Aller au contenu
Moncoachdata
  • Accueil
  • Blog
  • Tutos
  • Programme Data
Connexion
Moncoachdata
Logo Numpy

Maîtriser NumPy : Le compagnon indispensable pour les Data Lovers

9
  • Principes de base des tableaux Numpy
  • Inspection de tableaux array de NumPy
  • Opérations sur les tableaux NumPy
  • Travailler avec des tableaux Numpy
  • NumPy pour le nettoyage de données
  • NumPy pour l’analyse statistique
  • NumPy pour l’algèbre linéaire
  • Techniques avancées pour NumPy
  • Optimisation des performances avec NumPy
Logo Pandas

Pandas : Un manuel complet pour les Data Lovers

10
  • Structures de données Pandas
  • Chargement et inspection des données dans Pandas
  • Sélection et indexation des données avec Pandas
  • Nettoyage de données avec Pandas
  • Manipulation de données avec Pandas
  • Agrégations de données avec Pandas
  • Visualisations de données avec Pandas
  • Traitement des données de séries temporelles avec Pandas
  • Traitement des données catégorielles avec Pandas
  • Pandas : Sujets avancés
Logo Matplotlib

Maîtriser Matplotlib : Un guide complet pour la visualisation de données

4
  • Tracé de base Matplotlib
  • Types de diagrammes Matplotlib
  • Multiples subplots Matplotlib
  • Matplotlib : Fonctionnalités avancées
Logo Seaborn

Maîtriser Seaborn : Démystifier les diagrammes complexes

6
  • Introduction Seaborn
  • Diagrammes catégoriels avec Seaborn
  • Diagrammes univariés avec Seaborn
  • Diagrammes bivariés avec Seaborn
  • Diagrammes multivariés avec Seaborn
  • Diagrammes matriciels avec Seaborn
Logo Plotly

Maîtriser Plotly : Laisse tes visualisations parler à travers Plotly

3
  • Modules importants de Plotly
  • Diagrammes de base avec Plotly
  • Plotly : diagrammes avancés
Logo Machine Learning

Machine Learning : Explorer ses nombreuses formes

5
  • Comment fonctionne le Machine Learning ?
  • Apprentissage automatique supervisé
  • Apprentissage Automatique non Supervisé
  • Apprentissage semi-supervisé
  • Apprentissage par renforcement
View Categories

Diagrammes multivariés avec Seaborn

Temps de lecture: 7 minutes

0:00 / 7:50
  • Export PDF Download this page as a PDF
  • Open in ChatGPT Ask questions about this page (opens in a new tab)

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")
Python

Ajouter 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
Violin plot Seaborn de la facture totale par jour de la semaine, séparé par genre grâce au paramètre hue

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
Diagramme de dispersion Seaborn avec couleur selon le jour et taille des marqueurs selon la taille du groupe

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) :

  • hue colore les points selon une variable catégorielle ;
  • size fait varier la taille des marqueurs selon une variable numérique ;
  • style différencie les marqueurs ou les lignes selon une variable catégorielle ;
  • kind choisit 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
Diagramme relationnel Seaborn avec couleur selon le moment du repas, forme selon le genre et taille selon la taille du groupe

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
Grille à facettes Seaborn de diagrammes de dispersion relationnels, par jour en colonnes et par genre en lignes

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
Grille à facettes Seaborn d'histogrammes de la facture totale, un par jour de la semaine

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 plot Seaborn du jeu de données iris, coloré par espèce de fleur

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
Pair grid Seaborn du jeu de données iris avec nuages de points, histogrammes et densités

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.

Maitriser Seaborn

Partager ce tuto :

  • Facebook
  • X
  • LinkedIn
Diagrammes bivariés avec SeabornDiagrammes matriciels avec Seaborn
Table des matières
  • Ajouter des dimensions avec des paramètres
    • Le paramètre hue
    • Les paramètres hue et size
  • Diagramme relationnel (relplot)
    • Grille à facettes avec col et row
  • Facet Grid
  • Pair Plot
  • Pair Grid

Apprentissage

  • Cours accéléré NumPy
  • Nos programmes Data
  • Guide Pandas
  • Guide NumPy
  • Les modèles de Machine Learning expliqués
  • Mon Shot de Data Science
  • Tutoriels Data Science

Le site

  • Articles
  • Communauté
  • Newsletter
  • Connexion

À propos

  • CGV
  • Contact
Payment Options
Reçois chaque semaine mes meilleures pratiques en Data Science :

© 2026 MonCoachData - Data Science & Machine Learning

YouTube Discord GitHub Linkedin RSS
Défiler vers le haut
  • Accueil
  • Blog
  • Tutos
  • Programme Data
Connexion
Discord DiscordYouTube YouTube
Rechercher