Les diagrammes multivariés avec Seaborn sont parmi les plus flexibles : ils permettent d’explorer les relations et les motifs entre trois variables ou plus à la fois. Autrement dit, ils étendent l’analyse à plus de deux variables, ce qui est très souvent nécessaire en analyse de données. Les exemples utilisent les jeux de données tips et iris :
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")PythonAjouter des dimensions avec des paramètres #
Le paramètre hue #
Le paramètre hue colore le graphique selon une variable catégorielle, avec une couleur unique par catégorie. Il fonctionne avec presque tous les tracés : scatterplot(), boxplot(), violinplot(), lineplot(), etc.
# Violin plot avec une teinte (hue)
plt.figure(figsize=(10, 6))
sns.violinplot(
x="day", # axe x : jour de la semaine (catégoriel)
y="total_bill", # axe y : montant de la facture (numérique)
data=tips,
hue="sex", # couleur selon le genre (catégoriel)
palette="Set1", # palette de couleurs
split=True # un demi-violon par catégorie de hue
)
plt.title("Violin plot de la facture totale par jour et par genre")
plt.xlabel("Jour de la semaine")
plt.ylabel("Facture totale (en $)")
plt.legend(title="Genre")
plt.show()Python
La colonne sex colore les violons selon le genre, ce qui ajoute une dimension au graphique.
Les paramètres hue et size #
Le paramètre size ajoute une dimension numérique, en faisant varier la taille des marqueurs :
# Diagramme de dispersion avec hue et size
plt.figure(figsize=(10, 8))
sns.scatterplot(
x="total_bill",
y="tip",
data=tips,
hue="day", # couleur selon le jour (catégoriel)
size="size", # taille du marqueur selon la taille du groupe (numérique)
sizes=(20, 200), # étendue des tailles de marqueurs
palette="Set1"
)
plt.title("Diagramme de dispersion avec hue et size pour le jeu de données tips")
plt.xlabel("Facture totale (en $)")
plt.ylabel("Pourboire (en $)")
plt.legend(title="Jours et tailles")
plt.show()Python
Chaque jour a une couleur différente (une troisième dimension avec hue), et la taille du marqueur dépend de la colonne size (une quatrième dimension).
Diagramme relationnel (relplot) #
Un diagramme relationnel visualise la relation entre deux variables numériques, avec des dimensions catégorielles ou numériques supplémentaires. Utilise sns.relplot(x, y, data, hue, size, style) :
huecolore les points selon une variable catégorielle ;sizefait varier la taille des marqueurs selon une variable numérique ;styledifférencie les marqueurs ou les lignes selon une variable catégorielle ;kindchoisit le type de graphe relationnel ('scatter'par défaut, ou'line').
# Nuage de points avec relplot
g = sns.relplot(x="total_bill", y="tip", data=tips,
hue="time", style="sex", size="size",
palette="Set1", height=6)
g.set_axis_labels("Facture totale (en $)", "Pourboire (en $)")
g.figure.suptitle("Diagramme de dispersion relationnel pour le jeu de données tips", y=1.02)
plt.show()Python
La colonne time colore les points (hue), size fait varier leur taille et sex change le marqueur (style).
Grille à facettes avec col et row #
Avec les paramètres col et row, relplot crée une grille à facettes pour visualiser les relations dans différents sous-ensembles de données. Affecte-leur des colonnes catégorielles :
g = sns.relplot(
x="total_bill",
y="tip",
data=tips,
hue="time",
col="day", # un graphique par jour (colonnes)
row="sex", # un graphique par genre (lignes)
palette="Set1",
height=3, # hauteur de chaque sous-graphique
aspect=1.2 # rapport largeur / hauteur de chaque sous-graphique
)
# Titres et étiquettes des facettes
g.set_titles(col_template="{col_name}", row_template="{row_name}")
g.set_axis_labels("Facture totale (en $)", "Pourboire (en $)")
g.figure.suptitle("Diagrammes de dispersion par jour et par genre", y=1.03)
plt.show()Python
Facet Grid #
Une grille à facettes (FacetGrid) crée une grille de sous-graphiques, chacun représentant un sous-ensemble différent de tes données. Elle sert à comparer des modèles ou des relations entre plusieurs variables dans différentes catégories.
Utilise sns.FacetGrid(data, col, row) pour créer la grille : elle renvoie un objet grille. Associe-lui ensuite le tracé de ton choix avec .map() :
# Grille à facettes d'histogrammes, un par jour
g = sns.FacetGrid(tips, col="day", height=4, aspect=1.2)
g.map(sns.histplot, "total_bill", kde=True)
g.set_axis_labels("Facture totale (en $)", "Fréquence")
g.set_titles(col_template="{col_name}")
plt.show()Python
Tu peux mapper n’importe quel autre tracé pour créer d’autres types de FacetGrid.
Pair Plot #
Un pair plot (diagramme de paires, ou matrice de diagrammes de dispersion) fournit une grille de diagrammes où chacun montre la relation entre deux variables. Les cellules de la diagonale affichent généralement des histogrammes ou des KDE pour chaque variable seule, donc sa distribution. Les cellules hors diagonale affichent souvent des diagrammes de dispersion, qui montrent comment deux variables sont liées. Il est particulièrement utile pour comprendre les motifs, les corrélations et les distributions de plusieurs dimensions des données.
Utilise sns.pairplot(data). Tu peux changer le type de tracé (kind), les couleurs, les marqueurs, etc., et modifier les tracés de la diagonale avec diag_kind.
sns.set_theme(style="ticks")
sns.pairplot(iris, hue="species", markers=["o", "s", "D"])
plt.show()Python
Pair Grid #
Un PairGrid permet de personnaliser séparément les tracés du triangle inférieur, du triangle supérieur et de la diagonale.
g = sns.PairGrid(iris, hue="species")
g.map_upper(sns.scatterplot)
g.map_diag(sns.histplot, kde=True)
g.map_lower(sns.kdeplot)
g.add_legend()
plt.show()Python
La suite de la série porte sur les diagrammes matriciels avec Seaborn. Documentation : grilles et graphiques multiples avec Seaborn.
Pour aller plus loin, consulte aussi notre article sur Seaborn pour la data science.

