7.4 与 Pandas 和机器学习生态集成

7.4 与 Pandas 和机器学习生态集成

Seaborn 与 Pandas 的集成点是"长表进、图形出"的列名映射；与 sklearn 的集成点是"模型输出整理回 DataFrame 再画"。图形从不直接吃模型对象——数据框是两个生态之间的通用货币。

第 7 章的收官节。前七画的图都来自现成数据集，真实工作流里数据要过 Pandas 的加工、模型要经 sklearn 的训练，本节拆两个接驳口的语法，顺便交代交互可视化库的选型边界。

Pandas 接驳：分组结果的回填

import seaborn as sns
import matplotlib.pyplot as plt

flights = sns.load_dataset('flights')

# groupby 的输出直接可画——reset_index 把组键变回普通列
monthly = (flights.groupby('month', observed=True)['passengers']
           .mean().reset_index())
ax = sns.barplot(data=monthly, x='month', y='passengers')
ax.set_ylabel('跨年平均乘客数')
# 输出说明：7、8 月两根柱明显最高，2 月最低——季节效应的摘要视图
​

Pandas 自带的 plot 接口能画同样的图，但一过聚合就失去 hue 分组与统计误差能力。经验法则：探索时 Pandas 的快枪可以，交付时回到 Seaborn——后者拿到 reset_index 后的聚合表，仍能提供配色、误差棒与细节层打磨。

# transform 的宽回填：给每行附上组均值，散点与组均值线同图
tips = sns.load_dataset('tips')
tips['day_mean'] = tips.groupby('day')['total_bill'].transform('mean')
ax = sns.scatterplot(data=tips, x='total_bill', y='tip', hue='day', alpha=0.5)
for day, grp in tips.groupby('day'):
    ax.axvline(grp['day_mean'].iloc[0], linestyle=':', linewidth=1)
# transform 与 agg 的区别：agg 压缩行数、transform 保持行数——
# 前者产出新表，后者给原表加注释列
​

sklearn 接驳：模型输出的图形化

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd

penguins = sns.load_dataset('penguins').dropna()
X = penguins[['flipper_length_mm']]
y = penguins['body_mass_g']
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.3, random_state=0)

model = LinearRegression().fit(X_tr, y_tr)
pred = model.predict(X_te)

# 关键一步：把数组输出整理成长表，图形才能映射
res_df = pd.DataFrame({'flipper': X_te['flipper_length_mm'],
                       'true': y_te, 'pred': pred})
res_df['residual'] = res_df['true'] - res_df['pred']

fig, axes = plt.subplots(1, 2, figsize=(11, 4))
sns.scatterplot(data=res_df, x='true', y='pred', alpha=0.6, ax=axes[0])
axes[0].axline((3000, 3000), slope=1, color='crimson', linestyle='--')  # 理想对角线
axes[0].set_xlabel('实际体重（克）')
axes[0].set_ylabel('预测体重（克）')
sns.scatterplot(data=res_df, x='pred', y='residual', alpha=0.6, ax=axes[1])
axes[1].axhline(0, color='gray', linestyle=':')
axes[1].set_xlabel('预测值')
axes[1].set_ylabel('残差')
plt.show()
# 输出说明：左图预测与实际沿对角线分布、两端收窄；
# 右图残差在零线附近随机散布、无明显喇叭口——线性假设未被残差否决
​

残差图是"模型体检"的标准图形，它的语法就是普通散点图——sklearn 集成的全部秘密在于把输出装回 DataFrame。

# 特征系数的条形图：模型解释力的直观表达
coef = pd.DataFrame({'feature': X.columns, 'coef': model.coef_})
ax = sns.barplot(data=coef, x='feature', y='coef')
# 多特征模型里这张图排完序就是特征重要性的一手视图（第 8 章会展开成完整案例）
​

交互库的选型边界

静态图之外，Plotly、Bokeh 一系提供悬停与缩放。什么时候值得换轨道？三个判据：读者是否需要逐点查数（悬停价值）、图形是否需要在线过滤（仪表场景）、交付物是否必须离线（PDF 报告则无意义）。Seaborn 与它们不共享 API，切换是重写而非移植；但本章的拆解法照用——数据、映射、图层的分析在任何库里都成立。

⚠️ 常见坑：sklearn 的输出全是 NumPy 数组，直接喂给 Seaborn 会在列名映射处报错。约定俗成的第一行永远是 pd.DataFrame(...) 包装——列名即映射，没有列名就没有语法。

💡 关键直觉：DataFrame 是数据分析工作流的通用接口——Pandas 产出它、sklearn 消费并产出数组、Seaborn 只认它。所有"集成"问题最后都归结为"怎么把东西变回带列名的表"。

本节要点回顾

• 聚合后 reset_index：groupby 结果变回普通长表才能进映射层；
• transform 保行数：组统计回填原表做注释列，agg 产出新表做摘要图；
• 模型输出先装表：预测值、残差、系数全部 DataFrame 化后再画；
• 残差图是模型体检：随机散布于零线附近是线性模型的及格线；
• 交互三判据：逐点查数、在线过滤、离线交付，三者皆无就不必换库。

第 7 章完成。零件齐了，第 8 章开三条完整产线：EDA、模型结果表达、时间序列。