1.3 Seaborn的常用数据集

1.3 Seaborn的常用数据集

Seaborn常用数据集详解：数据探索的起点

1. 引言

Seaborn，作为Python数据可视化库中的佼佼者，构建于Matplotlib之上，专注于统计图形的绘制。它以简洁的语法和强大的功能，深受数据科学家和分析师的喜爱。为了方便用户快速上手和进行实践，Seaborn内置了一系列经典且常用的数据集。这些数据集涵盖了多个领域，从生物统计到经济分析，为我们学习和探索数据可视化提供了丰富的素材。

2. Seaborn数据集概览

Seaborn提供了一组精选的数据集，这些数据集通常被用于教学示例、演示和快速原型设计。通过 seaborn.load_dataset() 函数，我们可以轻松加载这些数据集。以下是Seaborn库中一些最常用的内置数据集：

• anscombe: 安斯库姆四重奏 (Anscombe's quartet)。这是一个经典的数据集，用于说明即使描述性统计量（如均值和方差）相同，不同的数据集也可能具有截然不同的分布和关系。

• attention: 关于儿童注意力持续时间与年龄的数据集，可能用于研究注意力缺陷多动障碍 (ADHD)。

• brain_networks: 大脑网络连接数据集，用于可视化复杂网络结构。

• car_crashes: 美国各州交通事故统计数据集，包含各种与交通事故相关的指标，如酒精影响、超速等。

• diamonds: 钻石价格预测数据集，包含钻石的各种特征（克拉、切工、颜色、净度等）及其价格，常用于回归分析和可视化。

• dots: 一个用于演示 stripplot 和 swarmplot 等散点图的数据集，展示了不同分组下的数据分布。

• exercise: 运动生理学数据集，记录了不同个体的运动数据，如心率、时间、氧气消耗等，可以用于研究运动与生理指标的关系。

• flights: 航班乘客数量数据集，记录了1949年至1960年间，每月不同航空公司的乘客数量，是时间序列分析和可视化的经典数据集。

• fmri: 功能性磁共振成像 (fMRI) 数据集，用于神经科学研究，展示了大脑活动与刺激之间的关系。

• geyser: 黄石公园老忠实间歇泉喷发数据，包含喷发持续时间和等待时间，常用于聚类分析和可视化。

• iris: 鸢尾花数据集，经典分类数据集，包含三种鸢尾花（Setosa, Versicolor, Virginica）的萼片和花瓣长度、宽度等特征，常用于分类算法和可视化。

• mpg: 汽车燃油效率数据集，记录了各种汽车的燃油效率（每加仑英里数，MPG）以及其他特征，如气缸数、排量、马力、重量等，常用于回归分析和可视化。

• penguins: 企鹅数据集，类似于 iris 数据集，但关注的是企鹅物种、身体尺寸等特征，也常用于分类和可视化。

• planets: 关于行星特征的数据集，例如质量、半径、轨道周期等，可以用于探索行星的性质和关系。

• sea ice: 北极海冰范围数据集，是时间序列数据，用于研究气候变化。

• taxis: 纽约市出租车行程数据集，包含行程的起点、终点、时间、距离、费用等信息，常用于地理可视化和时空数据分析。

• tips: 小费数据集，记录了餐厅顾客的消费金额、小费、性别、是否吸烟、日期、时间段以及用餐人数等信息，是学习分类数据可视化和探索性数据分析的经典数据集。

• titanic: 泰坦尼克号乘客生存数据集，记录了泰坦尼克号乘客的个人信息（年龄、性别、船舱等级等）以及生存情况，是机器学习入门和分类问题可视化的经典数据集。

3. Seaborn数据集详解与代码实践

接下来，我们将选择几个最常用的数据集进行详细的介绍，并结合代码示例展示如何加载、探索和可视化这些数据。

3.1 iris 数据集：经典的鸢尾花分类

• 数据集介绍: iris 数据集是统计学和机器学习中最经典的数据集之一。它由英国统计学家和生物学家 Ronald Fisher 于1936年收集和整理。数据集包含了150个样本，每个样本代表一朵鸢尾花，并记录了其四个特征：萼片长度 (sepal length)、萼片宽度 (sepal width)、花瓣长度 (petal length) 和花瓣宽度 (petal width)，单位均为厘米 (cm)。数据集中的鸢尾花属于三个不同的品种：Setosa, Versicolor 和 Virginica，每个品种各有50个样本。

• 数据集用途: iris 数据集常用于：

  • 分类算法的入门练习: 由于其数据量适中、特征维度不高且类别明确，非常适合用于学习和实践各种分类算法，如逻辑回归、支持向量机 (SVM)、决策树、k-近邻 (KNN) 等。

  • 数据可视化教学: iris 数据集的四个特征可以很容易地通过散点图、箱线图、小提琴图等可视化方法进行探索，帮助理解不同特征之间的关系以及不同品种之间的差异。

  • 特征选择和降维: 可以用来演示特征选择和降维技术，例如主成分分析 (PCA)，以降低数据维度并可视化高维数据。

• 代码实践:

import seaborn as sns
import matplotlib.pyplot as plt
# 加载 iris 数据集
iris = sns.load_dataset('iris')
# 查看数据集信息
print("Iris Dataset Info:")
iris.info()
# 查看数据集前 5 行
print("\nIris Dataset Head:")
print(iris.head())
# 查看数据集描述性统计
print("\nIris Dataset Describe:")
print(iris.describe())
# 可视化：使用散点图矩阵 (pairplot) 展示特征之间的关系，并用颜色区分不同品种
sns.pairplot(iris, hue='species')
plt.suptitle("Pairplot of Iris Dataset", y=1.02) # 添加总标题
plt.show()
# 可视化：使用箱线图 (boxplot) 展示不同品种在不同特征上的分布
plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1)
sns.boxplot(x='species', y='sepal_length', data=iris)
plt.title('Sepal Length Distribution')
plt.subplot(2, 2, 2)
sns.boxplot(x='species', y='sepal_width', data=iris)
plt.title('Sepal Width Distribution')
plt.subplot(2, 2, 3)
sns.boxplot(x='species', y='petal_length', data=iris)
plt.title('Petal Length Distribution')
plt.subplot(2, 2, 4)
sns.boxplot(x='species', y='petal_width', data=iris)
plt.title('Petal Width Distribution')
plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域
plt.show()
​

• 代码详解:

  1. import seaborn as sns 和 import matplotlib.pyplot as plt: 导入必要的库。Seaborn 用于数据可视化，Matplotlib.pyplot 用于更细致的图形控制和显示。

  2. iris = sns.load_dataset('iris'): 使用 sns.load_dataset() 函数加载 'iris' 数据集，并将其存储在 DataFrame 对象 iris 中。

  3. iris.info(): 打印数据集的摘要信息，包括列名、非空值数量、数据类型等，帮助我们了解数据的基本结构。

  4. iris.head(): 显示数据集的前 5 行，快速预览数据内容。

  5. iris.describe(): 显示数据集的描述性统计信息，包括均值、标准差、最小值、最大值、四分位数等，帮助我们了解数据的数值分布。

  6. sns.pairplot(iris, hue='species'): 使用 sns.pairplot() 绘制散点图矩阵。hue='species' 参数表示用 'species' 列的值对散点进行颜色编码，从而在图中区分不同的鸢尾花品种。plt.suptitle() 添加整个图表的总标题。

  7. plt.figure(figsize=(12, 8)): 创建一个指定大小的 Matplotlib 图形。

  8. plt.subplot(2, 2, i): 在图形中创建 2x2 的子图布局，并在第 i 个位置创建子图。

  9. sns.boxplot(x='species', y='feature', data=iris): 使用 sns.boxplot() 绘制箱线图，展示不同鸢尾花品种在不同特征上的分布情况。

  10. plt.title('Feature Distribution'): 为每个子图添加标题。

  11. plt.tight_layout(): 自动调整子图布局，避免子图之间或子图与图形边缘重叠。

  12. plt.show(): 显示绘制的图形。

• 可视化解读:

  • 散点图矩阵 (Pairplot): 展示了 iris 数据集中所有特征两两组合的散点图。通过颜色编码，我们可以清晰地看到不同鸢尾花品种在不同特征组合上的分布情况。例如，花瓣长度和花瓣宽度在不同品种之间有明显的区分度，而萼片长度和萼片宽度的区分度相对较弱。

  • 箱线图 (Boxplot): 展示了每个鸢尾花品种在四个特征上的分布范围和中位数。箱线图可以帮助我们比较不同品种在各个特征上的差异，并识别可能存在的异常值。例如，Setosa 品种的花瓣长度和花瓣宽度明显小于 Versicolor 和 Virginica 品种。

3.2 tips 数据集：餐厅小费习惯分析

• 数据集介绍: tips 数据集记录了餐厅顾客在不同情境下支付小费的情况。数据集包含了244个样本，每一行代表一笔订单，并记录了以下特征：

  • total_bill: 订单总金额 (美元)。

  • tip: 小费金额 (美元)。

  • sex: 顾客性别 (Male 或 Female)。

  • smoker: 是否吸烟 (Yes 或 No)。

  • day: 星期几 (Thur, Fri, Sat, Sun)。

  • time: 用餐时间段 (Lunch 或 Dinner)。

  • size: 用餐人数。

• 数据集用途: tips 数据集常用于：

  • 探索性数据分析 (EDA): 用于探索不同因素如何影响小费金额，例如性别、是否吸烟、星期几、用餐时间段、用餐人数等。

  • 分类数据可视化: 非常适合使用 Seaborn 的各种分类数据可视化方法，如箱线图、小提琴图、条形图、计数图等，来展示不同类别变量之间的关系。

  • 回归分析: 可以用来建立模型预测小费金额，例如使用总账单金额、用餐人数等特征来预测小费。

• 代码实践:

import seaborn as sns
import matplotlib.pyplot as plt
# 加载 tips 数据集
tips = sns.load_dataset('tips')
# 查看数据集信息
print("Tips Dataset Info:")
tips.info()
# 查看数据集前 5 行
print("\nTips Dataset Head:")
print(tips.head())
# 查看数据集描述性统计
print("\nTips Dataset Describe:")
print(tips.describe())
# 可视化：使用散点图 (scatterplot) 展示总账单金额与小费金额的关系，并用颜色区分是否吸烟
sns.scatterplot(x='total_bill', y='tip', hue='smoker', data=tips)
plt.title("Scatterplot of Total Bill vs. Tip (Hue: Smoker)")
plt.show()
# 可视化：使用箱线图 (boxplot) 展示不同星期几的小费分布
plt.figure(figsize=(8, 6))
sns.boxplot(x='day', y='tip', data=tips)
plt.title("Boxplot of Tip Distribution by Day")
plt.show()
# 可视化：使用计数图 (countplot) 展示不同性别的顾客数量
plt.figure(figsize=(6, 5))
sns.countplot(x='sex', data=tips)
plt.title("Countplot of Customers by Sex")
plt.show()
# 可视化：使用小提琴图 (violinplot) 展示不同用餐时间段的小费分布，并用性别分组
plt.figure(figsize=(8, 6))
sns.violinplot(x='time', y='tip', hue='sex', split=True, data=tips)
plt.title("Violinplot of Tip Distribution by Time (Hue: Sex, Split)")
plt.show()
​

• 代码详解:

  1. 代码结构与 iris 数据集示例类似，首先加载 tips 数据集，并查看数据集信息、头部和描述性统计。

  2. sns.scatterplot(x='total_bill', y='tip', hue='smoker', data=tips): 绘制散点图，x 轴为 'total_bill'，y 轴为 'tip'，hue='smoker' 表示用 'smoker' 列的值对散点进行颜色编码，观察吸烟者和非吸烟者的小费习惯差异。

  3. sns.boxplot(x='day', y='tip', data=tips): 绘制箱线图，展示不同星期几的小费分布，比较不同星期顾客给小费的差异。

  4. sns.countplot(x='sex', data=tips): 绘制计数图，统计不同性别的顾客数量，了解顾客性别的分布情况。

  5. sns.violinplot(x='time', y='tip', hue='sex', split=True, data=tips): 绘制小提琴图，展示不同用餐时间段的小费分布，并使用 hue='sex' 和 split=True 参数，在每个用餐时间段内，将男性和女性的小提琴图分开显示，方便比较不同性别在不同用餐时间段的小费差异。

• 可视化解读:

  • 散点图 (Total Bill vs. Tip): 展示了总账单金额与小费金额之间的正相关关系，即总账单金额越高，小费金额通常也越高。通过颜色编码，可以初步观察到吸烟者和非吸烟者在小费习惯上可能存在的差异。

  • 箱线图 (Tip Distribution by Day): 展示了不同星期几的小费分布情况。可以观察到不同星期的小费中位数和分布范围可能存在差异，例如周末可能比工作日小费更高。

  • 计数图 (Customers by Sex): 展示了不同性别顾客的比例，可以了解数据集中男性和女性顾客的相对数量。

  • 小提琴图 (Tip Distribution by Time & Sex): 更详细地展示了不同用餐时间段和性别的小费分布。小提琴图结合了箱线图和核密度估计图的特点，既能展示数据的四分位数和中位数，又能展示数据的分布形状。通过 split=True 参数，可以更清晰地比较同一用餐时间段内不同性别的小费分布差异。

3.3 titanic 数据集：泰坦尼克号生存预测

• 数据集介绍: titanic 数据集是机器学习和数据科学入门的经典数据集之一。它来源于泰坦尼克号沉船事件的乘客信息，目标是根据乘客的各种特征预测其是否在海难中幸存。数据集包含了891个样本，每一行代表一位乘客，并记录了以下特征：

  • survived: 是否幸存 (0 = No, 1 = Yes)。这是目标变量。

  • pclass: 船票等级 (1 = 1st, 2 = 2nd, 3 = 3rd)。

  • sex: 性别 (female, male)。

  • age: 年龄 (岁)。

  • sibsp: 在船上的兄弟姐妹/配偶的数量。

  • parch: 在船上的父母/子女的数量。

  • fare: 船票价格。

  • embarked: 登船港口 (C = Cherbourg, Q = Queenstown, S = Southampton)。

  • class: 船舱等级 (First, Second, Third)。

  • who: 乘客类型 (man, woman, child)。

  • adult_male: 是否成年男性 (True 或 False)。

  • deck: 甲板编号。

  • embark_town: 登船城市 (Cherbourg, Queenstown, Southampton)。

  • alive: 是否幸存 (yes 或 no)。

  • alone: 是否独自一人 (True 或 False)。

• 数据集用途: titanic 数据集常用于：

  • 二分类问题: 预测乘客是否幸存，这是一个典型的二分类问题。

  • 特征工程和模型构建: 用于练习特征工程技巧，例如处理缺失值、类别变量编码、特征缩放等，并构建分类模型，如逻辑回归、决策树、随机森林等。

  • 分类问题可视化: 可以使用 Seaborn 的各种分类数据可视化方法，探索不同特征与生存率之间的关系。

• 代码实践:

import seaborn as sns
import matplotlib.pyplot as plt
# 加载 titanic 数据集
titanic = sns.load_dataset('titanic')
# 查看数据集信息
print("Titanic Dataset Info:")
titanic.info()
# 查看数据集前 5 行
print("\nTitanic Dataset Head:")
print(titanic.head())
# 查看数据集描述性统计
print("\nTitanic Dataset Describe:")
print(titanic.describe())
# 可视化：使用计数图 (countplot) 展示不同船舱等级的生存人数，并用生存与否分组
plt.figure(figsize=(8, 6))
sns.countplot(x='pclass', hue='survived', data=titanic, palette='Set1') # 使用 Set1 色板
plt.title("Countplot of Survival by Pclass")
plt.xticks([0, 1, 2], ['1st Class', '2nd Class', '3rd Class']) # 修改 x 轴标签
plt.legend(title='Survived', labels=['No', 'Yes']) # 修改图例标签
plt.show()
# 可视化：使用箱线图 (boxplot) 展示不同性别的年龄分布，并用生存与否分组
plt.figure(figsize=(8, 6))
sns.boxplot(x='sex', y='age', hue='survived', data=titanic, palette='Set2') # 使用 Set2 色板
plt.title("Boxplot of Age Distribution by Sex and Survival")
plt.legend(title='Survived', labels=['No', 'Yes']) # 修改图例标签
plt.show()
# 可视化：使用条形图 (barplot) 展示不同登船港口的生存率
plt.figure(figsize=(8, 6))
sns.barplot(x='embark_town', y='survived', data=titanic, palette='viridis') # 使用 viridis 色板
plt.title("Barplot of Survival Rate by Embark Town")
plt.ylabel('Survival Rate') # 修改 y 轴标签
plt.show()
​

• 代码详解:

  1. 代码结构与前述示例类似，加载 titanic 数据集，并查看数据集信息、头部和描述性统计。

  2. sns.countplot(x='pclass', hue='survived', data=titanic, palette='Set1'): 绘制计数图，x 轴为 'pclass' (船票等级)，hue='survived' 表示用 'survived' 列的值对柱状图进行分组，palette='Set1' 指定使用 'Set1' 色板，美化颜色。 plt.xticks() 和 plt.legend() 用于自定义 x 轴刻度标签和图例标签，提高图表可读性。

  3. sns.boxplot(x='sex', y='age', hue='survived', data=titanic, palette='Set2'): 绘制箱线图，x 轴为 'sex' (性别)，y 轴为 'age' (年龄)，hue='survived' 分组，palette='Set2' 色板。自定义图例标签。

  4. sns.barplot(x='embark_town', y='survived', data=titanic, palette='viridis'): 绘制条形图，x 轴为 'embark_town' (登船城市)，y 轴为 'survived' (生存率)。 Seaborn 的 barplot 默认计算 y 轴变量的均值，因此 y='survived' 会计算每个登船城市的生存率。 palette='viridis' 使用 'viridis' 色板。自定义 y 轴标签。

• 可视化解读:

  • 计数图 (Survival by Pclass): 展示了不同船舱等级乘客的生存人数。可以清晰地看到，一等舱乘客的生存率明显高于二等舱和三等舱，三等舱的生存率最低。这反映了社会阶层在泰坦尼克号海难中的影响。

  • 箱线图 (Age Distribution by Sex and Survival): 展示了不同性别和生存情况下的年龄分布。可以观察到，女性的年龄分布相对集中，且女性的生存率普遍高于男性。此外，幸存者的年龄分布可能与遇难者的年龄分布存在差异。

  • 条形图 (Survival Rate by Embark Town): 展示了不同登船港口的生存率。不同登船港口的生存率可能存在差异，这可能与乘客的船舱等级、社会阶层等因素有关。

4. Seaborn数据集关系 Mermaid 图

为了更清晰地理解 Seaborn 数据集之间的关系，我们可以使用 Mermaid 图进行可视化。以下是一个基于数据集类型和用途的简单关系图：

• Mermaid 图解读:

  • 图中将 Seaborn 数据集分为四个主要类型：分类数据、数值数据、时间序列数据和地理空间数据。

  • 同时，也根据数据集的常见用途进行了分类：分类、回归、探索性数据分析、时间序列分析和地理空间分析。

  • 箭头表示数据集与类型或用途之间的关系。例如，tips 数据集属于分类数据，也常用于探索性数据分析和回归分析。

  • EDA (探索性数据分析) 连接了大部分数据集，因为 Seaborn 的数据集主要用于教学和演示，而探索性数据分析是数据可视化和理解数据的重要环节。

  • 颜色和样式可以根据需要进行调整，以提高图表的可读性。

5. 结论

Seaborn 提供的内置数据集是学习和实践数据可视化的宝贵资源。本文详细介绍了 iris、tips 和 titanic 三个经典数据集，并结合代码示例展示了如何加载、探索和可视化这些数据。通过散点图、箱线图、计数图、小提琴图和条形图等 Seaborn 常用可视化方法，我们可以深入理解数据的分布、关系和模式。

此外，我们使用 Mermaid 图可视化了 Seaborn 数据集的关系，从数据集类型和用途两个维度进行了分类，帮助读者更好地理解这些数据集在 Seaborn 生态系统中的位置和价值。

掌握这些常用数据集，并熟练运用 Seaborn 进行数据可视化，将为进一步深入数据分析、机器学习和数据科学领域奠定坚实的基础。希望本文能够帮助读者更好地入门 Seaborn，并利用这些丰富的数据资源，开启精彩的数据探索之旅。