Punktdiagram och parvisa diagram

Fördelningsdiagram visar en variabel i taget. När Ni vill förstå sambandet mellan två numeriska variabler behöver Ni spridningsdiagram och relaterade visualiseringar. De hjälper Er att upptäcka korrelation (ökar båda variablerna tillsammans?), kluster (finns det undergrupper i datan?) och avvikare (finns det ovanliga punkter långt från det huvudsakliga punktmolnet?). Seaborn gör allt detta enkelt med scatterplot och pairplot.

sns.scatterplot(data, x, y) ritar varje observation som en punkt vid dess (x, y)-koordinater. Till skillnad från Matplotlibs plt.scatter kopplas Seaborns version automatiskt till en DataFrame och integreras med semantiken för hue, size och style. Resultatet blir informativa flervariabeldiagram med ett enda funktionsanrop och en automatisk förklaring.

Parametern hue tilldelar varje punkt en färg baserat på en tredje variabel – antingen kategorisk eller numerisk. När hue är en kategorisk kolumn, till exempel 'smoker', använder Seaborn olika färger. När hue är en numerisk kolumn används en sekventiell färgkarta. På så sätt kan Ni se tre variabler samtidigt i ett 2D-diagram utan att lägga till en tredje axel.

Utöver hue stöder Seaborns spridningsdiagram size (punktens area kodar en numerisk variabel) och style (markörens form kodar en kategorisk variabel). Om Ni använder alla tre semantiker samtidigt kan komplexa mönster med flera variabler framträda, men diagrammet riskerar att överbelasta betraktaren. En praktisk riktlinje är att använda hue först (mest framträdande), style därefter och size endast när det behövs.

sns.regplot() ritar ett spridningsdiagram och lägger ovanpå det en linjär regressionslinje med ett skuggat 95-procentigt konfidensband. Detta är användbart för att visualisera styrkan och riktningen hos det linjära sambandet mellan två variabler. Konfidensbandet blir smalare i områden med tät data och bredare vid kanterna, där färre punkter påverkar anpassningen.

sns.lmplot() är versionen på figurnivå av regplot. Den stöder hue (separata regressionslinjer per grupp i samma panel) och col/row (separata paneler). Detta är användbart för att undersöka om sambandet mellan två variabler skiljer sig mellan undergrupper – till exempel om sambandet mellan nota och dricks är starkare för middag än för lunch.

sns.pairplot(df) skapar ett rutnät med spridningsdiagram för varje par av numeriska kolumner i DataFrame-objektet, med fördelningsdiagram på diagonalen. Detta är det snabbaste sättet att visualisera alla parvisa samband i en datamängd med ett enda anrop. För en DataFrame med n numeriska kolumner skapar pairplot ett n×n-rutnät. Det är mest praktiskt när n ligger mellan 3 och 8 – större rutnät blir för små för att kunna läsas.

Parametern diag_kind styr vad som visas på diagonalen i pairplot-rutnätet. Använd 'hist' för histogram eller 'kde' för kärntäthetsestimat. Diagonalen visar varje variabels univariata fördelning, medan panelerna utanför diagonalen visar parvisa spridningsdiagram. Ni kan även använda corner=True för att endast visa den nedre triangeln, vilket halverar antalet paneler och minskar överflödig information.

sns.PairGrid ger Er full kontroll över vilken diagramtyp som visas i varje del av matrisen. Använd g.map_upper(), g.map_lower() och g.map_diag() för att tilldela olika funktioner, till exempel regplot i den övre triangeln och kdeplot i den nedre. Detta ger diagram av publiceringskvalitet där varje panel förmedlar särskild information om variabelparet.

När Ni läser av ett spridningsdiagram ska Ni uppskatta sambandet riktning (lutar punktsvärmen uppåt eller nedåt?), styrka (hur tätt ligger punkterna kring trenden?) och form (linjär eller böjd?). Korrelationskoefficienten r sträcker sig från -1 (perfekt negativ) till +1 (perfekt positiv), där 0 betyder att det inte finns något linjärt samband. Kom ihåg: korrelation är inte kausalitet, och ett icke-linjärt samband kan ha r ≈ 0.

sns.jointplot() kombinerar ett centralt bivariat diagram med marginaldiagram för univariata data längs över- och högerkanten. Ange kind='scatter', 'hex', 'kde' eller 'reg'. Sorten hex är användbar när Ni har tusentals överlappande punkter — den delar in dem i hexagoner och använder färg för att visa täthet, vilket löser problemet med överplottning som gör spridningsdiagram oläsliga för stora datamängder.

I den här lektionen har Ni lärt Er att sns.scatterplot kodar upp till fyra variabler med x, y, hue, size och style, att sns.regplot/lmplot lägger över en regressionslinje för att kvantifiera linjära samband och att sns.pairplot skapar ett rutnät med alla par, vilket är idealiskt för explorativ analys av datamängder med flera variabler. Härnäst utforskar vi värmekartor för visualisering av korrelationsmatriser.