Seaborn是基于matplotlib的Python数据可视化库，提供高级界面用于绘制有吸引力且信息丰富的统计图形。使用Seaborn绘制散点图具有以下优势：
使用Seaborn的scatterplot()函数可以创建基础散点图：
import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
tips = sns.load_dataset("tips")
# 创建基础散点图
sns.scatterplot(data=tips, x="total_bill", y="tip")
# 添加标题和标签
plt.title("Total Bill vs Tip Amount")
plt.xlabel("Total Bill ($)")
plt.ylabel("Tip ($)")
# 显示图表
plt.show()
Seaborn的强大之处在于可以轻松添加多个变量维度：
# 添加颜色、大小和样式维度
sns.scatterplot(
data=tips,
x="total_bill",
y="tip",
hue="time", # 按用餐时间着色
size="size", # 按用餐人数调整大小
style="sex", # 按性别改变样式
palette="viridis",
sizes=(20, 200) # 大小范围
)
plt.title("多维散点图示例")
plt.xlabel("总账单 ($)")
plt.ylabel("小费 ($)")
plt.legend(title="参数说明", bbox_to_anchor=(1.05, 1), loc='upper left')
plt.show()
使用lmplot()函数可以在散点图上添加回归线：
# 带回归线的散点图
sns.lmplot(
data=tips,
x="total_bill",
y="tip",
hue="smoker",
markers=["o", "x"],
palette="Set1",
height=6
)
plt.title("带回归线的散点图")
plt.xlabel("总账单 ($)")
plt.ylabel("小费 ($)")
plt.show()
| 特性 | Seaborn | Matplotlib |
|---|---|---|
| 代码复杂度 | 简洁，高级API | 相对冗长，低级API |
| 默认样式 | 现代、美观 | 基础、简单 |
| 多变量支持 | 原生支持多个维度 | 需要手动实现 |
| 统计功能 | 内置回归、置信区间 | 需要额外计算 |
| 学习曲线 | 平缓，适合数据分析 | 陡峭，适合完全定制 |
通过点的大小表示第三个数值变量，创建气泡图效果
使用stripplot()或swarmplot()展示分类变量关系
使用pairplot()创建多变量散点图矩阵
使用jointplot()添加边缘直方图或密度图
虽然Seaborn本身不支持3D图形，但可以结合Matplotlib创建：
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
# 三维散点图
ax.scatter(
tips['total_bill'],
tips['tip'],
tips['size'],
c=tips['size'],
cmap='viridis',
s=50 * tips['size']
)
ax.set_title("三维散点图")
ax.set_xlabel("总账单 ($)")
ax.set_ylabel("小费 ($)")
ax.set_zlabel("用餐人数")
plt.show()
sns.kdeplot()或sns.hexbin()避免点重叠sns.jointplot()同时展示双变量关系和单变量分布本文由FengXiao于2025-08-03发表在吾爱品聚，如有疑问，请联系我们。
本文链接：https://521pj.cn/20257223.html
发表评论