 顯示圖形
plt.show()
在這個範例中，我們使用
lmplot
函式建立了分類散點圖，並使用
hue
參數將數據按性別分組，並添加了回歸線。
5. 熱力圖
最後，讓我們建立一個熱力圖，展示不同變量之間的相關性。
import seaborn as sns
import matplotlib.pyplot as plt
# 使用Seaborn內建的數據集
tips = sns.load_dataset('tips')
# 計算變量之間的相關性矩陣
correlation_matrix = tips.corr()
# 建立熱力圖
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
# 添加標題
plt.title('Correlation Heatmap')
# 顯示圖形
plt.show()
這個範例中，我們使用
heatmap
函式建立了一個熱力圖，用不同顏色表示不同變量之間的相關性，並使用
annot=True
在圖中顯示相關性值。
這些範例展示了Seaborn的不同內容和功能，從簡單的散點圖到復雜的熱力圖，你可以根據你的數據和需求選擇合適的Seaborn函式來建立視覺化圖表。Seaborn提供了豐富的功能和美觀的預設樣式，使數據視覺化變得更加容易和具有吸重力。
今 日 分享 就 到這裏了，覺得寫的不錯的小夥伴辛苦點亮【贊】【在看】【分享】哦~~~
PS ： Python都知道技術交流群（技術交流、摸魚、白嫖課程為主）又不定時開放了，感興趣的朋友，可以在下方公號內回復： 666 ，即可進入。
老規矩 ，道友們還記得麽， 右下角的 「在看」 點一下 ， 如果感覺文章內容不錯的話，記得分享朋友圈讓更多的人知道！
