8.17 使用 Seaborn 的可視化
原文：Visualization with Seaborn
譯者：飛龍
協定：CC BY-NC-SA 4.0
本節是《Python 資料科學手冊》（Python Data Science Handbook）的摘錄。
Matplotlib 據證明是一種非常有用和流行的可視化工具，但即使狂熱的使用者也會承認它經常會有很多不足之處。有幾個對 Matplotlib 的有效的抱怨常常出現：
- 在 2.0 版之前，Matplotlib 的預設值并不是最佳選擇。 它基于大約 1999 年的 MATLAB，經常是這樣。
- Matplotlib 的 API 相對較低。 可以進行複雜的統計可視化，但通常需要大量的樣闆代碼。
- Matplotlib 比 Pandas 早了十多年，是以不适合與 Pandas 的
DataFrame`一起使用。 為了可視化來自 Pandas
的資料，你必須提取每個
DataFrame
這些問題的答案是Seaborn。 Seaborn 在 Matplotlib 之上提供 API，為繪圖樣式和顔色預設值提供合理的選擇，為常見的統計繪圖類型定義簡單的進階函數，并與 Pandas
DataFrame
提供的功能內建。
公平地說，Matplotlib 團隊正在解決這個問題：它最近添加了“自定義 Matplotlib：配置和樣式表”中讨論的
plt.style
工具，并且正在開始 更無縫地處理 Pandas 資料。該庫的 2.0 版本将包含新的預設樣式表，它将改善現狀。但出于所讨論的所有原因，Seaborn 仍然是一個非常有用的插件。
Seaborn VS Matplotlib
下面是 Matplotlib 中簡單随機遊走圖的示例，使用其經典的繪圖格式和顔色。我們從典型的導入開始：
import matplotlib.pyplot as plt
plt.style.use('classic')
%matplotlib inline
import numpy as np
import pandas as pd 複制
現在我們建立一些随機遊走資料：
# 建立一些資料
rng = np.random.RandomState(0)
x = np.linspace(0, 10, 500)
y = np.cumsum(rng.randn(500, 6), 0) 複制
并執行簡單的繪圖：
# 使用 Matplotlib 預設值繪制資料
plt.plot(x, y)
plt.legend('ABCDEF', ncol=2, loc='upper left'); 複制
雖然結果包含了我們希望傳達的所有資訊，但它的确以一種并非好看的方式，甚至在 21 世紀資料可視化的背景下看起來有點過時。
現在讓我們來看看它如何與 Seaborn 一起使用。我們将要看到，Seaborn 有許多自己的進階繪圖例程，但它也可以覆寫 Matplotlib 的預設參數，反過來甚至可以使簡單的 Matplotlib 腳本産生非常出色的輸出。我們可以通過調用 Seaborn 的
set()
方法來設定樣式。按照慣例，Seaborn 被導入為
sns
：
import seaborn as sns
sns.set() 複制
現在讓我們重新運作與以前相同的兩行：
# 和上面一樣的繪圖代碼
plt.plot(x, y)
plt.legend('ABCDEF', ncol=2, loc='upper left'); 複制
啊，好多了！
探索 Seaborn 繪圖
Seaborn 的主要思想是它提供進階指令，來建立用于統計資料探索，甚至是一些統計模型拟合的各種繪圖類型。
我們來看看Seaborn中可用的一些資料集和繪圖類型。 請注意，以下所有都可以使用原始 Matplotlib 指令完成（事實上，這是 Seaborn 所做的事情），但 Seaborn API 更友善。
直方圖，KDE，和密度
通常在統計資料可視化中，你隻需要繪制直方圖和變量的聯合分布。我們已經看到這在 Matplotlib 中相對簡單：
data = np.random.multivariate_normal([0, 0], [[5, 2], [2, 2]], size=2000)
data = pd.DataFrame(data, columns=['x', 'y'])
for col in 'xy':
plt.hist(data[col], normed=True, alpha=0.5) 複制
我們可以使用核密度估計來獲得對分布的平滑估計，而不是直方圖，Seaborn 使用
sns.kdeplot
來執行：
for col in 'xy':
sns.kdeplot(data[col], shade=True) 複制
直方圖和 KDE 可以使用
distplot
組合：
sns.distplot(data['x'])
sns.distplot(data['y']); 複制
如果我們将完整的二維資料集傳遞給
kdeplot
，我們将獲得資料的二維可視化：
sns.kdeplot(data); 複制
我們可以使用
sns.jointplot
檢視聯合分布和邊緣分布。對于此圖，我們将樣式設定為白色背景：
with sns.axes_style('white'):
sns.jointplot("x", "y", data, kind='kde'); 複制
還有其他參數可以傳遞給
jointplot
- 例如，我們可以使用基于六邊形的直方圖：
with sns.axes_style('white'):
sns.jointplot("x", "y", data, kind='hex') 複制
配對繪圖
将聯合繪圖推廣到高維資料集時，最終會得到配對繪圖。 當你想要繪制所有值對于彼此的配對時，這對于探索多元資料之間的相關性非常有用。
我們将使用着名的鸢尾花資料集進行示範，該資料集列出了三種鸢尾花物種的花瓣和萼片的測量值：
iris = sns.load_dataset("iris")
iris.head() 複制
| sepal_length | sepal_width | petal_length | petal_width | species | |
|---|---|---|---|---|---|
| 5.1 | 3.5 | 1.4 | 0.2 | setosa | |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 | setosa |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 | setosa |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 | setosa |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 | setosa |
可視化樣本之間的多元關系就像調用
sns.pairplot
一樣簡單：
sns.pairplot(iris, hue='species', size=2.5); 複制
分面直方圖
有時，檢視資料的最佳方式是通過子集的直方圖。 Seaborn 的
FacetGrid
使其非常簡單。我們将根據各種名額資料檢視一些資料，它們顯示餐廳員工在小費中收到的金額：
tips = sns.load_dataset('tips')
tips.head() 複制
| | total_bill | tip | sex | smoker | day | time | size |
| — | — | — | — | — | — | — |
| 0 | 16.99 | 1.01 | Female | No | Sun | Dinner | 2 |
| 1 | 10.34 | 1.66 | Male | No | Sun | Dinner | 3 |
| 2 | 21.01 | 3.50 | Male | No | Sun | Dinner | 3 |
| 3 | 23.68 | 3.31 | Male | No | Sun | Dinner | 2 |
| 4 | 24.59 | 3.61 | Female | No | Sun | Dinner | 4 |
tips['tip_pct'] = 100 * tips['tip'] / tips['total_bill']
grid = sns.FacetGrid(tips, row="sex", col="time", margin_titles=True)
grid.map(plt.hist, "tip_pct", bins=np.linspace(0, 40, 15)); 複制
因子圖
因子圖也可用于此類可視化。 這允許你檢視由任何其他參數定義的桶中的參數分布：
with sns.axes_style(style='ticks'):
g = sns.factorplot("day", "total_bill", "sex", data=tips, kind="box")
g.set_axis_labels("Day", "Total Bill"); 複制
聯合分布
與我們之前看到的配對圖類似，我們可以使用
sns.jointplot
來顯示不同資料集之間的聯合分布以及相關的邊緣分布：
with sns.axes_style('white'):
sns.jointplot("total_bill", "tip", data=tips, kind='hex') 複制
聯合圖甚至可以做一些自動的核密度估計和回歸：
sns.jointplot("total_bill", "tip", data=tips, kind='reg'); 複制
條形圖
時間序列可以使用
sns.factorplot
繪制。 在下面的示例中，我們将使用我們在“聚合和分組”中首次看到的行星資料：
planets = sns.load_dataset('planets')
planets.head() 複制
| method | number | orbital_period | mass | distance | year | |
|---|---|---|---|---|---|---|
| Radial Velocity | 1 | 269.300 | 7.10 | 77.40 | 2006 | |
| 1 | Radial Velocity | 1 | 874.774 | 2.21 | 56.95 | 2008 |
| 2 | Radial Velocity | 1 | 763.000 | 2.60 | 19.84 | 2011 |
| 3 | Radial Velocity | 1 | 326.030 | 19.40 | 110.62 | 2007 |
| 4 | Radial Velocity | 1 | 516.220 | 10.50 | 119.47 | 2009 |
with sns.axes_style('white'):
g = sns.factorplot("year", data=planets, aspect=2,
kind="count", color='steelblue')
g.set_xticklabels(step=5) 複制
通過檢視每個行星的發現方法，我們可以了解更多資訊：
with sns.axes_style('white'):
g = sns.factorplot("year", data=planets, aspect=4.0, kind='count',
hue='method', order=range(2001, 2015))
g.set_ylabels('Number of Planets Discovered') 複制
對于使用 Seaborn 進行繪圖的更多資訊，請參閱 Seaborn 文檔，教程和 Seaborn 畫廊。
示例：探索馬拉松結束時間
在這裡，我們将使用 Seaborn 來幫我們可視化和了解馬拉松的結果。我從 Web 上的資料源抓取資料，彙總并删除任何身份資訊，并将其放在 GitHub 上，可以在那裡下載下傳（如果你有興趣使用 Python 抓取網頁，我建議閱讀 Ryan Mitchell 的《Web Scraping with Python》。我們首先從 Web 下載下傳資料并将其加載到 Pandas 中：
# !curl -O https://raw.githubusercontent.com/jakevdp/marathon-data/master/marathon-data.csv
data = pd.read_csv('marathon-data.csv')
data.head() 複制
| age | gender | split | final | |
|---|---|---|---|---|
| 33 | M | 01:05:38 | 02:08:51 | |
| 1 | 32 | M | 01:06:26 | 02:09:28 |
| 2 | 31 | M | 01:06:49 | 02:10:42 |
| 3 | 38 | M | 01:06:16 | 02:13:45 |
| 4 | 31 | M | 01:06:32 | 02:13:59 |
預設情況下，Pandas 将時間列加載為 Python 字元串（類型
object
）；我們可以通過檢視
DataFrame
的
dtypes
屬性來看到它：
data.dtypes
'''
age int64
gender object
split object
final object
dtype: object
''' 複制
讓我們通過為時間提供轉換器來解決這個問題：
def convert_time(s):
h, m, s = map(int, s.split(':'))
return pd.datetools.timedelta(hours=h, minutes=m, seconds=s)
data = pd.read_csv('marathon-data.csv',
converters={'split':convert_time, 'final':convert_time})
data.head() 複制
| age | gender | split | final | |
|---|---|---|---|---|
| 33 | M | 01:05:38 | 02:08:51 | |
| 1 | 32 | M | 01:06:26 | 02:09:28 |
| 2 | 31 | M | 01:06:49 | 02:10:42 |
| 3 | 38 | M | 01:06:16 | 02:13:45 |
| 4 | 31 | M | 01:06:32 | 02:13:59 |
data.dtypes
'''
age int64
gender object
split timedelta64[ns]
final timedelta64[ns]
dtype: object
''' 複制
這看起來好多了。 出于我們的 Seaborn 繪圖工具的目的，讓我們接下來添加以秒為機關的列：
data['split_sec'] = data['split'].astype(int) / 1E9
data['final_sec'] = data['final'].astype(int) / 1E9
data.head() 複制
| age | gender | split | final | split_sec | final_sec | |
|---|---|---|---|---|---|---|
| 33 | M | 01:05:38 | 02:08:51 | 3938.0 | 7731.0 | |
| 1 | 32 | M | 01:06:26 | 02:09:28 | 3986.0 | 7768.0 |
| 2 | 31 | M | 01:06:49 | 02:10:42 | 4009.0 | 7842.0 |
| 3 | 38 | M | 01:06:16 | 02:13:45 | 3976.0 | 8025.0 |
| 4 | 31 | M | 01:06:32 | 02:13:59 | 3992.0 | 8039.0 |
為了了解資料的樣子，我們可以在資料上繪制一個
jointplot
：
with sns.axes_style('white'):
g = sns.jointplot("split_sec", "final_sec", data, kind='hex')
g.ax_joint.plot(np.linspace(4000, 16000),
np.linspace(8000, 32000), ':k') 複制
虛線表示如果他們以完全穩定的速度跑馬拉松，那麼某人的時間會在哪裡。 分布高于此的事實表明（正如你所料）大多數人在馬拉松比賽過程中減速。如果你有競争力，那麼你就會知道那些在比賽後半段跑得更快的人 - 被稱為将比賽負分割（negative-split）。
讓我們在資料中建立另一個列，即分割分數，它測量每個運動員将比賽負分割或正分割（positive-split）的程度：
data['split_frac'] = 1 - 2 * data['split_sec'] / data['final_sec']
data.head() 複制
| age | gender | split | final | split_sec | final_sec | split_frac | |
|---|---|---|---|---|---|---|---|
| 33 | M | 01:05:38 | 02:08:51 | 3938.0 | 7731.0 | -0.018756 | |
| 1 | 32 | M | 01:06:26 | 02:09:28 | 3986.0 | 7768.0 | -0.026262 |
| 2 | 31 | M | 01:06:49 | 02:10:42 | 4009.0 | 7842.0 | -0.022443 |
| 3 | 38 | M | 01:06:16 | 02:13:45 | 3976.0 | 8025.0 | 0.009097 |
| 4 | 31 | M | 01:06:32 | 02:13:59 | 3992.0 | 8039.0 | 0.006842 |
如果此分割差異小于零，則這個人将比賽以這個比例負分割。讓我們繪制這個分割分數的分布圖：
sns.distplot(data['split_frac'], kde=False);
plt.axvline(0, color="k", linestyle="--"); 複制
sum(data.split_frac < 0)
# 251 複制
在近 40,000 名參與者中，隻有 250 人将馬拉松負分割。
讓我們看看這個分割分數和其他變量之間是否存在任何相關性。我們将使用
pairgrid
來繪制所有這些相關性：
g = sns.PairGrid(data, vars=['age', 'split_sec', 'final_sec', 'split_frac'],
hue='gender', palette='RdBu_r')
g.map(plt.scatter, alpha=0.8)
g.add_legend(); 複制
看起來分割分數與年齡沒有特别的關聯，但确實與最終時間相關：更快的運動員往往将馬拉松時間等分。（我們在這裡看到，當涉及到繪圖樣式時，Seaborn 不是 Matplotlib 弊病的靈丹妙藥：特别是，
x
軸标簽重疊。因為輸出是一個簡單的 Matplotlib 圖，但是，“自定義刻度”中的方法可以用來調整這些東西。）
這裡男女之間的差別很有意思。 讓我們看看這兩組的分割分數的直方圖：
sns.kdeplot(data.split_frac[data.gender=='M'], label='men', shade=True)
sns.kdeplot(data.split_frac[data.gender=='W'], label='women', shade=True)
plt.xlabel('split_frac'); 複制
這裡有趣的是，有更多的男人比女人更接近等分！這幾乎看起來像男女之間的某種雙峰分布。 讓我們看看，我們是否可以通過将分布看做年齡的函數，來判斷發生了什麼。
比較分布的好方法是使用提琴圖：
sns.violinplot("gender", "split_frac", data=data,
palette=["lightblue", "lightpink"]); 複制
這是比較男女之間分布的另一種方式。
讓我們看得深入一些，然後将這些提琴圖作為年齡的函數進行比較。我們首先在數組中建立一個新列，指定每個人的年齡，以十年為機關：
data['age_dec'] = data.age.map(lambda age: 10 * (age // 10))
data.head() 複制
| age | gender | split | final | split_sec | final_sec | split_frac | age_dec | |
|---|---|---|---|---|---|---|---|---|
| 33 | M | 01:05:38 | 02:08:51 | 3938.0 | 7731.0 | -0.018756 | 30 | |
| 1 | 32 | M | 01:06:26 | 02:09:28 | 3986.0 | 7768.0 | -0.026262 | 30 |
| 2 | 31 | M | 01:06:49 | 02:10:42 | 4009.0 | 7842.0 | -0.022443 | 30 |
| 3 | 38 | M | 01:06:16 | 02:13:45 | 3976.0 | 8025.0 | 0.009097 | 30 |
| 4 | 31 | M | 01:06:32 | 02:13:59 | 3992.0 | 8039.0 | 0.006842 | 30 |
men = (data.gender == 'M')
women = (data.gender == 'W')
with sns.axes_style(style=None):
sns.violinplot("age_dec", "split_frac", hue="gender", data=data,
split=True, inner="quartile",
palette=["lightblue", "lightpink"]); 複制
考慮到這一點，我們可以看到男性和女性的分布在哪裡不同：與同齡（或任何年齡的）女性相比，20 到 50 歲男性的分割分布，與較低的分割相比，表現出明顯的過度密集。
同樣令人驚訝的是，這位 80 歲的女性在分割時間方面表現優于每個人。 這可能是因為我們估計來自小數字的分布，因為在該範圍内隻有少數運動員：
(data.age > 80).sum()
# 7 複制
回到帶有負分割的男性：誰是這些運動員？ 這個分割分數是否與快速結束相關？ 我們可以很容易地繪制這個圖。 我們将使用
regplot
，它将自動拟合資料的線性回歸：
g = sns.lmplot('final_sec', 'split_frac', col='gender', data=data,
markers=".", scatter_kws=dict(color='c'))
g.map(plt.axhline, y=0.1, color="k", ls=":"); 複制
顯然，帶有快速分割的人是精英運動員，他們在約 15,000 秒或約 4 小時内結束。 慢于此的人不太可能具有快速的第二次分割。