Шпаргалка по Seaborn: статистическая визуализация
Seaborn — надстройка над Matplotlib для статистической визуализации. Автоматические стили, доверительные интервалы, умные подписи, встроенные датасеты. Идеален для исследовательского анализа данных (EDA).
Быстрый старт
Первые шаги: импорт seaborn, загрузка встроенных датасетов (tips, penguins, iris), настройка темы. Эти датасеты идеальны для обучения — не нужно искать данные, чтобы попробовать графики.
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# Встроенные датасеты
tips = sns.load_dataset('tips')
penguins = sns.load_dataset('penguins')
iris = sns.load_dataset('iris')
titanic = sns.load_dataset('titanic')
flights = sns.load_dataset('flights')
# Настройка темы
sns.set_theme(style='darkgrid', palette='muted', font='DejaVu Sans')Распределения
Ответ на вопрос «как распределены данные?»: гистограммы (histplot), ядерная оценка плотности (kdeplot — гладкая кривая вместо столбцов), эмпирическая CDF (ecdfplot). displot — figure-level версия, которая сама управляет сеткой подграфиков.
# Гистограмма
sns.histplot(data=tips, x='total_bill', bins=30)
sns.histplot(data=tips, x='total_bill', hue='sex', multiple='stack') # с разбивкой
sns.histplot(data=tips, x='total_bill', kde=True) # + KDE
# KDE (ядерная оценка плотности)
sns.kdeplot(data=tips, x='total_bill', fill=True)
sns.kdeplot(data=tips, x='total_bill', hue='smoker', fill=True, alpha=0.3)
# ECDF (эмпирическая CDF)
sns.ecdfplot(data=tips, x='total_bill', hue='time')
# Универсальный displot (figure-level)
sns.displot(data=tips, x='total_bill', kde=True) # гистограмма + KDE
sns.displot(data=tips, x='total_bill', hue='sex') # по группам
sns.displot(data=tips, x='total_bill', col='day') # по дням сеткой
sns.displot(data=tips, x='total_bill', kind='kde')
sns.displot(data=tips, x='total_bill', kind='ecdf')Категориальные данные
Сравнение числовой переменной по категориям: boxplot (медиана + квартили), violin (плотность + boxplot), boxen (больше квантилей для больших данных), stripplot/swarmplot (точки), barplot (среднее ± доверительный интервал), countplot (частоты). catplot — figure-level универсал.
# Boxplot
sns.boxplot(data=tips, x='day', y='total_bill') # базовый
sns.boxplot(data=tips, x='day', y='total_bill', hue='smoker') # с подгруппами
sns.boxplot(data=tips, y='total_bill', hue='day') # горизонтальная группировка
# Violin plot (плотность + boxplot)
sns.violinplot(data=tips, x='day', y='total_bill')
sns.violinplot(data=tips, x='day', y='total_bill', hue='sex', split=True) # пол внутри категории
sns.violinplot(data=tips, x='day', y='total_bill', inner='quartile') # квартили внутри
# Boxen plot (для больших данных — больше квантилей)
sns.boxenplot(data=tips, x='day', y='total_bill')
# Stripplot / Swarmplot (точки)
sns.stripplot(data=tips, x='day', y='total_bill', jitter=True, alpha=0.5)
sns.swarmplot(data=tips, x='day', y='total_bill', size=4) # без наложения
# Комбинация: boxplot + точки
sns.boxplot(data=tips, x='day', y='total_bill')
sns.swarmplot(data=tips, x='day', y='total_bill', color='black', size=3, alpha=0.5)
# Countplot
sns.countplot(data=titanic, x='class') # частоты
sns.countplot(data=titanic, x='class', hue='survived') # с подгруппами
# Barplot (среднее + CI)
sns.barplot(data=tips, x='day', y='total_bill') # среднее
sns.barplot(data=tips, x='day', y='total_bill', hue='sex') # по полу
# Pointplot (точки + линия для трендов)
sns.pointplot(data=tips, x='day', y='total_bill', hue='sex')
# Универсальный catplot (figure-level)
sns.catplot(data=tips, x='day', y='total_bill', kind='box')
sns.catplot(data=tips, x='day', y='total_bill', kind='violin', col='sex')
sns.catplot(data=tips, x='day', kind='count', hue='time')
sns.catplot(data=tips, x='day', y='total_bill', kind='bar', col='time')Реляционные графики
Связь между двумя числовыми переменными: scatterplot (точки), lineplot (линия с доверительным интервалом — идеален для временных рядов), lmplot (линейная регрессия). relplot — figure-level с автоматической сеткой по hue/col/row.
# Scatterplot
sns.scatterplot(data=tips, x='total_bill', y='tip')
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='sex') # цвет=пол
sns.scatterplot(data=tips, x='total_bill', y='tip',
hue='time', size='size', sizes=(20, 200)) # цвет+размер
# Lineplot (с доверительным интервалом)
sns.lineplot(data=tips, x='total_bill', y='tip') # CI по умолчанию
sns.lineplot(data=tips, x='total_bill', y='tip', hue='sex') # по группам
sns.lineplot(data=tips, x='total_bill', y='tip',
ci='sd', err_style='band') # std вместо 95% CI
sns.lineplot(data=tips, x='total_bill', y='tip', ci=None) # без CI
# lmplot (регрессия)
sns.lmplot(data=tips, x='total_bill', y='tip') # линейная регрессия
sns.lmplot(data=tips, x='total_bill', y='tip', hue='smoker') # по группам
sns.lmplot(data=tips, x='total_bill', y='tip', col='day') # сеткой по дням
# Универсальный relplot (figure-level)
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter')
sns.relplot(data=tips, x='total_bill', y='tip', kind='line', hue='sex')
sns.relplot(data=penguins, x='bill_length_mm', y='bill_depth_mm',
hue='species', size='body_mass_g', sizes=(20, 200))Heatmap и матрицы
Визуализация матриц и таблиц: heatmap — цветовая карта (корреляции, конфузионные матрицы, сводные таблицы). clustermap — heatmap + дендрограмма (иерархическая кластеризация строк и столбцов). Оба используют цвет для передачи значений.
# Корреляционная матрица
corr = df.corr(numeric_only=True)
sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm',
center=0, square=True, linewidths=0.5,
cbar_kws={'shrink': 0.8})
# Кастомные параметры
sns.heatmap(corr, annot=True, fmt='.2f', cmap='RdBu_r',
vmin=-1, vmax=1, center=0, # фиксированный диапазон
square=True, linewidths=1,
xticklabels=True, yticklabels=True,
mask=np.triu(corr)) # скрыть верхний треугольник
# Pivot → heatmap
pivot = flights.pivot(index='month', columns='year', values='passengers')
sns.heatmap(pivot, annot=True, fmt='d', cmap='YlOrRd')
# Кластерная карта (clustermap)
sns.clustermap(corr, annot=True, fmt='.2f', cmap='coolwarm',
method='ward', figsize=(10, 8))FacetGrid — сетки графиков
Создаёт сетку подграфиков, разделяя данные по значениям категориальных переменных (col, row, hue). Каждый подграфик — одинаковый тип (scatter, hist), но на своём подмножестве данных. col_wrap ограничивает число столбцов и переносит на новую строку.
# Figure-level API: функция возвращает FacetGrid
# (НЕ matplotlib axes, а объект FacetGrid!)
# Базовая сетка
g = sns.FacetGrid(tips, col='day', height=4, aspect=1)
g.map(sns.scatterplot, 'total_bill', 'tip')
# С hue
g = sns.FacetGrid(tips, col='day', hue='sex', height=4)
g.map(sns.scatterplot, 'total_bill', 'tip')
g.add_legend()
# Строки + столбцы
g = sns.FacetGrid(tips, col='time', row='sex', height=4)
g.map(sns.histplot, 'total_bill')
# col_wrap — перенос на новую строку
g = sns.FacetGrid(tips, col='day', col_wrap=2, height=3)
g.map(sns.scatterplot, 'total_bill', 'tip')
# Кастомная функция с map_dataframe
def scatter_with_stats(data, **kwargs):
ax = plt.gca()
sns.scatterplot(data=data, **kwargs)
ax.axvline(data['total_bill'].mean(), color='red', linestyle='--')
ax.axhline(data['tip'].mean(), color='red', linestyle='--')
ax.text(0.95, 0.95, f'n={len(data)}', transform=ax.transAxes,
ha='right', va='top', fontsize=12)
g = sns.FacetGrid(tips, col='day', height=4)
g.map_dataframe(scatter_with_stats, x='total_bill', y='tip')
g.set_axis_labels('Счёт ($)', 'Чаевые ($)')
g.set_titles('День: {col_name}')PairGrid и pairplot
Матрица попарных отношений между всеми числовыми переменными. pairplot — быстрый обзор всего датасета. PairGrid — полный контроль: можно задать разные типы графиков для диагонали, верхнего и нижнего треугольника. Идеально для первого взгляда на данные.
# pairplot — быстрый обзор всех попарных отношений
sns.pairplot(penguins, hue='species')
sns.pairplot(penguins, hue='species', diag_kind='kde') # KDE на диагонали
sns.pairplot(penguins, hue='species', corner=True) # только нижний треугольник
sns.pairplot(penguins, hue='species', markers=['o', 's', 'D'])
sns.pairplot(penguins, vars=['bill_length_mm', 'bill_depth_mm', 'body_mass_g']) # выборочно
# PairGrid — полный контроль
g = sns.PairGrid(penguins, hue='species')
g.map_upper(sns.scatterplot, s=10) # scatter сверху
g.map_lower(sns.kdeplot, fill=True, alpha=0.3) # KDE снизу
g.map_diag(sns.histplot, kde=True, alpha=0.5) # гистограмма на диагонали
g.add_legend()
# С функцией корреляции
def corr_func(x, y, **kwargs):
r = np.corrcoef(x, y)[0, 1]
ax = plt.gca()
ax.annotate(f'r = {r:.2f}', xy=(0.5, 0.9), xycoords='axes fraction',
ha='center', fontsize=12)
g = sns.PairGrid(penguins, hue='species')
g.map_upper(sns.scatterplot)
g.map_lower(sns.kdeplot)
g.map_diag(sns.histplot)
g.map_upper(corr_func) # r на верхней панели
g.add_legend()JointGrid и jointplot
Связь двух переменных + их маргинальные распределения на одном графике. Основное поле — scatter/hexbin/kde/regression, боковые поля — гистограммы/KDE. jointplot — быстро, JointGrid — полный контроль над каждым элементом.
# jointplot — связь двух переменных + маргинальные распределения
sns.jointplot(data=tips, x='total_bill', y='tip') # scatter
sns.jointplot(data=tips, x='total_bill', y='tip', kind='hex') # hexbin
sns.jointplot(data=tips, x='total_bill', y='tip', kind='kde') # KDE
sns.jointplot(data=tips, x='total_bill', y='tip', kind='reg') # + регрессия
# JointGrid — полный контроль
g = sns.JointGrid(data=tips, x='total_bill', y='tip')
g.plot_joint(sns.scatterplot) # центральный график
g.plot_marginals(sns.histplot, kde=True) # маргинальные
# С корреляцией
g = sns.JointGrid(data=tips, x='total_bill', y='tip')
g.plot_joint(sns.scatterplot)
g.plot_marginals(sns.histplot)
r = tips['total_bill'].corr(tips['tip'])
g.ax_joint.text(0.05, 0.95, f'r = {r:.2f}', transform=g.ax_joint.transAxes,
fontsize=12, va='top')Цветовые палитры
Цвет — мощный канал передачи информации. Qualitative палитры (deep, muted) — для категорий. Sequential (rocket, mako) — для чисел. Diverging (coolwarm, RdBu) — для отклонений. Можно создавать свои через sns.color_palette() и sns.light_palette().
# Типы палитр
# Qualitative (категории): 'deep', 'muted', 'pastel', 'bright', 'dark', 'colorblind'
# Sequential (числа): 'rocket', 'mako', 'flare', 'crest', 'viridis'
# Diverging (отклонения): 'coolwarm', 'RdBu', 'icefire', 'vlag'
# Просмотр палитры
sns.palplot(sns.color_palette('muted', 10))
# Установка палитры
sns.set_palette('muted')
sns.set_palette('husl', 8) # HUSL цветовое пространство
# Кастомные палитры
palette = sns.color_palette(['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4'])
palette = sns.light_palette('navy', n_colors=5) # светлая → тёмная
palette = sns.dark_palette('gold', n_colors=5)
palette = sns.diverging_palette(250, 15, n=7) # синий → красный
# Кастомная цветовая карта (colormap)
from matplotlib.colors import LinearSegmentedColormap
colors = ['blue', 'white', 'red']
cmap = LinearSegmentedColormap.from_list('custom', colors, N=256)
sns.heatmap(corr, cmap=cmap, center=0)
# Использование в графиках
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='day', palette='Set2')Контексты и стили
Готовые наборы оформления для разных ситуаций: paper (мелкие подписи — для статей), notebook (по умолчанию), talk (средние — для презентаций), poster (крупные — для постеров). Стили (darkgrid, whitegrid, ticks) меняют фон и сетку.
# Стили осей (фон + сетка)
sns.set_style('darkgrid') # тёмный фон с белой сеткой
sns.set_style('whitegrid') # белый фон с серой сеткой
sns.set_style('dark') # тёмный фон без сетки
sns.set_style('white') # белый фон без сетки
sns.set_style('ticks') # белый + деления
# Контексты (размер элементов)
sns.set_context('paper') # для статей (мелкий)
sns.set_context('notebook') # для ноутбуков (по умолчанию)
sns.set_context('talk') # для презентаций (средний)
sns.set_context('poster') # для постеров (крупный)
# Тонкая настройка
sns.set_context('talk', font_scale=1.2) # + масштабирование шрифта
# Кастомный стиль
custom_style = {
'axes.facecolor': '#f0f0f0',
'axes.edgecolor': '#333333',
'axes.grid': True,
'axes.spines.top': False,
'axes.spines.right': False,
'grid.color': '#cccccc',
'grid.linestyle': '--',
}
sns.set_style(custom_style)
# Кастомный контекст
custom_context = {
'font.size': 14,
'axes.titlesize': 18,
'axes.labelsize': 14,
'xtick.labelsize': 12,
'ytick.labelsize': 12,
'legend.fontsize': 12,
'lines.linewidth': 2.5,
'lines.markersize': 8,
}
sns.set_context(custom_context)Сочетание Seaborn + Matplotlib
Seaborn построен на Matplotlib. Axes-level функции (sns.scatterplot) возвращают ax — можно донастроить через matplotlib. Figure-level функции (sns.relplot) возвращают FacetGrid — доступ к фигуре через .figure и к осям через .axes[i, j].
# Seaborn графики возвращают matplotlib axes/figures
# (кроме figure-level: relplot, displot, catplot, lmplot, pairplot, jointplot)
# Axes-level — можно донастроить через matplotlib
fig, ax = plt.subplots(figsize=(10, 6))
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='day', ax=ax)
ax.set_title('Чаевые vs счёт', fontsize=14)
ax.axhline(y=tips['tip'].mean(), color='red', linestyle='--', label='Средние чаевые')
ax.legend()
fig.savefig('tips.png', dpi=150, bbox_inches='tight')
# Figure-level — доступ через .figure, .axes
g = sns.relplot(data=tips, x='total_bill', y='tip', col='day')
# Доступ к фигуре
g.figure.suptitle('Чаевые по дням', fontsize=16, y=1.02)
g.figure.savefig('tips_grid.png', dpi=150, bbox_inches='tight')
# Доступ к отдельным осям
g.axes[0, 0].set_title('Четверг (изменён)')
g.set_axis_labels('Счёт ($)', 'Чаевые ($)')
# Сложная компоновка: matplotlib GridSpec + seaborn
from matplotlib.gridspec import GridSpec
fig = plt.figure(figsize=(14, 10))
gs = GridSpec(3, 3, figure=fig)
# Главный scatter — вся верхняя строка
ax_main = fig.add_subplot(gs[0, :])
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='sex', ax=ax_main)
# Гистограммы снизу
ax_hist_x = fig.add_subplot(gs[1, :2])
sns.histplot(data=tips, x='total_bill', ax=ax_hist_x)
ax_hist_y = fig.add_subplot(gs[1, 2])
sns.histplot(data=tips, y='tip', ax=ax_hist_y)
# Boxplot
ax_box = fig.add_subplot(gs[2, :])
sns.boxplot(data=tips, x='day', y='tip', hue='smoker', ax=ax_box)
plt.tight_layout()Публикационный график (checklist)
Готовый рецепт графика, который можно вставлять в статью или презентацию: продуманные цвета, информативные подписи, легенда за пределами графика, высокое разрешение при сохранении. Пройдите по шагам — получите профессиональный результат.
sns.set_theme(style='whitegrid', font='DejaVu Sans')
sns.set_context('notebook', font_scale=1.1)
fig, ax = plt.subplots(figsize=(10, 6))
# 1. График
sns.scatterplot(
data=penguins,
x='bill_length_mm', y='bill_depth_mm',
hue='species', size='body_mass_g',
sizes=(30, 200), palette='Set2',
alpha=0.8, edgecolor='black', linewidth=0.3,
ax=ax
)
# 2. Подписи
ax.set_title('Пингвины: длина клюва vs глубина клюва',
fontsize=14, fontweight='bold', pad=15)
ax.set_xlabel('Длина клюва (мм)', fontsize=12)
ax.set_ylabel('Глубина клюва (мм)', fontsize=12)
# 3. Легенда
ax.legend(bbox_to_anchor=(1.05, 1), loc='upper left',
frameon=True, title='Вид', title_fontsize=11)
# 4. Сохранить
fig.savefig('penguins_publication.png', dpi=300, bbox_inches='tight')Частые ошибки
| Ошибка | Правильно |
|---|---|
| Figure-level после axes-level (пустой график) | Figure-level открывает свою фигуру — используй ДО axes-level |
ax = sns.boxplot(...) — ax не всегда возвращается |
Figure-level (relplot, catplot, displot) возвращает FacetGrid, не ax! |
Забыт data= для hue/col |
sns.scatterplot(x='a', y='b', hue='c') → нужно data=df |
| Слишком много hue (категорий > 10) | Используй .nlargest(10) или объединяй категории |
tight_layout с FacetGrid |
FacetGrid сам управляет layout — не нужен |
| Неправильный transform в figure-level | Доступ к осям через g.axes[i, j] |
Ресурсы
- Сайт Seaborn — документация, галерея примеров, туториалы
- Seaborn на GitHub — исходный код
Что дальше
- Шпаргалка по Matplotlib: графики от простых до публикационных
- Шпаргалка по Pandas: DataFrame, groupby, временные ряды
- Шпаргалка по NumPy: массивы, операции, линейная алгебра
- Шпаргалка по Python: от основ до профи
- Шпаргалка по Scikit-learn: машинное обучение на Python
- Data Science инструменты: стек, roadmap, с чего начать
Связанные шпаргалки: Python, NumPy, Pandas, Matplotlib, SQL для начинающих