Formation
90 min de lecture
Visualisation de données
📦 Visualisations avancées avec Seaborn
Objectifs d'apprentissage
🎯 Objectifs :\n
1Créer des heatmaps\n2. Créer des pairplots\n3. Créer des box plots\n4. Créer des violin plots
Introduction
📖 Seaborn est basé sur Matplotlib et offre des graphiques statistiques avancés.
Contenu théorique
Seaborn :\n
PYTHON
\nimport seaborn as sns\n\n# Heatmap (corrélation)\nsns.heatmap(df.corr(), annot=True, cmap="coolwarm")\n\n# Pairplot (relations)\nsns.pairplot(df, hue="categorie")\n\n# Box plot\nsns.boxplot(x="categorie", y="valeur", data=df)\n\n# Violin plot\nsns.violinplot(x="categorie", y="valeur", data=df)\nExemples pratiques
💻 Exemple : Analyse de données Iris\n
PYTHON
\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\n# Chargement du dataset Iris\niris = sns.load_dataset("iris")\n\n# Matrice de corrélation\nplt.figure(figsize=(10, 8))\nsns.heatmap(iris.corr(), annot=True, cmap="coolwarm", fmt=".2f")\nplt.title("Matrice de corrélation - Iris")\nplt.show()\n\n# Pairplot avec couleur par espèce\nsns.pairplot(iris, hue="species", diag_kind="hist")\nplt.show()\n\n# Box plot par espèce\nplt.figure(figsize=(10, 6))\nsns.boxplot(x="species", y="petal_length", data=iris)\nplt.title("Longueur des pétales par espèce")\nplt.show()\n\n# Violin plot\nplt.figure(figsize=(10, 6))\nsns.violinplot(x="species", y="sepal_length", data=iris)\nplt.title("Distribution de la longueur des sépales")\nplt.show()\nBonnes pratiques
1Utiliser heatmap pour corrélations\n✅ 2. Utiliser pairplot pour relations multiples\n✅ 3. Utiliser box plot pour comparaisons\n✅ 4. Utiliser violin plot pour distribution
Pièges à éviter
Oublier d'installer seaborn\n
pip install seaborn
Résumé
heatmap() : matrice de corrélation\n✅ pairplot() : relations multiples\n✅ boxplot() : comparaisons\n✅ violinplot() : distribution\n✅ hue : couleur par catégorie
Ressources supplémentaires
📚 seaborn.pydata.org/tutorial.html