View Categories

Introduction Seaborn

Temps de lecture: 1 min read

0:00 2:38

Seaborn est une bibliothèque Python de visualisation de données construite sur Matplotlib. Elle permet de créer en quelques lignes des graphiques statistiques lisibles et soignés, et elle s’intègre directement aux DataFrame Pandas. Cette introduction à Seaborn présente la bibliothèque et les grandes familles de diagrammes qu’elle propose.

Importer Seaborn #

On importe Seaborn avec l’alias sns. Petite anecdote : NumPy est l’abréviation de Numerical Python et Matplotlib de Mathematical Plotting Library, mais Seaborn doit son nom à un personnage de la série télévisée The West Wing, Samuel Norman Seaborn. L’alias standard, « sns », correspond à ses initiales.

import seaborn as sns
import matplotlib.pyplot as plt

# Seaborn fournit des jeux de données d'exemple (téléchargés au premier appel)
tips = sns.load_dataset("tips")

# Un premier graphique : l'histogramme de la facture totale
sns.histplot(data=tips, x="total_bill")
plt.show()
Python

Les exemples des tutos suivants utilisent ce jeu de données tips : les pourboires laissés dans un restaurant.

Les familles de diagrammes Seaborn #

Seaborn propose beaucoup de diagrammes, et il est difficile de s’en souvenir. Pour s’y retrouver, le plus simple est de les classer selon le nombre et le type de variables qu’ils représentent :

  • Diagrammes catégoriels : ils visualisent des données catégorielles. Par exemple : le diagramme en barres (bar plot), le diagramme de comptage (count plot), le swarm plot, le point plot, le cat plot, le box plot et le violin plot catégoriels ;
  • Diagrammes univariés : ils visualisent une seule variable. Par exemple : l’histogramme, le graphe KDE, le rug plot, le box plot, le violin plot, le strip plot ;
  • Diagrammes bivariés : ils visualisent la relation entre deux variables. Par exemple : le diagramme de dispersion (scatter plot), le diagramme linéaire (line plot), le diagramme de régression (regression plot), le joint plot, le diagramme hexagonal (hexbin plot) ;
  • Diagrammes multivariés : ils impliquent plus de deux variables. Par exemple : le pair plot, le facet grid, le relational plot ;
  • Diagrammes matriciels : ils visualisent les relations au sein de matrices de données. Par exemple : la carte thermique (heatmap) et la cluster map.

Seaborn s’appuie sur Matplotlib : si besoin, consulte d’abord la série de tutos Matplotlib.

Le parcours des tutos Seaborn #

Documentation : tutoriel officiel de Seaborn.

Pour aller plus loin, consulte aussi notre article sur Seaborn pour la data science.

Seaborn rend les graphiques statistiques simples. Dans le cours Analyse et visualisation de données, tu les utilises pour explorer des corrélations sur des données réelles.