### Seaborn支持的图表类型 Seaborn 是一个强大的 Python 数据可视化库，能够支持多种类型的图表绘制。以下是常见的几种图表类型及其功能描述： #### 1. 散点图 (Scatter Plot) 散点图用于展示两个连续变量之间的关系。可以通过 `sns.scatterplot()` 方法实现。 ```python import seaborn as sns sns.scatterplot(x="x_column", y="y_column", data=dataset) ``` #### 2. 折线图 (Line Plot) 折线图适合用来表现趋势变化或时间序列数据的关系。可以使用 `sns.lineplot()` 实现。 ```python sns.lineplot(x="time", y="value", hue="category", data=dataset) ``` #### 3. 条形图 (Bar Plot) 条形图常用于比较不同类别的数量或者均值。`sns.barplot()` 提供了这一功能。 ```python sns.barplot(x="category", y="value", data=dataset) ``` #### 4. 热力图 (Heatmap) 热力图适用于展示二维数组中的数值分布情况，尤其在相关性矩阵分析中非常有用[^5]。 ```python import matplotlib.pyplot as plt sns.heatmap(data=correlation_matrix, annot=True, cmap='coolwarm') plt.show() ``` #### 5. 直方图与核密度估计 (Histogram and KDE Plot) 直方图和核密度估计(KDE) 图可以帮助理解单个变量的分布特性。分别由 `sns.histplot()` 和 `sns.kdeplot()` 完成。 ```python sns.histplot(data=dataset, x="variable", kde=True) sns.kdeplot(data=dataset, x="variable") ``` #### 6. 箱型图 (Box Plot) 箱型图是一种有效的工具，用于识别异常值并总结数据分布特征。可调用 `sns.boxplot()` 函数完成。 ```python sns.boxplot(x="category", y="value", data=dataset) ``` #### 7. 小提琴图 (Violin Plot) 小提琴图不仅展示了分布形状，还能反映概率密度的变化程度。通过 `sns.violinplot()` 可以生成此类图表。 ```python sns.violinplot(x="category", y="value", data=dataset) ``` #### 8. 配对图 (Pair Plot) 配对图允许一次性查看多个变量两两之间可能存在的关联形式。利用 `sns.pairplot()` 即可轻松制作。 ```python sns.pairplot(dataset, hue="target_variable") ``` 以上列举了一些主要的支持图表类型，实际上还有更多种类可供探索。