Seaborn – statistische Visualisierung

Was ist Seaborn und wofür wird es benötigt

Seaborn — ist eine leistungsstarke Datenvisualisierungsbibliothek für Python, die auf Matplotlib aufbaut. Sie bietet eine hochrangige Schnittstelle zur Erstellung schöner und informativer statistischer Grafiken. Die Bibliothek wurde entwickelt, um den Prozess der Erstellung von Visualisierungen zu vereinfachen, die häufig in der Datenanalyse und im maschinellen Lernen verwendet werden.

Die Hauptvorteile von Seaborn:

Automatische Erstellung stilvoller Grafiken mit minimalem Code Hervorragende Integration mit pandas DataFrame Integrierte Funktionen für statistische Visualisierung Einfache Arbeit mit kategorialen und numerischen Daten Automatische Berechnung und Anzeige statistischer Kennzahlen Unterstützung moderner Farbpaletten und Gestaltungsstile

Geschichte und Entwicklung der Bibliothek

Seaborn wurde 2012 von Michael Waskom als Ergänzung zu Matplotlib erstellt. Der Name der Bibliothek stammt von der Fernsehserie "The West Wing", in der eine der Figuren den Nachnamen Seaborn trug. Die Bibliothek wird aktiv weiterentwickelt und regelmäßig aktualisiert, wobei neue Funktionen hinzugefügt und bestehende Möglichkeiten verbessert werden.

Installation und Einrichtung von Seaborn

Installation über pip

pip install seaborn

Installation über conda

conda install seaborn

Import in den Code

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np

Überprüfung der Version

print(sns.__version__)

Hauptunterschiede zwischen Seaborn und Matplotlib

Architektur und Funktionsprinzipien

Seaborn verwendet die "Grammatik der Grafik" — ein Konzept, bei dem die Visualisierung aus einzelnen Komponenten aufgebaut wird: Daten, ästhetische Elemente, geometrische Objekte und statistische Transformationen. Dies ermöglicht die Erstellung komplexer Visualisierungen durch die Kombination einfacher Elemente.

Arbeiten mit Daten in Seaborn

Integrierte Datensätze

Seaborn enthält viele vorgefertigte Datensätze zum Lernen und Experimentieren:

# Laden eines beliebten Datensatzesdf = sns.load_dataset("tips")print(df.head())

# Anzeigen aller verfügbaren Datensätzeprint(sns.get_dataset_names())

Datenvorbereitung

# Beispiel zur Erstellung eines eigenen Datensatzesimport numpy as npimport pandas as pd

data = {    'x': np.random.randn(100),    'y': np.random.randn(100),    'category': np.random.choice(['A', 'B', 'C'], 100)}df = pd.DataFrame(data)

Haupttypen von Diagrammen in Seaborn

Visualisierung von Verteilungen

Histogramme und Verteilungen

# Moderne Methode zur Erstellung eines Histogrammssns.histplot(df["total_bill"], bins=20, kde=True)plt.title("Verteilung des Rechnungsbetrags")plt.show()

# Dichtediagrammsns.kdeplot(df["total_bill"], shade=True)plt.show()

Empirische Verteilungsfunktion