Seaborn 如何进行数据操作来创建图表

在Seaborn中，数据操作是通过Python中一种流行的数据操作库pandas来完成的。Seaborn是建立在pandas之上，并与其无缝集成。Pandas提供强大的数据结构和函数，用于数据操作，如过滤、分组、聚合和转换数据，可以与Seaborn结合使用来创建图表。

通过将pandas的数据操作能力与Seaborn的绘图函数结合起来，我们可以以简洁高效的方式轻松操作和可视化我们的数据。这使我们能够有效地从数据集中探索和传达洞察力。

以下是使用pandas库在Seaborn中进行数据操作以创建图表的逐步指南。

导入必要的库

由于我们将使用pandas和Seaborn库，因此首先需要使用以下代码导入这两个库。

import seaborn as sns
import pandas as pd

使用pandas加载或创建数据集

接下来，我们可以使用pandas库的read_csv和DataFrame来加载或创建自己的数据集。在本文中，我们使用pandas库的DataFrame()函数来创建数据集。

示例

import seaborn as sns
import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie'],
         'Age': [25, 30, 35],
         'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
print(df.head())

输出

Name  Age  Salary
0    Alice   25   50000
1      Bob   30   60000
2  Charlie   35   70000

进行数据操作

一旦我们将数据集存储在pandas的DataFrame中，现在我们可以使用各种数据操作技术来为绘图准备数据。以下是一些常见的操作。

过滤

过滤是根据特定条件选择行或列的子集。例如，如果我们想要从创建的数据中过滤出年龄大于30的行，则代码将如下所示。

示例

import seaborn as sns
import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie'],
         'Age': [25, 30, 35],
         'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
df.head()

filtered_df = df[df['Age'] > 30]
res = filtered_df.head()
print(res)

输出

Name  Age  Salary
2  Charlie   35   70000

分组和聚合

根据一个或多个变量对数据进行分组，并计算摘要统计信息。例如，当我们想按照姓名分组数据并计算平均薪资时，可以使用以下代码行。

示例

import seaborn as sns
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'],
         'Age': [25, 30, 35],
         'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
grouped_df = df.groupby('Name')['Salary'].mean()
print(grouped_df.head())

输出

Name
Alice      50000.0
Bob        60000.0
Charlie    70000.0
Name: Salary, dtype: float64

数据转换

数据转换是指应用函数或转换来修改数据，并根据现有的列创建一个新的列。

示例

import seaborn as sns
import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie'],
         'Age': [25, 30, 35],
         'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
df.head()

grouped_df = df.groupby('Name')['Salary'].mean()
res = grouped_df.head()
print(res)

输出

Name
Alice      50000.0
Bob        60000.0
Charlie    70000.0
Name: Salary, dtype: float64

数据重塑

在数据重塑中，我们使用像透视和融合这样的技术将数据重构为不同的格式。

示例

import seaborn as sns
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie'],
         'Age': [25, 30, 35],
         'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
pivoted_df = df.pivot(index='Name', columns='Age', values='Salary')
print(pivoted_df.head())

输出

Age           25       30       35
Name
Alice    50000.0      NaN      NaN
Bob          NaN  60000.0      NaN
Charlie      NaN      NaN  70000.0

使用Seaborn创建绘图

数据准备好之后，我们可以使用Seaborn的绘图函数基于我们的数据创建可视化图形。例如，当我们想要按年龄组创建平均工资的柱状图时，可以按照以下示例进行操作：

示例

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

data = {'Name': ['Alice', 'Bob', 'Charlie'],
         'Age': [25, 30, 35],
         'Salary': [50000, 60000, 70000]}
df = pd.DataFrame(data)
sns.barplot(x='Age', y='Salary', data=df)
plt.show()