在 Python 中資料視覺化在該領域，matplotlib 一直是使用最廣泛的視覺化庫。 然而，其操作的複雜性一直困擾著使用者。 為了解決這個問題，seaborn它應運而生，並因其簡化的操作流程而受到廣泛關注。 儘管如此，seaborn它們的使用方式仍然存在一些缺陷。 經過長達 10 年的拋光，seaborn該團隊在 0該更新的第 12 版提出了一種全新的操作模式。 嘗試後，我完全被這個新模型所震撼，不想回到舊的使用方式。 在本文中，我們將介紹新版本seaborn。這一次，它是：seaborn0.13版本。
在新模式下，seaborn引入了一種稱為“物件”的工作型別介面“操作模式，通過進口seaborn.objects 模組。 在開始之前，我們需要匯入資料，這裡我用乙個咖啡銷售資料作為例子。 在開始繪製之前，我們需要做一些配置，以確保圖表中的中文不會出現亂碼。 接下來，我們可以愉快地開始畫畫了。
讓我們先來看看利潤和銷售額之間的關係。 由於這兩個變數這都是數字，我們可以使用它散布圖來代表。 在新模式中，按照視覺化圖語法的規範，我們首先使用plot（） 宣告資料和對映，然後在每次呼叫 add（） 方法時使用 add（） 方法鏈結並新增乙個新圖形。 在 add（） 方法中，第乙個引數指定了您想要的圖形型別，這裡我們使用dot（） 來表示 “point”。 這樣，我們可以很容易地畫出散布圖
現在，我們希望登上頂峰散布圖新增擬合多段線。 在新模式中，每個 add（） 方法呼叫等同於新增新的圖表或圖層，第乙個引數指定模式型別，後續引數用於轉換資料。 我們可以這樣使用polyfit（） 來執行擬合計算。 當然，計算方法可以定製。 使用這種方法，我們可以輕鬆地將擬合折線新增到圖表中。 新模型可能看起來有點複雜，但您會發現它的魅力。
接下來，我們不只是想畫畫散布圖，也希望根據不同地區進行分類展示。 按區域分類意味著我們需要為每個區域分配不同的顏色。 在新模式下，非常簡單，只需在**中進行顏色對映即可。 除了顏色之外，還有許多其他屬性可以對映，例如我們可以根據毛利潤調整點的大小。 通過這種方式，我們可以很容易地配對：散布圖進行各種演示。 與舊模式相比，新模式的優勢明顯，大大減輕了我們的負擔。
繼續舉例說明。 我們可以使用新模型輕鬆繪製出該地區的銷售額直方圖。但是，在執行上面的**時，您可能會發現繪圖需要很長時間。 同時，繪製的圖表有點奇怪。 原因是我們沒有在 add（） 方法呼叫中指定聚合方法。 因此，預設情況下，程式將每條線繪製為條形圖。 解決這個問題很簡單，只需在 add（） 方法中指定即可直方圖可以聚合。 通過sosoagg（） 方法的第乙個引數，我們可以指定聚合方法，這是預設的'mean'，也可以傳遞給其他人聚合函式或自定義函式。 這與以下方面有關：pandasagg（） 方法的原理是一樣的。
接下來，在直方圖我們希望按市場類別對顯示器進行細分。 即根據不同的市場類別進行顏色對映。 但是，當我們執行上面的**時，結果似乎有些不對勁。 為什麼小市場比大市場賣得更多？ 讓我們分析一下過程以了解結果。 資料反映了 x、y 和 color 這三個字段，以便繪製它們直方圖，您需要對 x 和 color 字段進行分組，並均勻地聚合 y 列。 通過sosoagg（） 方法，我們可以得到如下聚合結果。 相信經過這個解釋，你已經完全理解了新模式的機制，實在是太容易實現了！ 你可以再看一些例子來加深你的印象。
當使用新模式時，我們可以向 add（） 方法新增無限數量的資料處理函式seaborn還提供了一些常用的資料操作方法供我們選擇。 只需根據您的需要選擇合適的方法即可。 現在是時候充分利用這些方法了，它們真的非常方便實用。 快來試試吧，你會感受到它的魅力。 別忘了點讚、收藏、關注，這是我創作的最大動力。
在本文中，我們介紹了：seaborn庫的新操作模式 - 物件介面。通過引入物件介面seaborn大大簡化資料視覺化過程。 在新模式中，我們首先通過宣告資料和對映來構建圖形，然後通過鏈結 add（） 方法逐步新增層。 每層可以指定不同的模式型別，並通過資料處理功能轉換資料。 同時，seaborn它提供了豐富的資料操作方式，可以根據需要自由選擇。 通過這種方式，我們可以輕鬆繪製顯示多條資料的各種圖表尺寸
通過對新模式的學習和實踐，我們不僅掌握了：seaborn以及對其背後的原理的深刻理解。 相較於傳統的一函式一圖表模型，新模型大大簡化了我們的使用負擔，提高了視覺化的效率和靈活性。 通過本文的介紹，希望讀者是對的seaborn對新模式有更深入的了解，能夠快速上手。