在 Python 中数据可视化在该领域，matplotlib 一直是使用最广泛的可视化库。 然而，其操作的复杂性一直困扰着用户。 为了解决这个问题，seaborn它应运而生，并因其简化的操作流程而受到广泛关注。 尽管如此，seaborn它们的使用方式仍然存在一些缺陷。 经过长达 10 年的抛光，seaborn该团队在 0该更新的第 12 版提出了一种全新的操作模式。 尝试后，我完全被这个新模型所震撼，不想回到旧的使用方式。 在本文中，我们将介绍新版本seaborn。这一次，它是：seaborn0.13版本。
在新模式下，seaborn引入了一种称为“对象”的工作类型接口“操作模式，通过进口seaborn.objects 模块。 在开始之前，我们需要导入数据，这里我用一个咖啡销售数据作为例子。 在开始绘制之前，我们需要做一些配置，以确保图表中的中文不会出现乱码。 接下来，我们可以愉快地开始画画了。
让我们先来看看利润和销售额之间的关系。 由于这两个变量这都是数字，我们可以使用它散布图来代表。 在新模式中，按照可视化图语法的规范，我们首先使用plot（） 声明数据和映射，然后在每次调用 add（） 方法时使用 add（） 方法链接并添加一个新图形。 在 add（） 方法中，第一个参数指定了您想要的图形类型，这里我们使用dot（） 来表示 “point”。 这样，我们可以很容易地画出散布图
现在，我们希望登上顶峰散布图添加拟合多段线。 在新模式中，每个 add（） 方法调用等同于添加新的图表或图层，第一个参数指定模式类型，后续参数用于转换数据。 我们可以这样使用polyfit（） 来执行拟合计算。 当然，计算方法可以定制。 使用这种方法，我们可以轻松地将拟合折线添加到图表中。 新模型可能看起来有点复杂，但您会发现它的魅力。
接下来，我们不只是想画画散布图，也希望根据不同地区进行分类展示。 按区域分类意味着我们需要为每个区域分配不同的颜色。 在新模式下，非常简单，只需在**中进行颜色映射即可。 除了颜色之外，还有许多其他属性可以映射，例如我们可以根据毛利润调整点的大小。 通过这种方式，我们可以很容易地配对：散布图进行各种演示。 与旧模式相比，新模式的优势明显，大大减轻了我们的负担。
继续举例说明。 我们可以使用新模型轻松绘制出该地区的销售额直方图。但是，在执行上面的**时，您可能会发现绘图需要很长时间。 同时，绘制的图表有点奇怪。 原因是我们没有在 add（） 方法调用中指定聚合方法。 因此，默认情况下，程序将每条线绘制为条形图。 解决这个问题很简单，只需在 add（） 方法中指定即可直方图可以聚合。 通过sosoagg（） 方法的第一个参数，我们可以指定聚合方法，这是默认的'mean'，也可以传递给其他人聚合函数或自定义函数。 这与以下方面有关：pandasagg（） 方法的原理是一样的。
接下来，在直方图我们希望按市场类别对显示器进行细分。 即根据不同的市场类别进行颜色映射。 但是，当我们运行上面的**时，结果似乎有些不对劲。 为什么小市场比大市场卖得更多？ 让我们分析一下过程以了解结果。 数据反映了 x、y 和 color 这三个字段，以便绘制它们直方图，您需要对 x 和 color 字段进行分组，并均匀地聚合 y 列。 通过sosoagg（） 方法，我们可以得到如下聚合结果。 相信经过这个解释，你已经完全理解了新模式的机制，实在是太容易实现了！ 你可以再看一些例子来加深你的印象。
当使用新模式时，我们可以向 add（） 方法添加无限数量的数据处理函数seaborn还提供了一些常用的数据操作方法供我们选择。 只需根据您的需要选择合适的方法即可。 现在是时候充分利用这些方法了，它们真的非常方便实用。 快来试试吧，你会感受到它的魅力。 别忘了点赞、收藏、关注，这是我创作的最大动力。
在本文中，我们介绍了：seaborn库的新操作模式 - 对象接口。通过引入对象接口seaborn大大简化数据可视化过程。 在新模式中，我们首先通过声明数据和映射来构建图形，然后通过链接 add（） 方法逐步添加层。 每层可以指定不同的模式类型，并通过数据处理功能转换数据。 同时，seaborn它提供了丰富的数据操作方式，可以根据需要自由选择。 通过这种方式，我们可以轻松绘制显示多条数据的各种图表尺寸
通过对新模式的学习和实践，我们不仅掌握了：seaborn以及对其背后的原理的深刻理解。 相较于传统的一函数一图表模型，新模型大大简化了我们的使用负担，提高了可视化的效率和灵活性。 通过本文的介绍，希望读者是对的seaborn对新模式有更深入的了解，能够快速上手。