Seaborn - 统计估算

在大多数情况下，我们处理数据整体分布的估计。但是当涉及到集中趋势估计时，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集中趋势的常用技术。

在我们在上一节中学到的所有图中，我们对整个分布进行了可视化。现在，让我们讨论可以用来估计分布集中趋势的图。

条形图

barplot ()显示分类变量和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。

条形图代表集中趋势的估计。让我们使用“泰坦尼克号”数据集来学习条形图。

例子

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

条形图

在上面的例子中，我们可以看到每个班级中男性和女性的平均生存数。从图中我们可以了解到，存活下来的女性数量多于男性。无论是男性还是女性，来自头等舱的幸存者数量都较多。

条形图的一个特殊情况是显示每个类别中的观察数量，而不是计算第二个变量的统计量。为此，我们使用countplot()。

例子

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

条状图

Plot表示，三等舱的乘客人数比一等舱和二等舱的乘客人数要多。

点图

点图与条形图的作用相同，但风格不同。估计值不是用完整的条形图，而是由另一个轴上特定高度的点表示。

例子

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

z符号