Introducción a Seaborn – Python

Seaborn es una increíble biblioteca de visualización para el trazado de gráficos estadísticos en Python. Proporciona hermosos estilos predeterminados y paletas de colores para hacer que los gráficos estadísticos sean más atractivos. Está construido en la parte superior de la biblioteca matplotlib y también está estrechamente integrado a las estructuras de datos de pandas .
Seaborn tiene como objetivo hacer de la visualización la parte central de la exploración y comprensión de los datos. Proporciona API orientadas a conjuntos de datos, de modo que podemos cambiar entre diferentes representaciones visuales para las mismas variables para una mejor comprensión del conjunto de datos.

Distintas categorías de parcela en Seaborn 

• Gráficos relacionales: este gráfico se utiliza para comprender la relación entre dos variables.
• Parcelas categóricas:
• Parcelas de distribución:
• Gráficas de regresión:
• Gráficos matriciales : gráfico matricial
• Cuadrículas multiplot: Es un multiplot

Instalación

Para el entorno de Python: 

pip install seaborn

Para el entorno de conda: 

conda install seaborn

dependencias 

• Python 3.6+ 
• numpy (>= 1.13.3) 
• scipy (>= 1.0.1)
• pandas (>= 0.22.0)
• matplotlib (>= 2.1.2) 
• modelo de estadísticas (>= 0.8.0)

Algunas tramas básicas usando seaborn

Dist plot:   Seaborn dist plot se usa para trazar un histograma, con algunas otras variaciones como kdeplot y rugplot.
 

# Importing libraries
import numpy as np
import seaborn as sns
  
  
# Selecting style as white,
# dark, whitegrid, darkgrid 
# or ticks
sns.set(style="white")
  
# Generate a random univariate 
# dataset
rs = np.random.RandomState(10)
d = rs.normal(size=100)
  
# Plot a simple histogram and kde 
# with binsize determined automatically
sns.distplot(d, kde=True, color="m")

Producción: 

Trazado de líneas: 
 

import seaborn as sns
  
  
sns.set(style="dark")
fmri = sns.load_dataset("fmri")
  
# Plot the responses for different\
# events and regions
sns.lineplot(x="timepoint",
             y="signal",
             hue="region",
             style="event",
             data=fmri)

Producción : 

Lplot: 
 

import seaborn as sns
  
sns.set(style="ticks")
  
# Loading the dataset
df = sns.load_dataset("anscombe")
  
# Show the results of a linear regression
sns.lmplot(x="x", y="y", data=df)

Producción :