[Python教學] Seaborn：高階資料視覺化工具

Seaborn 是一個基於 Matplotlib 的高階資料視覺化庫，專為統計圖表設計。與 Matplotlib 相比，Seaborn 提供了更簡潔的語法、更美觀的預設樣式，以及與 Pandas 的緊密整合，非常適合用於數據分析和探索性資料分析 (EDA)。

在本教學中，我們將詳細介紹 Seaborn 的核心功能，並使用範例來展示如何繪製基本與進階圖表。

1. 安裝與載入 Seaborn

確保安裝了 Seaborn 和 Pandas。如果尚未安裝，可以使用以下指令：

pip install seaborn
pip install pandas
pip install matplotlib

在程式中引入必要的模組：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

2. Seaborn 的主要特點

1. 內建樣式： Seaborn 提供預設的美觀主題，讓圖表看起來更專業。
2. 與 Pandas 的整合： Seaborn 可以直接接受 Pandas 的 DataFrame 作為資料來源。
3. 簡化的語法： 繪製統計圖表更加簡潔，且支援高階功能如分組、調色板等。
4. 內建資料集： 提供多個內建資料集，方便用於學習和測試。

3. 使用 Seaborn 的樣式設定

Seaborn 提供了多種樣式來改變圖表的外觀：

sns.set_theme(style="darkgrid")  # 設定樣式為深色網格

其他可用樣式：

• white
• dark
• whitegrid
• ticks

可以直接設定調色板：

sns.set_palette("pastel")  # 設定調色板為柔和色系

4. Seaborn 的基礎圖表

4.1 散點圖 (Scatter Plot)

# 加載內建資料集
tips = sns.load_dataset("tips")

# 繪製散點圖
sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.title("Total Bill vs Tip")
plt.show()

進階：按類別上色

sns.scatterplot(x="total_bill", y="tip", hue="sex", style="time", data=tips)
plt.title("Scatterplot with Categories")
plt.show()

• hue: 用於按類別改變顏色。
• style: 用於改變標記的形狀。

4.2 直方圖 (Histogram)

sns.histplot(tips["total_bill"], bins=20, kde=True)
plt.title("Distribution of Total Bill")
plt.show()

• bins: 設置直方圖的區間數。
• kde: 是否繪製核密度估計曲線。

4.3 箱型圖 (Box Plot)

sns.boxplot(x="day", y="total_bill", data=tips)
plt.title("Box Plot of Total Bill by Day")
plt.show()

進階：增加分組顏色

sns.boxplot(x="day", y="total_bill", hue="sex", data=tips)
plt.title("Box Plot by Day and Sex")
plt.show()

4.4 長條圖 (Bar Plot)

sns.barplot(x="day", y="total_bill", data=tips, errorbar="sd")
plt.title("Average Total Bill by Day")
plt.show()

• x="day"：指定X軸為「day」列，表示星期幾（如週一、週二等）。
• y="total_bill"：指定Y軸為「total_bill」列，表示每位顧客在餐廳的消費總額。
• data=tips：指定資料來源為已載入的 tips 資料集。
• errorbar="sd"：表示誤差棒使用標準差來表示資料的變異性。每個柱子的頂部會顯示該類別的消費總額的標準差。

4.5 熱力圖 (Heatmap)

熱力圖適合用於顯示矩陣資料，例如相關係數：

# 只選擇數值型列計算相關係數矩陣
numeric_cols = tips.select_dtypes(include=['float64', 'int64'])  # 選擇數值型列
corr = numeric_cols.corr()  # 計算相關係數矩陣

# 繪製熱力圖
sns.heatmap(corr, annot=True, cmap="coolwarm")
plt.title("Correlation Heatmap")
plt.show()

5. 進階功能

5.1 配對圖 (Pair Plot)

配對圖可以一次性展示數據集中多列之間的散點圖和分布：

sns.pairplot(tips, hue="sex", diag_kind="kde")
plt.show()

• hue: 按類別上色。
• diag_kind: 設定對角線上的圖形類型，如直方圖或 KDE。

5.2 分面圖 (FacetGrid)

分面圖可以按類別分組繪製多個子圖：

g = sns.FacetGrid(tips, col="sex", row="time", margin_titles=True)
g.map(sns.scatterplot, "total_bill", "tip")
plt.show()

5.3 折線圖 (Line Plot)

fmri = sns.load_dataset("fmri")
sns.lineplot(x="timepoint", y="signal", hue="event", style="region", data=fmri)
plt.title("Line Plot Example")
plt.show()

6. 與 Pandas 的整合

Seaborn 可以直接處理 Pandas 的 DataFrame，並按列名指定數據來源：

sns.histplot(data=tips, x="total_bill", hue="sex", kde=True)
plt.title("Histogram with Pandas Integration")
plt.show()

7. 調整 Seaborn 圖表的外觀

7.1 圖表大小

可以使用 Matplotlib 的 plt.figure() 方法調整圖表大小：

plt.figure(figsize=(10, 6))
sns.boxplot(x="day", y="total_bill", data=tips)
plt.title("Custom Figure Size")
plt.show()

7.2 自訂調色板

Seaborn 支援多種內建調色板：

sns.set_palette("muted")  # 使用內建 muted 調色板

8. 小結與實踐

1. 簡單易用： Seaborn 通過簡潔的語法生成美觀的圖表。
2. 強大功能： 支援分組繪圖、分面圖及內建樣式。
3. 與 Pandas 整合： 輕鬆處理 DataFrame 資料。

9. 課後練習

1. 使用內建資料集 tips，繪製「每天平均小費」的柱狀圖。
2. 使用自己的數據，生成一個相關係數的熱力圖。
3. 將 Seaborn 的繪圖與 Matplotlib 的自訂功能結合，製作報表。

通過不斷練習和實際應用，你將能夠熟練使用 Seaborn 為資料分析提供清晰且專業的視覺化圖表！