1.3 内置数据集与数据长表

1.3 内置数据集与数据长表

长表（整洁数据）是每行一条观测、每列一个变量的表结构，是 Seaborn 映射语法的母语；宽表则以一行多个度量列的形式存储，需要先融化成长表才能顺畅映射。

前两节解决了"怎么看图"和"怎么出图"，本节解决"数据从哪来"。它是第 1 章的收尾，也是后面八章所有案例的数据供给站。

五个内置数据集

sns.load_dataset 从官方仓库拉取示例数据，首次联网下载后会缓存到本地。

import seaborn as sns

# 教程全程使用的五个数据集一览
for name in ['tips', 'iris', 'flights', 'titanic', 'penguins']:
    df = sns.load_dataset(name)
    print(f"{name:10s} 形状 {df.shape}")
# 输出示例：
# tips       形状 (244, 7)      小费：总消费、小费、餐段、星期等
# iris       形状 (150, 5)      鸢尾花：四个测量值加物种
# flights    形状 (144, 3)      航班：年、月、乘客数
# titanic    形状 (891, 15)     泰坦尼克：乘客信息与生还
# penguins   形状 (344, 8)      企鹅：体型测量加物种岛屿
​

选这五个不是随意的：tips 用来讲类别映射，iris 用来讲成对关系，flights 天生是长表时间序列，titanic 有缺失值和离散统计，penguins 适合数值相关性。一个数据集配一类语法问题。

titanic = sns.load_dataset('titanic')
print(titanic.dtypes.value_counts())
# 输出示例：
# object     7
# int64      4
# float64    3
# bool       1
# 说明：列类型分布决定它适合哪些映射——数值列进连续通道，object 列进离散通道
​

长表为什么是母语

设想一个场景：三个部门的季度销售额，存在一张宽表里。

import pandas as pd

wide = pd.DataFrame({
    'quarter': ['Q1', 'Q2', 'Q3', 'Q4'],
    'east': [120, 132, 128, 140],
    'west': [98, 105, 112, 118],
    'north': [76, 80, 84, 90],
})
​

想画"季度 x 销售额，按部门着色"的折线图，宽表直接映射不了——hue 需要一个"部门"列，而部门名现在藏在表头里。融化成长表：

long = wide.melt(id_vars='quarter', var_name='region', value_name='sales')
print(long.head(4))
# 输出：
#   quarter region  sales
# 0       Q1   east    120
# 1       Q2   east    132
# 2       Q3   east    128
# 3       Q4   east    140

# 融化后，映射立刻成立
ax = sns.lineplot(data=long, x='quarter', y='sales', hue='region')
​

规律可以推广：凡是"按某维度着色/分面/改点型"的需求，那个维度必须是长表里的一列。宽表把维度编码进了列名，语法层就够不着它。

反向操作同样常见。flights 是天然长表，但热力图需要"行 x 列"的矩阵形态，这时用透视：

flights = sns.load_dataset('flights')
pivot = flights.pivot(index='month', columns='year', values='passengers')
print(pivot.iloc[:2, :3])
# 输出：
# year       1949  1950  1951
# month
# January     112    115    145
# February    118    126    150
# 说明：pivot 是 melt 的逆操作，热力图与聚类图（第 5 章）只吃矩阵形态
​

melt 与 pivot 这对互逆操作，是数据层最重要的两个工具：映射前 melt，画矩阵图前 pivot。

dtype 如何影响映射

同一个数值，存成 float64 和存成 object，映射结果完全不同。

tips = sns.load_dataset('tips')
tips['size_str'] = tips['size'].astype(str)     # 用餐人数：整数 → 字符串

# 数值型：颜色连续渐变，图例带数值刻度
ax1 = sns.scatterplot(data=tips, x='total_bill', y='tip', hue='size')

# 字符串型：同样的数字，变成离散色块，图例逐类列出
ax2 = sns.scatterplot(data=tips, x='total_bill', y='tip', hue='size_str')
​

哪种对？取决于语义：用餐人数 2 和 4 之间没有"2.8 人"，离散更合理；而年龄、收入这类真连续量用渐变才不丢信息。类似的坑还有：类别列被读成数字（如用 0/1 编码的性别），hue 会错误地走连续刻度，图例变成色带。习惯性检查 df.dtypes，是绘图前的标准动作。

# 把 0/1 编码列恢复为类别，映射回到离散轨道
tips['smoker_code'] = tips['smoker'].map({'Yes': 1, 'No': 0})
tips['smoker_code'] = tips['smoker_code'].astype('category')
print(tips['smoker_code'].dtype)
# 输出：category
​

💡 关键直觉：数据层多花的每一分钟，都会在映射层省回来。列名起清楚、类型转对、该融化的融化，后面的绘图代码通常只剩三五行。

本节要点回顾

• 五个数据集各司其职：tips 讲类别、iris 讲成对关系、flights 讲长表时序、titanic 讲缺失与离散、penguins 讲相关；
• 维度必须是列：着色、分面、点型的依据列不存在时，先 melt 再画；
• melt 与 pivot 互逆：映射语法吃长表，矩阵图吃透视表；
• dtype 即刻度：float 走连续渐变，object 与 category 走离散色板，画前必查；
• 派生列先行：比率、分类、单位换算都在数据层完成。

第 1 章到此收官。第 2 章把拆解台转向第一个图形家族：分布图，从最简单的单变量映射开始。