Seaborn 统计估计

在大多数情况下，我们处理的是对数据整个分布的估计。但是当涉及到中心趋势的估计时，我们需要一种特定的方式来总结分布。均值和中位数是估计分布中心趋势的常用技术。

在上面的部分我们学习的所有绘图中，我们都对整个分布进行了可视化。现在，让我们讨论一下可以估计分布中心趋势的绘图。

柱状图

barplot() 显示了一个分类变量和一个连续变量之间的关系。数据以矩形条表示，其中条的长度表示该类别中数据的比例。

柱状图表示中心趋势的估计。让我们使用“titanic”数据集来学习柱状图。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('titanic')
sb.barplot(x = "sex", y = "survived", hue = "class", data = df)
plt.show()

输出

在上面的示例中，我们可以看到每个班级中男性和女性的平均幸存人数。从图表中我们可以理解到，比男性更多的女性幸存下来。在男性和女性中，更多的幸存者来自一等舱。

在barplot中的一个特殊情况是显示每个类别中的观察次数，而不是计算第二个变量的统计数据。为此，我们使用 countplot() 。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('titanic')
sb.countplot(x = " class ", data = df, palette = "Blues");
plt.show()

输出

剧情说，三等舱乘客的人数高于一等舱和二等舱。

点图

点图与柱状图的作用相同，但样式不同。与整根柱子代表估计值不同，点图将估计值表示为另一个轴上某个高度的点。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('titanic')
sb.pointplot(x = "sex", y = "survived", hue = "class", data = df)
plt.show()

输出