Seaborn の主要な描画ファミリーを横断する 1 つの実践的な Jupyter Notebook で、ライブラリの全体像をつかみます。Iris データセットと生成した行列データを使い、Seaborn と Matplotlib を比較し、組み込みスタイルを適用して、関係・カテゴリ・分布・回帰・行列の可視化を作成します。
これは複数の Lab をゆっくり進むコースではなく、広範な API ツアーです。Seaborn の高レベル関数がデータ列を位置、色、マーカースタイルへ素早く割り当てる方法と、Figure-level と Axes-level のインターフェースが Matplotlib とどう連携するかを学びます。
学習内容
- Seaborn のテーマ、コンテキスト、スタイル、パレットを Matplotlib のプロットに適用する
- Iris データセットを読み込み、
hueとstyleでカテゴリを表現する relplot、scatterplot、lineplotで関係を可視化する- strip、swarm、box、violin、boxen、point、bar、count でカテゴリ分布を比較する
- KDE、joint plot、pair plot で単変量・二変量分布を調べる
regplotとlmplotで当てはめた関係を表示する- ヒートマップとクラスターヒートマップで行列を可視化する
- Figure-level の便利関数と Matplotlib に近い Axes-level 関数を区別する
このコースの対象者
探索的データ分析に使える Seaborn の描画語彙を短く概観したい Python ユーザー向けです。Notebook のコードと基本的な表形式データを読める方に適しています。多数の API を 1 つの Notebook で扱うため、Python や統計学の最初の入門ではなく、ガイド付きの探索として活用するのが適切です。
前提知識： Python と Jupyter Notebook の基礎、変数、関数呼び出し、表形式データへの理解を推奨します。Matplotlib の経験は役立ちますが必須ではありません。
学習環境： 用意された Ubuntu 22.04 Jupyter 環境と Notebook を使用します。セルを実行・変更し、ライブラリのインストールやインポート、データの読み込み、プロットのインライン表示を行います。
よくある質問
複数の Lab で構成された本格的なコースですか？
いいえ。内容の多い Notebook を中心とした 1 つの初級 Lab です。多くのグラフファミリーを概観しますが、個別の Challenge や最終プロジェクトはありません。
どのデータを使用しますか？
大半の例では Iris データセットで花の測定値と品種を比較します。ヒートマップでは NumPy で生成した行列も使います。
統計理論も学べますか？
いいえ。分布、回帰の当てはめ、クラスターヒートマップを描きますが、深い解釈に必要な統計やクラスタリング理論は扱いません。
すべて最新の Seaborn API を使っていますか？
完全にはそうではありません。Notebook には kdeplot、jointplot、pairplot とともに旧式の distplot API が含まれます。概念の概観として利用し、新しいコードへ応用する際は現行ドキュメントを確認してください。
