Seaborn - 统计估计

在大多数情况下，我们处理的是整个数据分布的估计。但是当涉及到中心趋势估计时，我们需要一种特定的方法来总结分布。均值和中位数是经常用来估计分布中心趋势的技术。

在我们上面部分学习的所有图表中，我们都对整个分布进行了可视化。现在，让我们讨论一下我们可以用哪些图表来估计分布的中心趋势。

条形图

barplot()显示了分类变量和连续变量之间的关系。数据以矩形条表示，其中条的长度表示该类别中数据的比例。

条形图表示中心趋势的估计。让我们使用“泰坦尼克号”数据集来学习条形图。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('titanic')
sb.barplot(x = "sex", y = "survived", hue = "class", data = df)
plt.show()

输出

在上面的例子中，我们可以看到每个等级中男性和女性的平均生存人数。从图中我们可以看出，女性的生存人数多于男性。在男性和女性中，头等舱的生存人数较多。

barplot的一个特例是显示每个类别中的观测值数量，而不是计算第二个变量的统计量。为此，我们使用countplot()。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('titanic')
sb.countplot(x = " class ", data = df, palette = "Blues");
plt.show()

输出

图表显示，三等舱的乘客数量高于一等舱和二等舱。

点图

点图与条形图的作用相同，但样式不同。它不是使用完整的条形，而是用某个高度的点在另一条轴上表示估计值。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('titanic')
sb.pointplot(x = "sex", y = "survived", hue = "class", data = df)
plt.show()

输出