Explorez Seaborn dans un unique Jupyter Notebook pratique qui parcourt les grandes familles de graphiques de la bibliothèque. Avec le jeu Iris et des matrices générées, vous comparerez Seaborn à Matplotlib, appliquerez ses styles intégrés et créerez des visualisations relationnelles, catégorielles, de distribution, de régression et matricielles.
Il s’agit d’un large tour d’API plutôt que d’une progression lente en plusieurs laboratoires. Le notebook montre comment les fonctions de haut niveau associent rapidement des colonnes à la position, la couleur et au style des marqueurs, tout en situant les interfaces figure-level et axes-level par rapport à Matplotlib.
Ce que vous apprendrez
- Appliquer les thèmes, contextes, styles et palettes Seaborn à des tracés Matplotlib
- Charger Iris et représenter les catégories avec
hueetstyle - Créer des vues relationnelles avec
relplot,scatterplotetlineplot - Comparer des distributions catégorielles avec strip, swarm, box, violin, boxen, point, bar et count
- Examiner des distributions univariées et bivariées avec KDE, joint plots et pair plots
- Ajouter des relations ajustées avec
regplotetlmplot - Visualiser des matrices avec des cartes thermiques simples et regroupées
- Distinguer fonctions figure-level pratiques et fonctions axes-level proches de Matplotlib
À qui s’adresse ce cours
Ce cours s’adresse aux utilisateurs de Python qui veulent un aperçu compact du vocabulaire graphique de Seaborn pour l’exploration de données. Il convient mieux aux personnes capables de lire du code de notebook et des données tabulaires simples. Comme de nombreuses API sont réunies dans un seul notebook, il constitue une exploration guidée plutôt qu’une première initiation à Python ou aux statistiques.
Prérequis : Les bases de Python et de Jupyter Notebook, ainsi que les variables, appels de fonctions et données tabulaires, sont recommandées. Une première exposition à Matplotlib est utile, sans être obligatoire.
Environnement d’apprentissage : Le cours fournit un environnement Jupyter Ubuntu 22.04 et un notebook préparé. Vous exécutez et modifiez des cellules pour installer ou importer les bibliothèques, charger les données et afficher les graphiques.
Questions fréquentes
S’agit-il d’un cours complet composé de plusieurs laboratoires ?
Non. Il s’agit d’un laboratoire débutant centré sur un notebook dense. Celui-ci parcourt de nombreuses familles de graphiques, mais ne contient ni défis séparés ni projet final.
Quelles données vais-je utiliser ?
La plupart des exemples utilisent Iris pour comparer mesures et espèces de fleurs. Les exemples de cartes thermiques utilisent aussi une matrice générée avec NumPy.
Le cours enseigne-t-il la théorie statistique ?
Non. Il présente distributions, ajustements de régression et cartes thermiques regroupées, mais pas la théorie statistique ou de clustering nécessaire à leur interprétation approfondie.
Tous les exemples utilisent-ils l’API Seaborn la plus récente ?
Pas entièrement. Le notebook inclut l’ancienne API distplot aux côtés de kdeplot, jointplot et pairplot. Considérez-le comme un panorama conceptuel et consultez la documentation actuelle pour adapter cet exemple.
