38、Seabor的联合图和成对图的绘制【用Python进行AI数据分析进阶教程】

用Python进行AI数据分析进阶教程38：

Seabor的联合图和成对图的绘制

---

关键词：Seaborn、联合图（Joint Plot）、成对图（Pair Plot）、数据类型、变量关系

摘要：本文介绍了Seaborn库中的联合图（Joint Plot）和成对图（Pair Plot）的绘制方法。联合图用于展示两个变量之间的关系及各自分布，支持散点图、直方图、核密度估计图等多种类型，适用于连续型变量分析，可自定义图形外观。成对图则用于展示数据集中多个变量之间的两两关系，通过不同子图展示变量对关系及单变量分布，适用于快速发现变量相关性和分布特征，可通过分类变量进行分组展示。使用时需注意数据量、异常值处理及图形复杂度，以确保分析结果准确性和可读性。联合图和成对图是数据分析中重要的可视化工具。

欢迎订阅
《用Python进行AI数据分析进阶教程》专栏
《AI大模型应用实践进阶教程》专栏
《Python编程知识集锦》专栏
《字节跳动旗下AI制作抖音视频》专栏
《智能辅助驾驶》专栏
《工具软件及IT技术集锦》专栏

---

一、Seabor的联合图

1、概述

联合图（Joint Plot）用于同时展示两个变量之间的关系以及每个变量自身的分布情况。它可以将散点图、直方图、核密度估计图等组合在一起，直观地呈现数据特征。

2、关键点

• 数据类型：通常适用于两个连续型变量，例如身高和体重、温度和湿度等。
• 绘图类型：
  • scatter：默认类型，绘制散点图展示两个变量的关系，同时在边缘绘制直方图展示各自的分布。
  • reg：在散点图基础上添加线性回归拟合线。
  • resid：绘制残差图。
  • kde：使用核密度估计图来展示变量的分布和关系。
  • hex：使用六边形分箱图展示变量关系。
• 自定义参数：可以通过设置参数来自定义图形的外观，如颜色、标签、标题等。

3、注意点

• 数据量：当数据量非常大时，散点图可能会变得拥挤，此时可以考虑使用hex或kde类型。
• 异常值：异常值可能会影响回归拟合线或核密度估计的结果，需要进行适当的处理。
• 相关性：联合图可以直观地展示两个变量之间的关系，但不能确定它们之间是否存在因果关系。

4、示例代码

Python脚本

import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
tips = sns.load_dataset("tips")

# 设置支持中文的字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

# 创建联合图，使用默认的散点图和直方图
joint = sns.jointplot(x="total_bill", y="tip", data=tips)
joint.set_axis_labels("总账单金额", "小费金额")
joint.fig.suptitle("总账单金额与小费金额的联合图")
# 创建使用核密度估计的联合图
kde_joint = sns.jointplot(x="total_bill", y="tip", data=tips, kind="kde")
kde_joint.set_axis_labels("总账单金额", "小费金额")
kde_joint.fig.suptitle("总账单金额与小费金额的核密度联合图")

plt.show()

 

二、Seaborn 成对图（Pair Plot）

1、概述

成对图（Pair Plot）用于展示数据集中多个变量之间的两两关系。它会为数据集中的每对数值变量创建一个子图，对角线上的子图展示每个变量的单变量分布，非对角线上的子图展示变量对之间的关系。

2、关键点

• 数据类型：适用于多个连续型变量的数据集，能够快速发现变量之间的相关性和分布特征。
• 分类变量：可以通过hue参数指定一个分类变量，将数据按照该分类进行分组，不同组使用不同颜色表示。
• 绘图类型：对角线上可以使用直方图或核密度估计图展示单变量分布，非对角线上可以使用散点图、线性回归图等展示变量对之间的关系。

3、注意点

• 变量数量：随着变量数量的增加，成对图的子图数量会呈平方增长，可能会导致图形过于复杂，难以解读。可以选择部分重要的变量进行绘制。
• 数据规模：对于大规模数据集，绘制成对图可能会消耗大量的计算资源和时间。可以考虑对数据进行采样后再绘制。
• 颜色区分：当使用hue参数进行分组时，要确保选择的颜色能够清晰地区分不同的类别。

4、示例代码

Python脚本

import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
iris = sns.load_dataset("iris")

# 设置支持中文的字体
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

# 创建成对图
pair = sns.pairplot(iris, hue="species")
pair.fig.suptitle("鸢尾花数据集的成对图", y=1.02)

plt.show()

三、总结

联合图主要用于深入分析两个变量之间的关系和各自的分布，而成对图则用于快速浏览多个变量之间的两两关系。在使用时，需要根据数据的特点和分析目的选择合适的图形类型，并注意数据量、异常值等因素对图形的影响。

——The END——

---

欢迎订阅专栏

序号	专栏名称	说明
1	用Python进行AI数据分析进阶教程	《用Python进行AI数据分析进阶教程》专栏
2	AI大模型应用实践进阶教程	《AI大模型应用实践进阶教程》专栏
3	Python编程知识集锦	《Python编程知识集锦》专栏
4	字节跳动旗下AI制作抖音视频	《字节跳动旗下AI制作抖音视频》专栏
5	智能辅助驾驶	《智能辅助驾驶》专栏
6	工具软件及IT技术集锦	《工具软件及IT技术集锦》专栏

关注我 @理工男大辉郎 获取实时更新

欢迎关注、收藏或转发。
敬请关注 我的
微信搜索公众号：cnFuJH
CSDN博客：理工男大辉郎
抖音号：31580422589