seaborn
Statistical visualization. Scatter, box, violin, heatmaps, pair plots, regression, correlation matrices, KDE, faceted plots, for exploratory analysis and publication figures.
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Statistical visualization. Scatter, box, violin, heatmaps, pair plots, regression, correlation matrices, KDE, faceted plots, for exploratory analysis and publication figures.
How to use
Zainstaluj Seaborn razem z zależnościami (pandas, matplotlib) za pomocą pip: pip install seaborn matplotlib pandas.
Załaduj swoją bibliotekę i dane — zaimportuj seaborn, matplotlib.pyplot i pandas, następnie wczytaj DataFrame z pliku CSV lub użyj przykładowego zestawu danych z seaborn.load_dataset().
Wybierz typ wykresu odpowiedni do Twojej analizy — dla porównania zmiennych ciągłych użyj scatterplot(), dla rozkładów box() lub violinplot(), dla zależności między wieloma zmiennymi pairplot() lub heatmap().
Zdefiniuj mapowanie semantyczne, wskazując kolumny DataFramu jako x, y, hue (kolor), size (rozmiar) lub style — Seaborn automatycznie przetłumaczy wartości na właściwości wizualne.
Dostosuj wygląd za pomocą wbudowanych palet kolorów i motywów (set_theme(), set_palette()) lub integruj z matplotlib do zaawansowanych zmian.
Wyświetl lub zapisz wykres — użyj plt.show() do wyświetlenia lub plt.savefig() do eksportu w formacie PNG, PDF lub SVG gotowym do publikacji.