原文：https://machinelearningmastery.com/seaborn-data-visualization-for-machine-learning/
最后更新于 2020 年 8 月 19 日
数据可视化提供了对数据集中变量之间的分布和关系的洞察。
这种洞察力有助于在建模之前选择要应用的数据准备技术，以及最适合数据的算法类型。
Seaborn 是一个 Python 的数据可视化库，它运行在流行的 Matplotlib 数据可视化库之上，尽管它提供了简单的界面和美学上更好看的图。
在本教程中，您将发现一个关于机器学习的 Seaborn 数据可视化的温和介绍。
完成本教程后，您将知道:
- 如何使用条形图、直方图、方框图和触须图总结变量的分布。
- 如何用线图和散点图总结关系？
- 如何比较同一图上不同类值的变量分布和关系？
用我的新书Python 机器学习精通启动你的项目，包括分步教程和所有示例的 Python 源代码文件。
我们开始吧。
如何使用 Seaborn 数据可视化进行机器学习 图片由马丁·佩蒂特提供，版权所有。
本教程分为六个部分；它们是:
- 海底数据可视化库
- 线形图
- 条形图
- 直方图
- 方框图和触须图
- 散点图
Python 的主要绘图库称为 Matplotlib 。
Seaborn 是一个绘图库，它提供了更简单的界面，为机器学习所需的绘图提供了合理的默认值，最重要的是，这些绘图在美学上比 Matplotlib 中的那些更好看。
Seaborn 要求先安装 Matplotlib。
可以直接使用 pip 安装 Matplotlib，如下所示:
sudo pip install matplotlib安装后，您可以通过打印版本号来确认库可以加载和使用，如下所示:
# matplotlib
import matplotlib
print('matplotlib: %s' % matplotlib.__version__)运行该示例将打印 Matplotlib 库的当前版本。
matplotlib: 3.1.2接下来，也可以使用 pip 安装 Seaborn 库:
sudo pip install seaborn安装后，我们还可以通过打印版本号来确认库是否可以加载和使用，如下所示:
# seaborn
import seaborn
print('seaborn: %s' % seaborn.__version__)运行该示例将打印当前版本的 Seaborn 库。
seaborn: 0.10.0要创建 Seaborn 地块，必须导入 Seaborn 库并调用函数来创建地块。
重要的是，Seaborn 绘图功能期望数据作为熊猫数据帧提供。这意味着，如果您从 CSV 文件加载数据，您必须使用熊猫函数，如 read_csv() 将数据加载为数据帧。绘图时，可以通过数据框名称或列索引指定列。
要显示剧情，可以调用 Matplotlib 库上的 show()函数。
...
# display the plot
pyplot.show()或者，可以将绘图保存到文件中，例如 PNG 格式的图像文件。 savefig() Matplotlib 功能可用于保存图像。
...
# save the plot
pyplot.savefig('my_image.png')现在我们已经安装了 Seaborn，让我们看看在处理机器学习数据时可能需要的一些常见图。
线图通常用于呈现定期收集的观测数据。
x 轴表示规则的时间间隔，如时间。y 轴显示观察值，按 x 轴排序，用一条线连接。
通过调用 lineplot()函数并传递规则间隔的 x 轴数据和观察的 y 轴数据，可以在 Seaborn 中创建线图。
我们可以使用月汽车销量的时间序列数据集来演示线图。
数据集有两列:“月”和“销售”月将用作 x 轴，销售额将绘制在 y 轴上。
...
# create line plot
lineplot(x='Month', y='Sales', data=dataset)将这些联系在一起，完整的示例如下所示。
# line plot of a time series dataset
from pandas import read_csv
from seaborn import lineplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/monthly-car-sales.csv'
dataset = read_csv(url, header=0)
# create line plot
lineplot(x='Month', y='Sales', data=dataset)
# show plot
pyplot.show()运行该示例首先加载时间序列数据集，并创建数据的折线图，清楚地显示销售数据的趋势和季节性。
时间序列数据集的线图
有关使用 Seaborn 绘制线图的更多优秀示例，请参见:可视化统计关系。
条形图通常用于表示多个类别的相对数量。
x 轴表示均匀分布的类别。y 轴表示每个类别的数量，并绘制为从基线到 y 轴上适当级别的条形图。
通过调用 countplot()函数并传递数据，可以在 Seaborn 中创建条形图。
我们将展示一个条形图，其中包含由分类输入变量组成的乳腺癌分类数据集中的一个变量。
我们将只绘制一个变量，在这种情况下，第一个变量是年龄段。
...
# create line plot
countplot(x=0, data=dataset)将这些联系在一起，完整的示例如下所示。
# bar chart plot of a categorical variable
from pandas import read_csv
from seaborn import countplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/breast-cancer.csv'
dataset = read_csv(url, header=None)
# create bar chart plot
countplot(x=0, data=dataset)
# show plot
pyplot.show()运行该示例首先加载乳腺癌数据集，并创建数据的条形图，显示每个年龄组和属于可及组的个体(样本)数量。
年龄范围类别变量的条形图
我们可能还想针对类标签绘制一个变量的每个类别的计数，例如第一个变量。
这可以通过使用 countplot() 函数并通过“色调参数指定类变量(列索引 9)来实现，如下所示:
...
# create bar chart plot
countplot(x=0, hue=9, data=dataset)将这些联系在一起，完整的示例如下所示。
# bar chart plot of a categorical variable against a class variable
from pandas import read_csv
from seaborn import countplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/breast-cancer.csv'
dataset = read_csv(url, header=None)
# create bar chart plot
countplot(x=0, hue=9, data=dataset)
# show plot
pyplot.show()运行该示例首先加载乳腺癌数据集，并创建数据的条形图，显示每个年龄组和每个组中由数据集的两个类别标签分隔的个人(样本)数量。
按类别标签划分的年龄范围类别变量的条形图
有关使用 Seaborn 绘制条形图的更多示例，请参见:使用分类数据绘制。
直方图通常用于总结数字数据样本的分布。
x 轴代表观察的离散面元或间隔。例如，值在 1 和 10 之间的观测值可以被分成五个仓，值[1，2]将被分配给第一个仓，[3，4]将被分配给第二个仓，以此类推。
y 轴表示数据集中属于每个面元的观测值的频率或数量。
本质上，数据样本被转换成条形图，其中 x 轴上的每个类别代表一个观察值区间。
通过调用 distplot()函数并传递变量，可以在 Seaborn 中创建直方图。
我们将展示一个带有来自糖尿病分类数据集的数字变量的箱线图。我们将只绘制一个变量，在这种情况下，第一个变量，即患者怀孕的次数。
...
# create histogram plot
distplot(dataset[[0]])将这些联系在一起，完整的示例如下所示。
# histogram plot of a numerical variable
from pandas import read_csv
from seaborn import distplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# create histogram plot
distplot(dataset[[0]])
# show plot
pyplot.show()运行该示例首先加载糖尿病数据集，并创建变量的直方图，显示值的分布，硬截止值为零。
该图显示了直方图(箱数)以及概率密度函数的平滑估计。
怀孕次数数值变量直方图
有关使用 Seaborn 绘制直方图的更多示例，请参见:可视化数据集的分布。
盒式和触须图，简称盒式图，通常用于总结数据样本的分布。
x 轴用于表示数据样本，如果需要，可以在 x 轴上并排绘制多个箱线图。
y 轴代表观察值。绘制一个方框来总结数据集的中间 50%，从第 25 个百分位数的观察值开始，到第 75 个百分位数结束。这被称为四分位数区间，或 IQR。中间值，或第 50 个百分点，用一条线画出来。
称为须的线从盒子的两端延伸出来，计算为(1.5 * IQR)，以展示分布中可感知值的预期范围。络腮胡子外的观察结果可能是异常值，用小圆圈表示。
通过调用 boxplot()函数并传递数据，可以在 Seaborn 中创建 boxplot。
我们将展示一个带有来自糖尿病分类数据集的数字变量的箱线图。我们将只绘制一个变量，在这种情况下，第一个变量，即患者怀孕的次数。
...
# create box and whisker plot
boxplot(x=0, data=dataset)将这些联系在一起，完整的示例如下所示。
# box and whisker plot of a numerical variable
from pandas import read_csv
from seaborn import boxplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# create box and whisker plot
boxplot(x=0, data=dataset)
# show plot
pyplot.show()运行该示例首先加载糖尿病数据集，并创建第一个输入变量的箱线图，显示患者怀孕次数的分布。
我们可以看到中位数刚刚超过 2.5 倍，一些异常值上升了 15 倍左右(哇！).
孕次数值变量的盒须图
我们可能还想对照类标签，为类别变量(如第一个变量)的每个值绘制数字变量的分布。
这可以通过调用 boxplot() 函数，将类变量作为 x 轴传递，将数值变量作为 y 轴传递来实现。
...
# create box and whisker plot
boxplot(x=8, y=0, data=dataset)将这些联系在一起，完整的示例如下所示。
# box and whisker plot of a numerical variable vs class label
from pandas import read_csv
from seaborn import boxplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# create box and whisker plot
boxplot(x=8, y=0, data=dataset)
# show plot
pyplot.show()运行该示例首先加载糖尿病数据集，并创建数据的箱线图，将怀孕次数的分布显示为两类标签的数字变量。
按类别标签列出的数值变量怀孕次数的方框图和触须图
散点图通常用于总结两个配对数据样本之间的关系。
成对的数据样本意味着对于给定的观察记录了两个测量值，例如一个人的体重和身高。
x 轴代表第一个样本的观察值，y 轴代表第二个样本的观察值。图上的每个点代表一个单独的观察。
通过调用散点图()函数并传递两个数值变量，可以在 Seaborn 中创建散点图。
我们将用来自糖尿病分类数据集的两个数值变量演示散点图。我们将绘制第一个变量与第二个变量的对比图，在本例中，第一个变量是患者怀孕的次数，第二个是两小时口服葡萄糖耐量试验后的血浆葡萄糖浓度(变量的更多细节在此)。
...
# create scatter plot
scatterplot(x=0, y=1, data=dataset)将这些联系在一起，完整的示例如下所示。
# scatter plot of two numerical variables
from pandas import read_csv
from seaborn import scatterplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# create scatter plot
scatterplot(x=0, y=1, data=dataset)
# show plot
pyplot.show()运行该示例首先加载糖尿病数据集，并创建前两个输入变量的散点图。
我们可以看到这两个变量之间有某种统一的关系。
怀孕次数与血糖数值变量的散点图
我们可能还想绘制一对数值变量与类标签之间的关系。
这可以通过使用散点图()函数并通过“色调”参数指定类变量(列索引 8)来实现，如下所示:
...
# create scatter plot
scatterplot(x=0, y=1, hue=8, data=dataset)将这些联系在一起，完整的示例如下所示。
# scatter plot of two numerical variables vs class label
from pandas import read_csv
from seaborn import scatterplot
from matplotlib import pyplot
# load the dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv'
dataset = read_csv(url, header=None)
# create scatter plot
scatterplot(x=0, y=1, hue=8, data=dataset)
# show plot
pyplot.show()运行该示例首先加载糖尿病数据集，并创建前两个变量与类别标签的散点图。
按类别标记的怀孕次数与血糖数值变量的散点图
如果您想更深入地了解这个主题，本节将提供更多资源。
在本教程中，您发现了针对机器学习的 Seaborn 数据可视化的温和介绍。
具体来说，您了解到:
- 如何使用条形图、直方图、方框图和触须图总结变量的分布。
- 如何用线图和散点图总结关系？
- 如何比较同一图上不同类值的变量分布和关系？
你有什么问题吗？ 在下面的评论中提问，我会尽力回答。