- Seaborn科技绘图(基于Matplotlib的Python数据可视化)
- - 作者：编者:芯智|责编:王金柱
  - 出版社：清华大学
  - ISBN：9787302706175
  - 出版日期：2026/03/01
  - 页数：342
- 售价：51.6

内容大纲
本书共分为12章，内容从基础到进阶，涵盖Seaborn与Matplotlib的核心应用与技术。本书首先帮助读者搭建Python绘图环境，并详细讲解如何利用Seaborn和Matplotlib绘制各种常见类型的图表，包括条形图、散点图、直方图、回归图、热图等，覆盖单变量、双变量以及多变量数据可视化。然后深入探讨如何定制图表样式、选择合适的配色方案、优化图表设计，以及处理复杂数据集的可视化任务，确保读者能够应对各种可视化挑战。本书内容不仅覆盖了绘图所需的基础技术，还通过丰富的实际案例和技巧，帮助读者提升数据可视化的能力。
本书既适合刚刚接触数据分析的新手，也适合从事数据分析、机器学习、科学研究的专业人士。
作者介绍
芯智（笔名），毕业于航空航天大学，现就职于中国科学院，从事科研工作近二十年。参与国家科技重大专项攻关任务，熟练掌握各种工程应用与数据分析软件，曾获得国家专利奖、北京市专利奖和中科院成果转化特等奖等荣誉。
目录
第1章  绘图环境搭建
  1.1  Seaborn与Matplotlib概述
    1.1.1  关于Python可视化
    1.1.2  Matplotlib：Python基础可视化库
    1.1.3  Seaborn：基于Matplotlib的高级封装库
    1.1.4  Seaborn与Matplotlib的关系
    1.1.5  支持的Python版本和依赖性
  1.2  PyCharm的安装和入门
    1.2.1  环境说明
    1.2.2  软件安装
    1.2.3  PyCharm的使用
  1.3  Matplotlib的安装和入门
    1.3.1  安装Matplotlib
    1.3.2  Matplotlib入门
  1.4  Seaborn的安装和入门
    1.4.1  安装Seaborn
    1.4.2  快速入门
  1.5  本章小结
第2章  绘图配色
  2.1  在绘图中使用颜色的一般原则
    2.1.1  颜色成分
    2.1.2  改变色调以区分类别
  2.2  常用的分类颜色函数
    2.2.1  color_palette()函数
    2.2.2  hls_palette()函数
    2.2.3  husl_palette()函数
    2.2.4  cubehelix_palette()函数
    2.2.5  dark_palette()函数
    2.2.6  light_palette()函数
    2.2.7  mpl_palette()函数
  2.3  Color Brewer颜色工具
  2.4  连续型颜色
  2.5  多样化的调色板
    2.5.1  视觉上统一的发散调色板
    2.5.2  自定义发散调色板
    2.5.3  其他调色板
  2.6  调色板的选择
  2.7  本章小结
第3章  单变量数据可视化
  3.1  条形图
    3.1.1  简单条形图
    3.1.2  分类变量分组条形图
    3.1.3  渐变色条形图
    3.1.4  使用countplot()函数绘制条形图
  3.2  直方图
    3.2.1  单变量分布的直方图
    3.2.2  归一化的直方图
    3.2.3  堆叠直方图
    3.2.4  使用objects.Hist()函数绘制直方图
  3.3  核密度估计图

    3.3.1  KDE曲线图
    3.3.2  使用kdeplot()函数绘制二元图
    3.3.3  使用objects.KDE()函数绘制KDE图
  3.4  使用displot()函数绘制图形
    3.4.1  使用displot()函数绘制直方图
    3.4.2  使用displot()函数绘制KDE曲线图和二元图
  3.5  单变量数据的理解与分析
  3.6  本章小结
第4章  双变量数据可视化
  4.1  散点图
    4.1.1  使用scatterplot()函数绘制散点图
    4.1.2  使用relplot()函数绘制散点图
  4.2  折线图
    4.2.1  使用lineplot()函数绘制折线图
    4.2.2  使用relplot()函数绘制折线图
    4.2.3  结合lineplot()和relplot()函数绘制折线图
  4.3  经验累积分布图
  4.4  本章小结
第5章  分类数据可视化
  5.1  箱型图
    5.1.1  传统箱型图
    5.1.2  改进箱型图
  5.2  小提琴图
  5.3  点图
    5.3.1  使用pointplot()函数绘制点图
    5.3.2  使用stripplot()函数绘制点图
  5.4  组合图
    5.4.1  分类图
    5.4.2  散点图
    5.4.3  蜂群图
  5.5  本章小结
第6章  多变量数据可视化
  6.1  面板图的使用
    6.1.1  使用FacetGrid()函数绘制直方图和散点图
    6.1.2  使用FacetGrid()函数绘制多行多列的折线图
    6.1.3  使用FacetGrid()函数绘制极坐标散点图
    6.1.4  使用FacetGrid()函数绘制山脊图
  6.2  成对关系图
  6.3  联合分布图
    6.3.1  使用jointplot()函数创建联合分布图
    6.3.2  使用JointGrid()函数创建联合分布图
  6.4  数据分布的边际可视化
  6.5  本章小结
第7章  矩阵可视化：相关性与热图
  7.1  热图的创建与优化
  7.2  聚类热图
  7.3  本章小结
第8章  回归与线性关系
  8.1  简单回归图
  8.2  线性回归图

    8.2.1  使用lmplot()函数绘制散点线性回归图
    8.2.2  使用relplot()函数绘制线性回归图
  8.3  回归残差图
  8.4  统计估计数和误差条
  8.5  本章小结
第9章  控制图的样式
  9.1  偏移的正弦波
  9.2  图形的样式
  9.3  删除轴和刻度
  9.4  临时设置图形样式
  9.5  缩放图元素
  9.6  移动图例的位置
  9.7  本章小结
第10章  复合图与标记样式定制
  10.1  复合图的实践
  10.2  坐标属性
  10.3  颜色和填充特性
  10.4  标记属性和线条属性
  10.5  大小属性
    10.5.1  点大小和线宽
    10.5.2  边缘宽度和stroke属性
    10.5.3  文本属性
  10.6  本章小结
第11章  objects接口
  11.1  Plot()函数
    11.1.1  Plot.add()函数
    11.1.2  Plot.scale()函数
    11.1.3  Plot.facet()函数
    11.1.4  Plot.pair()函数
    11.1.5  Plot.layout()函数
    11.1.6  Plot.label()函数
    11.1.7  Plot.limit()函数
    11.1.8  Plot.share()函数
    11.1.9  Plot.theme()函数
  11.2  使用Line()和Lines()函数绘制折线图
  11.3  使用Path()函数绘制路径
  11.4  使用Dash()函数控制线条样式
  11.5  使用Range()函数绘制线段
  11.6  使用Bar()和Bars()函数绘制条形图
  11.7  使用Area()函数绘制填充区域
  11.8  使用Dot()和Dots()函数绘制点图
  11.9  使用Agg()函数对数据进行聚合
  11.10  本章小结
第12章  数据可视化总结与进阶应用
  12.1  Seaborn的灵活性
  12.2  复杂数据可视化案例
    12.2.1  分析并可视化时间序列数据
    12.2.2  可视化大规模分类数据
    12.2.3  结合scikit-learn进行数据预测和拟合
    12.2.4  K-means聚类分析、PCA降维和聚类结果可视化

  12.3  Seaborn与其他库的协同工作
    12.3.1  结合机器学习库
    12.3.2  结合Plotly库
    12.3.3  结合ipywidgets库
  12.4  Seaborn资源与社区
  12.5  本章小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目