[Python教學] Seaborn：高階資料視覺化工具-課後練習詳解

以下是針對上一篇文章中的課後練習中每個問題的詳細解答，包括程式碼和結果解釋。

練習 1：繪製每天平均小費的柱狀圖

題目

使用內建資料集 tips，繪製每天平均小費的柱狀圖。

解答

1. 使用 Seaborn 的 barplot 繪製圖表。
2. 設置 x 為天數 (day)，y 為小費 (tip)。
3. 設置標題和坐標軸標籤以增加可讀性。

import seaborn as sns
import matplotlib.pyplot as plt

# 載入內建資料集
tips = sns.load_dataset("tips")

# 繪製柱狀圖
sns.barplot(x="day", y="tip", hue="day", data=tips, errorbar="sd", palette="Blues", legend=False)
plt.title("Average Tip by Day")
plt.xlabel("Day of the Week")
plt.ylabel("Average Tip ($)")
plt.show()

結果解釋

• 每根柱子代表某一天的平均小費。
• 將 hue="day" 加入 sns.barplot 呼叫，將每個“day”值對應到不同的顏色。
• 如果不需要圖例，可以透過設定 legend=False 來避免顯示圖例。
• 調色板使用 Blues，讓圖表更加美觀。

練習 2：生成相關係數的熱力圖

題目

使用自己的數據，生成一個相關係數的熱力圖，視覺化數據的相關性。

解答

1. 建立一個 Pandas DataFrame，模擬自己的數據。
2. 計算數據的相關係數矩陣。
3. 使用 Seaborn 的 heatmap 繪製熱力圖。

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

# 建立自定義數據
data = {
    "Math_Score": [80, 85, 88, 92, 70, 75, 78],
    "Science_Score": [85, 88, 84, 91, 68, 77, 80],
    "English_Score": [78, 82, 85, 89, 73, 76, 77]
}

df = pd.DataFrame(data)

# 計算相關係數矩陣
corr = df.corr()

# 繪製熱力圖
plt.figure(figsize=(8, 6))
sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f", linewidths=0.5)
plt.title("Correlation Heatmap")
plt.show()

結果解釋

• 熱力圖中的每個格子代表兩組變數之間的相關係數。
• annot=True 在每個格子中顯示具體的相關係數值。
• cmap="coolwarm" 使用藍-紅色調，讓相關性強弱更易辨識。

練習 3：結合 Matplotlib 與 Seaborn 製作報表

題目

將 Seaborn 的繪圖與 Matplotlib 的自訂功能結合，製作更複雜的報表，例如增加多個圖表。

解答

1. 使用 Matplotlib 的 plt.subplot 方法，構建多個子圖。
2. 在每個子圖中使用 Seaborn 繪製不同的圖表。
3. 添加全局標題和註解。

import seaborn as sns
import matplotlib.pyplot as plt

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

# 設置畫布大小
plt.figure(figsize=(14, 8))

# 子圖 1：散點圖
plt.subplot(2, 2, 1)
sns.scatterplot(x="total_bill", y="tip", hue="sex", data=tips)
plt.title("Scatter Plot: Total Bill vs Tip")
plt.xlabel("Total Bill ($)")
plt.ylabel("Tip ($)")

# 子圖 2：直方圖
plt.subplot(2, 2, 2)
sns.histplot(tips["total_bill"], bins=20, kde=True, color="orange")
plt.title("Distribution of Total Bill")
plt.xlabel("Total Bill ($)")
plt.ylabel("Frequency")

# 子圖 3：箱型圖
plt.subplot(2, 2, 3)
sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="Set2")
plt.title("Box Plot: Total Bill by Day and Sex")
plt.xlabel("Day of the Week")
plt.ylabel("Total Bill ($)")

# 子圖 4：條形圖
plt.subplot(2, 2, 4)
sns.barplot(x="day", y="tip", data=tips, errorbar="sd", palette="coolwarm")
plt.title("Average Tip by Day")
plt.xlabel("Day of the Week")
plt.ylabel("Average Tip ($)")

# 添加全局標題
plt.suptitle("Comprehensive Data Visualization with Seaborn", fontsize=16)
plt.tight_layout(rect=[0, 0, 1, 0.95])  # 調整佈局避免重疊
plt.show()

結果解釋

• 報表展示了同一數據的多角度視覺化，便於進行數據分析。
• plt.subplot 分別繪製 4 個子圖。
• 使用 Matplotlib 的 suptitle 添加全局標題。
• tight_layout 自動調整子圖間距，避免圖表重疊。

總結

通過這些練習，你可以：

1. 熟悉 Seaborn 的基礎功能和不同圖表的繪製。
2. 掌握如何結合 Matplotlib 添加額外的自訂功能。
3. 為數據分析過程提供更專業和清晰的視覺化工具。

建議讀者將這些範例應用於自己的數據，進一步理解 Seaborn 和資料視覺化的強大之處！