2.3 分对分布图 (pairplot)

2.3 分对分布图 (pairplot)

Seaborn 分布图详解：探索数据关系的利器 - 分对分布图 (pairplot)

在数据可视化领域，理解数据集中变量之间的关系至关重要。Seaborn 库作为 Python 中强大的可视化工具，为我们提供了多种分布图，帮助我们从不同角度探索数据。在“第二章：Seaborn分布图 (Distribution Plots)”中，分对分布图 (pairplot) 占据着重要的地位。它能够一次性展示数据集中多个变量两两之间的关系，是进行探索性数据分析 (Exploratory Data Analysis, EDA) 的强大工具。

2.3 分对分布图 (pairplot) 概览

pairplot 的核心功能在于 “成对” 分析数据集中的变量。它会创建一个由多个子图组成的矩阵，其中：

• 对角线 (Diagonal): 显示每个变量自身的分布情况。通常使用直方图 (histogram) 或核密度估计图 (Kernel Density Estimate, KDE)。

• 非对角线 (Off-diagonal): 显示两个变量之间的关系。通常使用散点图 (scatter plot)。

通过 pairplot，我们可以快速地：

• 识别变量之间的相关性: 观察散点图的趋势，判断变量之间是否存在线性或非线性关系，以及关系的强度。

• 了解变量的分布形态: 通过对角线上的直方图或 KDE 图，了解每个变量的数据分布情况，例如是否为正态分布、偏态分布等。

• 发现潜在的数据模式: 例如，通过颜色编码 (hue) 引入分类变量，可以观察不同类别在变量关系上的差异，从而发现更深层次的数据模式。

总而言之，pairplot 提供了一个高效的方式，让我们从全局视角审视数据集，快速捕捉变量间的复杂关系，为后续的数据分析和建模提供有价值的线索。

代码实践：基础 pairplot 的创建

首先，我们需要导入必要的库：

import seaborn as sns
import matplotlib.pyplot as plt
# 设置 Seaborn 默认样式，使图表更美观
sns.set(style="whitegrid")
​

为了演示 pairplot 的使用，我们将使用 Seaborn 内置的 iris (鸢尾花) 数据集。这是一个经典的数据集，包含萼片长度、萼片宽度、花瓣长度、花瓣宽度四个数值型变量，以及鸢尾花种类 (species) 一个分类变量。

iris = sns.load_dataset('iris')
print(iris.head())
​

输出结果 (部分)：

   sepal_length  sepal_width  petal_length  petal_width species
0           5.1          3.5           1.4          0.2  setosa
1           4.9          3.0           1.4          0.2  setosa
2           4.7          3.2           1.3          0.2  setosa
3           4.6          3.1           1.5          0.2  setosa
4           5.0          3.6           1.4          0.2  setosa
​

现在，我们使用 sns.pairplot() 创建基础的分对分布图：

sns.pairplot(iris)
plt.show()
​

运行这段代码，您将看到一个 4x4 的矩阵图。

图表解析：

• 对角线 (从左上角到右下角): 显示了 sepal_length, sepal_width, petal_length, petal_width 这四个变量的直方图。例如，第一行第一列的子图显示了 sepal_length 的直方图。

• 非对角线: 显示了变量两两之间的散点图。例如，第一行第二列的子图显示了 sepal_length (y轴) 和 sepal_width (x轴) 的散点图。

通过这个基础的 pairplot，我们可以初步观察到：

• petal_length 和 petal_width 似乎呈现较强的正相关关系 (散点图呈上升趋势)。

• sepal_length 和 sepal_width 的相关性相对较弱 (散点图较为分散)。

• 各个变量的分布形态大致呈现单峰分布，但可能存在一定的偏斜。

Mermaid 图表：pairplot 的结构可视化

为了更清晰地理解 pairplot 的结构，我们可以使用 Mermaid 语法绘制一个流程图：

图表解释：

1. 数据集 (DataFrame): pairplot 函数的输入是包含多个变量的数据集 (通常是 Pandas DataFrame)。

2. pairplot 函数: Seaborn 的 pairplot 函数接收数据集作为参数。

3. 变量列名列表: pairplot 内部会获取数据集的列名，用于确定要绘制的变量。

4. 循环遍历变量列名: pairplot 通过两层循环遍历变量列名列表，外层循环确定 X 轴变量，内层循环确定 Y 轴变量。

5. 判断 X == Y: 在循环中，pairplot 会判断当前 X 轴变量和 Y 轴变量是否相同。

   • 是 (X == Y): 如果相同，则在对角线上绘制该变量自身的分布图 (直方图或 KDE)。

   • 否 (X != Y): 如果不同，则在非对角线上绘制 X 轴变量和 Y 轴变量的散点图。

6. 绘制分布图/散点图: 根据判断结果，选择绘制相应的图表类型。

7. 子图: 每个变量对 (或单个变量) 的图表都作为一个子图。

8. 矩阵图: 所有子图按照变量顺序排列，组成一个矩阵形式的图表。

9. 输出 pairplot: 最终生成并显示 pairplot 矩阵图。

这个 Mermaid 图表清晰地展示了 pairplot 的内部工作逻辑，帮助我们更好地理解其结构和绘制过程。

高级应用：定制 pairplot 的外观和功能

pairplot 提供了丰富的参数，允许我们高度定制图表的外观和功能，以满足不同的分析需求。

1. hue 参数：引入分类变量

hue 参数是 pairplot 最强大的功能之一。它可以接受一个分类变量的列名，并根据该变量的不同类别，在散点图中使用不同的颜色进行编码。这使得我们能够观察不同类别在变量关系上的差异。

例如，我们可以使用 iris 数据集中的 species 列作为 hue 参数：

sns.pairplot(iris, hue='species')
plt.show()
​

图表解析：

• 现在，散点图中的每个点都根据鸢尾花的种类 (setosa, versicolor, virginica) 进行了颜色编码。

• 对角线上的直方图也变成了堆叠直方图，或者核密度估计图 (取决于 diag_kind 参数，稍后介绍)，以展示不同类别在单个变量上的分布差异。

通过 hue='species'，我们可以观察到：

• 不同种类的鸢尾花在 petal_length 和 petal_width 上的分布差异非常明显，setosa 种类的花瓣明显更短更窄。

• 不同种类在 sepal_length 和 sepal_width 上的差异相对较小，但仍然可以观察到一些区分。

2. palette 参数：自定义颜色方案

当我们使用 hue 参数时，Seaborn 会自动选择默认的颜色方案。我们可以使用 palette 参数来自定义颜色方案。palette 参数接受 Seaborn 预定义的颜色调色板名称，或者 Matplotlib 的颜色列表。

例如，使用 "husl" 调色板：

sns.pairplot(iris, hue='species', palette='husl')
plt.show()
​

Seaborn 提供了多种预定义的调色板，例如 "deep", "muted", "pastel", "bright", "dark", "colorblind" 等。您也可以使用 Matplotlib 的颜色名称或 RGB 值列表自定义颜色。

3. vars 参数：选择要绘制的变量

默认情况下，pairplot 会绘制数据集中的所有数值型变量。如果数据集包含很多变量，或者我们只关注部分变量的关系，可以使用 vars 参数来指定要绘制的变量列名列表。

例如，只绘制 sepal_length, sepal_width, species 的 pairplot：

sns.pairplot(iris, vars=['sepal_length', 'sepal_width'], hue='species')
plt.show()
​

此时，pairplot 只会生成一个 2x2 的矩阵图，只包含 sepal_length 和 sepal_width 两个变量。

4. kind 参数：修改非对角线图表类型

kind 参数用于指定非对角线子图的类型。默认值为 'scatter' (散点图)。还可以选择其他类型：

• 'hist': 绘制二维直方图。

• 'kde': 绘制二维核密度估计图。

• 'reg': 绘制带有线性回归线的散点图。

例如，使用 'kde' 类型：

sns.pairplot(iris, hue='species', kind='kde')
plt.show()
​

非对角线子图将变为二维 KDE 图，展示变量之间的联合概率密度分布。

5. diag_kind 参数：修改对角线图表类型

diag_kind 参数用于指定对角线子图的类型。默认值为 'hist' (直方图)。还可以选择 'kde' (核密度估计图)。

例如，使用 'kde' 类型：

sns.pairplot(iris, hue='species', diag_kind='kde')
plt.show()
​

对角线子图将变为 KDE 图，更平滑地展示变量的分布形态。当使用 hue 参数时，diag_kind='kde' 通常更适合展示不同类别的分布差异，因为 KDE 图可以更清晰地展示分布的形状和重叠程度。

6. markers 和 plot_kws 参数：进一步定制散点图

markers 参数可以用于自定义散点图中不同类别的标记形状。它接受一个列表或字典，指定不同类别使用的标记。

plot_kws 参数允许我们传递额外的关键字参数给底层的 Matplotlib 绘图函数，以进一步定制散点图的细节，例如标记大小、透明度等。

例如，自定义标记形状和大小：

sns.pairplot(iris, hue='species', markers=['o', 's', 'D'], plot_kws={'s': 50, 'alpha': 0.8})
plt.show()
​

• markers=['o', 's', 'D']：分别使用圆形、正方形、菱形作为 setosa, versicolor, virginica 的标记。

• plot_kws={'s': 50, 'alpha': 0.8}：设置标记大小为 50，透明度为 0.8。

7. corner 参数：创建角落图

当变量较多时，完整的 pairplot 矩阵可能会显得冗余，因为矩阵的上下三角部分是镜像对称的。corner=True 参数可以只绘制矩阵的下三角部分，创建一个角落图，减少冗余信息，使图表更简洁。

sns.pairplot(iris, hue='species', corner=True)
plt.show()
​

此时，pairplot 只会显示矩阵的下三角部分，对角线和下方的子图仍然保留，上方的子图被省略。

8. grid_kws 参数：定制底层 PairGrid 对象

pairplot 函数实际上是基于 Seaborn 的 PairGrid 类构建的。grid_kws 参数允许我们传递字典给 PairGrid 构造函数，以定制底层的 PairGrid 对象。这提供了更底层的定制能力，例如调整子图之间的间距、添加共享坐标轴标签等。

例如，调整子图间距：

sns.pairplot(iris, hue='species', grid_kws={'wspace': 0.3, 'hspace': 0.3})
plt.show()
​

grid_kws={'wspace': 0.3, 'hspace': 0.3} 设置了子图之间的水平和垂直间距为 0.3。

解释 pairplot 图表：从视觉模式到数据洞察

pairplot 不仅仅是一个可视化工具，更重要的是如何解读它所呈现的信息，从中提取有价值的数据洞察。以下是一些解读 pairplot 的关键点：

• 散点图的趋势:

  • 正相关: 散点图呈现从左下角到右上角的趋势，表明两个变量呈正相关关系，一个变量增大时，另一个变量也倾向于增大。

  • 负相关: 散点图呈现从左上角到右下角的趋势，表明两个变量呈负相关关系，一个变量增大时，另一个变量倾向于减小。

  • 无相关性: 散点图呈随机分布，没有明显的趋势，表明两个变量之间可能没有线性关系。

• 散点图的密度和形状:

  • 线性关系 vs. 非线性关系: 如果散点图近似呈直线分布，可能存在线性关系。如果呈曲线或其他形状分布，可能存在非线性关系。

  • 聚类: 散点图中出现明显的点簇，可能表明数据存在分组或类别。

  • 离群点: 散点图中远离主体数据点的点，可能是离群点，需要进一步 investigation。

• 直方图/KDE 图的分布形态:

  • 正态分布: 直方图呈钟形曲线，KDE 图呈平滑的钟形曲线，表明数据近似服从正态分布。

  • 偏态分布: 直方图或 KDE 图的峰值偏向一侧，表明数据分布不对称。

  • 多峰分布: 直方图或 KDE 图出现多个峰值，可能表明数据由多个不同的分布混合而成。

• hue 参数带来的类别差异:

  • 比较不同类别在散点图中的分布位置和形状，可以了解不同类别在变量关系上的差异。

  • 比较不同类别在直方图/KDE 图中的分布形态，可以了解不同类别在单个变量上的分布差异。

结合 iris 数据集的例子，我们可以总结出一些洞察：

• 花瓣长度和花瓣宽度是区分鸢尾花种类的关键特征。 不同种类的花瓣长度和宽度差异显著，散点图和直方图都清晰地展示了这一点。

• 萼片长度和萼片宽度在区分种类上的作用相对较小。 虽然不同种类在萼片长度和宽度上也有一定差异，但不如花瓣特征明显。

• setosa 种类的花瓣明显比其他两种短而窄。 散点图和直方图都显示 setosa 种类的数据点明显集中在花瓣长度和宽度较小的区域。

代码实践的最佳实践

• 数据准备: 在使用 pairplot 之前，确保数据已经过清洗和预处理，例如处理缺失值、异常值等。

• 选择合适的变量: 根据分析目的，选择最相关的变量进行可视化。避免绘制过多不相关的变量，导致图表过于复杂和难以解读。

• 合理使用 hue 参数: hue 参数是强大的工具，但也要谨慎使用。如果分类变量类别过多，颜色编码可能会变得混乱，影响图表的可读性。

• 根据数据特点选择 kind 和 diag_kind: 根据数据分布和分析目的，选择合适的图表类型。例如，如果关注变量的联合概率密度分布，可以使用 kind='kde'；如果关注变量的边缘分布，可以使用 diag_kind='kde'。

• 定制图表外观: 利用 palette, markers, plot_kws 等参数，定制图表的外观，使其更美观、更易于理解。

• 结合领域知识进行解读: pairplot 只是一个可视化工具，最终的数据洞察还需要结合领域知识进行深入解读和分析。

总结

pairplot 是 Seaborn 库中一个非常实用的分布图，它能够高效地展示数据集中多个变量两两之间的关系，帮助我们快速进行探索性数据分析，发现数据中的模式、相关性和潜在的类别差异。通过灵活运用 pairplot 的各种参数，我们可以定制出满足不同分析需求的可视化图表，并从中提取有价值的数据洞察，为后续的建模和决策提供支持。掌握 pairplot 的使用，无疑会大大提升您的数据分析效率和可视化能力。