Librairie Seaborn : utilisation, fonctionnement en Python

Présentation de Seaborn

Seaborn est une bibliothèque Python qui offre la possibilité de résumer et de visualiser des données. Elle permet de créer de jolis graphiques statistiques en Python. Cette bibliothèque apporte des fonctionnalités inédites qui favorisent l'exploration et la compréhension des données. Son interface utilise de fonctions intuitives qui assurent notamment la cartographie sémantique et aident à la conversion des données en graphiques statistiques à visualiser.

Il convient de voir Seaborn comme un complément de la bibliothèque principale de visualisation de données en Python et non comme un remplaçant. Et pour cause, bien souvent, Matplotlib est toujours utilisé pour des graphiques simples et un certain niveau de connaissances de cette bibliothèque est nécessaire pour modifier des tracés effectués avec Seaborn.

‍

‍

Comment fonctionne Seaborn ?

La bibliothèque de visualisation de données Seaborn offre la possibilité de tracer d'incroyables graphiques dans Python. Pour commencer par s'en servir, il faut procéder à son installation.

Installation de Seaborn

L'installation de Seaborn dépend principalement de l'environnement de travail. Ceux qui utilisent l'environnement Python par défaut peuvent l'installer via la commande pip depuis le terminal. Il s'agit d'une commande habituellement utilisée comme installateur de package en Python. Pour installer Seaborn, il faut taper la commande « pip install seaborn ».

Les utilisateurs qui travaillent dans l'environnement Anaconda peuvent se servir de la commande Conda pour installer la librairie de visualisation des données Seaborn. En utilisant la commande Conda, il faut taper « conda install seaborn » pour pouvoir installer Seaborn.

Dès que la bibliothèque de visualisation de données Seaborn est installée, il faut s'assurer que ses dépendances obligatoires le sont également. C'est notamment le cas de NumPy, SciPy, Matplotlib, Pandas ou encore statistiquesmodèles.

Les fonctionnalités importantes de Seaborn

La bibliothèque de visualisation de données Seaborn est livrée avec des fonctionnalités intéressantes qui en font sa force. Seaborn intègre tout d'abord des thèmes qui permettent de renforcer le style des graphiques Matplotlib. De même, cette bibliothèque assure la visualisation des données univariées et bivariées. Seaborn favorise également la réalisation de diagrammes de points, de diagrammes en violon ou en boîte et des nuages de points catégoriels.

D'autres fonctionnalités très pratiques comme l'exploration des interactions entre plusieurs variables, l'intégration et la visualisation de modèles de régression linéaire sont aussi intégrées dans cette bibliothèque de visualisation des données. Avec Seaborn, il est possible de tracer avec des données statistiques de séries chronologiques et des données catégorielles. La librairie permet également de tracer des graphiques linéaires et des grilles multiparcelles.

Dans la bibliothèque de visualisation de données Seaborn, on distingue différents types de graphiques. C'est par exemple le cas des graphiques relationnels, catégoriques et de distribution. Les graphiques relationnels sont utiles pour comprendre des relations entre deux variables. Les graphiques catégoriques aident quant à eux à visualiser des données classées par catégorie. Les graphiques de distribution servent enfin à examiner les distributions univariées ou bivariées.

Quelques exemples d'applications de la bibliothèque de visualisation des données Seaborn

Pour commencer par utiliser les fonctionnalités de la bibliothèque de visualisation de données Seaborn, il faut commencer par l'importer avec certaines de ses dépendances. Différentes lignes de code permettent de réussir cette importation :

• import numpy as np,
• import pandas as pd,
• import matplotlib. pyplot as plt/from matplotlib import pyplot as plt,
• import seaborn as sns.

Dans ces lignes de codes, « import matplotlib. pyplot as plt » et « from matplotlib import pyplot as plt » sont équivalentes. Le module pyplot de la librairie Matplotlib est importé et est lié à plt afin de ne plus être obligé d'écrire l'entièreté du nom de module à chaque appel.

Pour un fichier de données nommé « foot » qui présente la taille de joueurs de foot en fonction de leur âge, il est possible de visualiser avec la Seaborn ces données (dataset) sous la forme d'un graphique linéaire. Pour ce faire, il suffit de lancer la commande suivante :

1. import pandas as pd
2. import matplotlib.pyplot as plt
3. import seaborn as sns
4. data = pd.read_csv("foot.csv")
5. sns.lineplot( data [« Age »], data [« Taille »])

Pour dessiner des boîtes à moustache avec les données liées à l'âge, la simple commande suivante suffit :

1. import pandas as pd
2. import matplotlib.pyplot as plt
3. import seaborn as sns
4. data = pandas.read_csv( "foot.csv" )
5. sns.boxplot( data [« Age »] )

Dans le cadre de la représentation de distributions univariées, les lignes de code ci-contre peuvent être utilisées :

1. import pandas as pd
2. import matplotlib.pyplot as plt
3. import seaborn as sns
4. b = np.random.normal(loc=10,size=100,scale=2)
5. sns.distplot(a);

Cette commande permet de tracer un graphique pour la variable b dont les valeurs sont générées avec la fonction normal ().

Lorsqu'on est en présence de deux variables indépendantes et aléatoires, il est possible de tracer des distributions bivariées avec la bibliothèque de visualisation de données Seaborn. Sa fonction la plus indiquée pour ce type de graphes est jointplot (). La commande suivante montre un exemple de tracé de graphe bivarié :

1. import numpy as np
2. import pandas as pd
3. import matplotlib.pyplot as plt
4. x=pd.DataFrame({« Jour » : [1, 2, 3, 4, 5, 6, 7],'Boutique' : [30, 80, 45, 23, 51, 46, 76],'Habits' : [13, 40, 34, 23, 54, 67, 98],'Fournitures' : [12, 32, 27, 56, 87, 54, 34]}, index=[1, 2, 3, 4, 5, 6, 7])
5. y=pd.DataFrame({« Jour » : [8, 9, 10, 11, 12, 13, 14],'Boutique' : [30, 80, 45, 23, 51, 46, 76],'Habits' : [13, 40, 34, 23, 54, 67, 98],'Fournitures' : [12, 32, 27, 56, 87, 54, 34]}, index=[8, 9, 10, 11, 12, 13, 14])
6. mean, cov = [0, 1], [(1, .5), (.5, 1)]
7. data = np.random.multivariate_normal(mean, cov, 200)
8. with sns.axes_style("grey"):
9. sns.jointplot(x=x, y=y, kind="kde", color="b");

Pour mieux comprendre Seaborn et Python, il est important d'effectuer une formation dans la Data science pour mieux maîtriser cette bibliothèque et ce langage de programmation.

Pourquoi utiliser Seaborn ?

Basé sur la célèbre bibliothèque Matplotlib, Seaborn reprend ses principaux atouts et se démarque principalement par sa prise en main facile. Seaborn a permis de corriger certains défauts récurrents de Matplotlib comme l'absence de fonctions aidant à lancer des analyses statistiques sophistiquées ou l'impossibilité pour ses fonctions d'interagir avec les Dataframes de Pandas. Seaborn facilite ainsi grandement le tracé de graphiques statistiques.

Les propos suivants du créateur de Seaborn, Michael Waskom résument bien la simplicité d'utilisation de cette bibliothèque : « Si Matplotlib essaie de rendre les choses faciles faciles et les choses difficiles possibles, Seaborn essaie de rendre aussi facile un ensemble bien défini de choses difficiles ». Plus concrètement, la syntaxe de Seaborn est réduite, ce qui en fait un outil de prédilection pour la visualisation statistique de données.

De plus, Seaborn dispose de styles prédéfinis et de différentes palettes de couleurs qui permettent la création de graphiques à la fois complexes et esthétiques avec seulement quelques lignes de code.

‍

‍

Comment se former à Seaborn ?

L'importance de la visualisation de données en Data science, en Machine Learning, en statistiques n'est plus à démontrer. De ce fait, la maîtrise d'outils comme Seaborn est une compétence très recherchée. Nous recommandons aux personnes qui souhaitent faire carrière en Data science, Data analyse, Data Engineering ou cybercriminalité d'acquérir cette compétence. Cela peut se faire notamment par le biais de nos formations certifiantes dans ces différents domaines.

Nos modules sont en tête d'affiche des formations Data en France. Pour offrir plus de flexibilité à nos étudiants, elles peuvent être suivies à temps complet, à temps partiel, à distance ou en présentiel.

Au-delà des outils de Data visualisation, les formations Jedha fournissent tous les outils pour résoudre les problématiques les plus complexes et maîtriser l'entièreté du pipeline Data. De quoi préparer nos étudiants à devenir de véritables professionnels de la Data.

‍