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 bivariés avec Seaborn

Temps de lecture: 4 minutes

0:00 / 4:36
  • Export PDF Download this page as a PDF
  • Open in ChatGPT Ask questions about this page (opens in a new tab)

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()
Python

Diagramme 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
Diagramme de régression Seaborn du pourboire en fonction de la facture totale

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
Joint plot Seaborn de la facture totale et du pourboire avec histogrammes marginaux

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
Hexbin plot Seaborn de la facture totale et du pourboire, avec des hexagones colorés selon la densité

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.

Maitriser Seaborn

Partager ce tuto :

  • Facebook
  • X
  • LinkedIn
Diagrammes univariés avec SeabornDiagrammes multivariés avec Seaborn
Table des matières
  • Diagramme de régression
  • Joint Plot
  • Hexbin Plot

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