Les diagrammes bivariés avec Seaborn visualisent et analysent la relation entre deux variables à la fois. Ils servent à explorer comment deux variables sont liées ou corrélées. Les tracés les plus courants dans Seaborn sont sns.scatterplot(x, y, data) et sns.lineplot(x, y, data), pour les diagrammes de dispersion et les diagrammes linéaires. Les exemples utilisent le jeu de données tips :
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")Python# Diagramme de dispersion : pourboire en fonction de la facture
sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.show()
# Diagramme linéaire : facture moyenne selon la taille du groupe
sns.lineplot(x="size", y="total_bill", data=tips)
plt.show()PythonDiagramme de régression #
Un diagramme de régression se concentre sur la relation entre deux variables numériques : la variable indépendante (souvent sur l’axe x) et la variable dépendante (sur l’axe y). Les points de données individuels sont affichés, et l’élément central est la droite (ou la courbe) de régression, qui représente le modèle mathématique le mieux adapté pour décrire la relation entre les variables.
Utilise sns.regplot(x=..., y=..., data=...) :
plt.figure(figsize=(8, 5))
sns.regplot(x="total_bill", y="tip", data=tips,
scatter_kws={"color": "blue"}, line_kws={"color": "red"})
plt.title("Diagramme de régression du pourboire en fonction de la facture totale")
plt.xlabel("Facture totale (en $)")
plt.ylabel("Pourboire (en $)")
plt.show()Python
La droite de régression représente le modèle linéaire le mieux adapté pour prédire le pourboire à partir du montant de la facture. Les points montrent comment les données se regroupent autour de la droite. Ce diagramme est utile pour comprendre la relation linéaire entre deux variables.
Joint Plot #
Un joint plot (diagramme conjoint) combine des diagrammes de dispersion, des histogrammes et des diagrammes de densité pour visualiser la relation entre deux variables numériques. Son élément central est un diagramme de dispersion qui affiche les deux variables l’une par rapport à l’autre. Le long des axes x et y, des histogrammes ou des KDE montrent la distribution de chaque variable séparément (ce sont les tracés « marginaux »).
Utilise sns.jointplot(x=..., y=..., data=dataframe, kind=...), où kind peut valoir 'scatter', 'hist', 'hex', 'kde', 'reg' ou 'resid'.
g = sns.jointplot(x="total_bill", y="tip", data=tips, kind="scatter")
# jointplot crée sa propre figure : les étiquettes se règlent sur l'objet g
g.set_axis_labels("Facture totale (en $)", "Pourboire (en $)")
plt.show()Python
Le diagramme de dispersion montre la relation entre les deux variables, tandis que les histogrammes marginaux montrent la distribution de chacune séparément. Comme jointplot() crée sa propre figure, n’utilise pas plt.figure() avant, et règle les étiquettes avec g.set_axis_labels().
Hexbin Plot #
Un hexbin plot (diagramme hexagonal, pour hexagonal binning) regroupe les points de données dans des cases hexagonales, ce qui permet de visualiser plus efficacement leur densité. Il est particulièrement utile pour les grands jeux de données, quand un diagramme de dispersion devient trop encombré pour être lu.
Dans Seaborn, tu le crées avec sns.jointplot(..., kind='hex'). Tu peux personnaliser la palette de couleurs (cmap), la taille de la grille (gridsize) et d’autres paramètres.
g = sns.jointplot(x="total_bill", y="tip", kind="hex", data=tips, gridsize=15, cmap="Blues")
g.set_axis_labels("Facture totale (en $)", "Pourboire (en $)")
plt.show()Python
Chaque hexagone est coloré selon la densité des points qu’il contient. Sur un grand jeu de données, ce diagramme est bien plus clair qu’un nuage de points.
La suite de la série porte sur les diagrammes multivariés avec Seaborn. Documentation : visualiser des relations statistiques avec Seaborn.
Pour aller plus loin, consulte aussi notre article sur Seaborn pour la data science.

