Seaborn科技繪圖：基於Matplotlib的Python數據可視化

芯智（筆名）畢業於北京航空航天大學，現就職於中國科學院，研究生導師，從事科研工作二十餘年。參與國家科技重大專項攻關任務，熟練掌握各種工程應用與數據分析軟件，曾獲得國家專利獎、北京市專利獎和中科院成果轉化特等獎等榮譽

第 1 章　繪圖環境搭建1

1.1　Seaborn與Matplotlib概述1

1.1.1　關於Python可視化2

1.1.2　Matplotlib：Python基礎可視化庫2

1.1.3　Seaborn：基於Matplotlib的高級封裝庫2

1.1.4　Seaborn與Matplotlib的關系3

1.1.5　支持的Python版本和依賴性3

1.2　PyCharm的安裝和入門4

1.2.1　環境說明5

1.2.2　軟件安裝5

1.2.3　PyCharm的使用 7

1.3　Matplotlib的安裝和入門10

1.3.1　安裝Matplotlib11

1.3.2　Matplotlib入門11

1.4　Seaborn的安裝和入門13

1.4.1　安裝Seaborn13

1.4.2　快速入門14

1.5　本章小結15

第 2 章　繪圖配色16

2.1　在繪圖中使用顏色的一般原則16

2.1.1　顏色成分16

2.1.2　改變色調以區分類別18

2.2　常用的分類顏色函數20

2.2.1　color_palette()函數20

2.2.2　hls_palette()函數24

2.2.3　husl_palette()函數26

2.2.4　cubehelix_palette()函數29

2.2.5　dark_palette()函數34

2.2.6　light_palette()函數36

2.2.7　mpl_palette()函數37

2.3　Color Brewer顏色工具39

2.4　連續型顏色42

2.5　多樣化的調色板45

2.5.1　視覺上統一的發散調色板45

2.5.2　自定義發散調色板46

2.5.3　其他調色板47

2.6　調色板的選擇49

2.7　本章小結51

第 3 章　單變量數據可視化52

3.1　條形圖52

3.1.1　簡單條形圖54

3.1.2　分類變量分組條形圖56

3.1.3　漸變色條形圖59

3.1.4　使用countplot()函數繪制條形圖62

3.2　直方圖64

3.2.1　單變量分布的直方圖65

3.2.2　歸一化的直方圖71

3.2.3　堆疊直方圖75

3.2.4　使用objects.Hist()函數繪制直方圖77

3.3　核密度估計圖81

3.3.1　KDE曲線圖83

3.3.2　使用kdeplot()函數繪制二元圖87

3.3.3　使用objects.KDE()函數繪制KDE圖89

3.4　使用displot()函數繪制圖形93

3.4.1　使用displot()函數繪制直方圖94

3.4.2　使用displot()函數繪制KDE曲線圖和二元圖98

3.5　單變量數據的理解與分析104

3.6　本章小結104

第 4 章　雙變量數據可視化105

4.1　散點圖105

4.1.1　使用scatterplot()函數繪制散點圖106

4.1.2　使用relplot()函數繪制散點圖113

 4.2　折線圖117

4.2.1　使用lineplot()函數繪制折線圖117

4.2.2　使用relplot()函數繪制折線圖125

4.2.3　結合lineplot()和relplot()函數繪制折線圖127

4.3　經驗累積分布圖129

4.4　本章小結132

第 5 章　分類數據可視化133

5.1　箱型圖133

5.1.1　傳統箱型圖134

5.1.2　改進箱型圖139

5.2　小提琴圖144

5.3　點圖151

5.3.1　使用pointplot()函數繪制點圖151

5.3.2　使用stripplot()函數繪制點圖157

5.4　組合圖161

5.4.1　分類圖161

5.4.2　散點圖167

5.4.3　蜂群圖174

5.5　本章小結180

第 6 章　多變量數據可視化181

6.1　面板圖的使用181

6.1.1　使用FacetGrid()函數繪制直方圖和散點圖182

6.1.2　使用FacetGrid()函數繪制多行多列的折線圖189

6.1.3　使用FacetGrid()函數繪制極坐標散點圖191

6.1.4　使用FacetGrid()函數繪制山脊圖192

6.2　成對關系圖195

6.3　聯合分布圖204

6.3.1　使用jointplot()函數創建聯合分布圖204

6.3.2　使用JointGrid()函數創建聯合分布圖209

6.4　數據分布的邊際可視化214

6.5　本章小結218

第 7 章　矩陣可視化：相關性與熱圖219

7.1　熱圖的創建與優化219

7.2　聚類熱圖225

7.3　本章小結230

第 8 章　回歸與線性關系231

8.1　簡單回歸圖231

8.2　線性回歸圖237

8.2.1　使用lmplot()函數繪制散點線性回歸圖237

8.2.2　使用relplot()函數繪制線性回歸圖242

8.3　回歸殘差圖246

8.4　統計估計數和誤差條249

8.5　本章小結253

第 9 章　控制圖的樣式254

9.1　偏移的正弦波254

9.2　圖形的樣式255

9.3　刪除軸和刻度256

9.4　臨時設置圖形樣式258

9.5　縮放圖元素260

9.6　移動圖例的位置261

9.7　本章小結264

第 10 章　覆合圖與標記樣式定制265

10.1　覆合圖的實踐265

10.2　坐標屬性266

10.3　顏色和填充特性267

10.4　標記屬性和線條屬性269

10.5　大小屬性270

10.5.1　點大小和線寬270

10.5.2　邊緣寬度和stroke屬性270

10.5.3　文本屬性271

10.6　本章小結271

第 11 章　objects接口272

11.1　Plot()函數272

11.1.1　Plot.add()函數276

11.1.2　Plot.scale()函數279

11.1.3　Plot.facet()函數283

11.1.4　Plot.pair()函數285

11.1.5　Plot.layout()函數288

11.1.6　Plot.label()函數289

11.1.7　Plot.limit()函數292

11.1.8　Plot.share()函數294

11.1.9　Plot.theme()函數296

11.2　使用Line()和Lines()函數繪制折線圖298

11.3　使用Path()函數繪制路徑303

11.4　使用Dash()函數控制線條樣式304

11.5　使用Range()函數繪制線段307

11.6　使用Bar()和Bars()函數繪制條形圖309

11.7　使用Area()函數繪制填充區域314

11.8　使用Dot()和Dots()函數繪制點圖317

11.9　使用Agg()函數對數據進行聚合322

11.10　本章小結323

第 12 章　數據可視化總結與進階應用324

12.1　Seaborn的靈活性324

12.2　覆雜數據可視化案例325

12.2.1　分析並可視化時間序列數據325

12.2.2　可視化大規模分類數據328

12.2.3　結合scikit-learn進行數據預測和擬合331

12.2.4　K-means聚類分析、PCA降維和聚類結果可視化333

12.3　Seaborn與其他庫的協同工作337

12.3.1　結合機器學習庫337

12.3.2　結合Plotly庫338

12.3.3　結合ipywidgets庫340

12.4　Seaborn資源與社區342

12.5　本章小結342