Seaborn 中有哪些不同的图表?
Seaborn 是一个强大的 Python 数据可视化库，它基于 Matplotlib 构建。它提供了一个高级界面，用于创建有吸引力且信息丰富的统计图形。它提供了多种绘图类型，可以有效地探索和可视化数据。以下是 Seaborn 中可用的不同图表，可帮助用户可视化数据。
散点图
散点图用于显示两个数值变量之间的关系。在 seaborn 中，我们有一个名为 scatterplot() 的函数，它创建一个散点图，并带有可选的附加功能，例如基于其他变量的颜色和标记大小。
线图
线图显示变量随时间或任何其他连续维度的趋势或变化。 Seaborn 的 'lineplot()' 函数可以为不同的组或类别创建包含多条线的线图。
条形图
条形图 比较分类变量并显示每个类别的分布或计数。Seaborn 的 'barplot()' 函数可以创建垂直或水平条形图，还可以显示置信区间。
直方图
直方图 通过将单个变量划分为箱体并显示每个箱体中值的频率或密度来可视化单个变量的分布。Seaborn 的 'histplot()' 函数可以创建具有核密度估计等附加功能的直方图。
箱线图
箱线图 显示数值变量在不同类别中的分布。 Seaborn 的 'boxplot()' 函数可创建箱线图，其中的晶须表示值的范围，方框表示四分位距，点表示潜在异常值。
小提琴图
小提琴图 将箱线图与核密度图相结合，以显示数值变量在不同类别中的分布。Seaborn 的 'violinplot()' 函数可创建小提琴图，提供更详细的数据分布视图。
热图
热图 使用颜色表示两个分类变量之间的关系。Seaborn 的 'heatmap()' 函数可创建热图，其中的颜色强度表示变量之间的关系。
配对图
配对图 显示数据集中多个变量之间的成对关系。 Seaborn 的 'pairplot()' 函数为每种变量组合创建散点图网格，以及对角线上的分布。
Facet Grid
facet grid 允许您创建多个图，每个图代表基于分类变量的数据子集。Seaborn 的 'FacetGrid' 类允许使用 'map()' 函数创建自定义子图网格，以将不同的图类型应用于每个子集。
回归图
回归图 可视化两个变量之间的关系，其中回归线表示最佳拟合关系。 Seaborn 的 'regplot()' 和 'lmplot()' 函数可创建具有置信区间和多项式回归等附加功能的回归图。
计数图
计数图显示分类变量每个类别中的观察值计数。Seaborn 的 'countplot()' 函数可创建计数图，从而轻松比较类别的分布。
联合图
联合图结合了两种不同的图类型，以可视化两个变量之间的关系，包括散点图、直方图、核密度图等。 Seaborn 的 'jointplot()' 函数可创建具有边际分布等附加特征的联合图。
KDE 图
KDE 的缩写是核密度估计图，它可视化连续变量的概率密度函数。Seaborn 的 'kdeplot()' 函数可创建 KDE 图，显示变量的估计分布。
群图
群图 用点显示分类变量的分布，通过调整它们的位置来避免重叠。 Seaborn 的 'swarmplot()' 函数可创建群图，提供更详细的数据分布视图。
因子图
因子图根据变量类型使用不同的绘图类型显示两个变量之间的关系。Seaborn 的 'factorplot()' 函数可创建因子图，轻松可视化不同分类和数值变量之间的关系。
