数据集分布可视化(2) -- 变量关系可视化

数据集分布可视化（2）——变量关系可视化

小象实战讲义 · Python数据分析实战

在上一节中，我们学习了如何对单个变量（数据列）的分布进行可视化。但在实际的数据探索（EDA）中，我们更关心的是不同变量之间的关系。本节将介绍如何使用 Seaborn 的 pairplot 函数，一次性可视化数据集中所有数值变量两两之间的关系，从而快速发现变量间的相关性、分布模式以及类别差异。

💡 核心导读

• 变量关系矩阵：理解如何通过一个矩阵图（Pair Plot）同时展示多个变量两两之间的散点图以及每个变量自身的分布图。
• sns.pairplot 核心参数：掌握 data、hue、vars、kind、diag_kind 等关键参数的作用与用法。
• 解读 Pair Plot：学会从复杂的矩阵图中提取信息，识别线性关系、分布差异以及不同类别（hue）在变量关系上的表现。
• 定制化可视化：了解如何通过调整参数，在图中添加回归拟合线，或将对角线上的直方图替换为核密度估计图（KDE）。

理解变量关系可视化

在数据分析中，一个变量通常对应数据集中的一列。当我们拥有多列数据时，完整的探索性分析不应只随机挑选两列来看，而应该系统地考察所有变量两两之间的关系。这种全局视角能帮助我们更全面地理解数据内在结构，为后续的建模或深入分析提供线索。

例如，对于一个经典的鸢尾花（Iris）数据集，它包含花萼长度、花萼宽度、花瓣长度、花瓣宽度和花的种类（Setosa, Versicolor, Virginica）共五列。其中前四列是数值型变量。如果我们想可视化这四列数据所有两两之间的关系，会产生 $4 \times 4 = 16$ 个子图，形成一个关系矩阵。

在这个矩阵中：

• 对角线上的子图：展示的是单个变量自身的分布，通常用直方图（Histogram）或核密度估计图（KDE）表示。
• 非对角线上的子图：展示的是两个不同变量之间的关系，通常用散点图（Scatter Plot）表示。矩阵关于对角线对称，因此对称位置的两个散点图只是交换了 X 轴和 Y 轴。

使用 Seaborn pairplot 进行可视化

Seaborn 库提供的 sns.pairplot 函数可以非常方便地绘制这种变量关系矩阵图。其核心参数如下：

• data: 输入的 DataFrame 数据集。
• hue: 数据集中作为类别区分（着色）的列名。指定后，图中的点或分布会按此列的不同类别用不同颜色显示。
• vars: 指定需要参与可视化的数值变量列名列表。默认为 None，即使用 data 中所有数值类型的列。
• kind: 非对角线子图的类型，默认为 'scatter'（散点图）。可设置为 'reg' 以在散点图上添加线性回归拟合线。
• diag_kind: 对角线子图的类型。seaborn 0.11 起默认为 'auto'（未指定 hue 时用直方图、指定 hue 时用 KDE）；旧版默认为 'hist'（直方图），也可显式设为 'kde'（核密度估计图）。

下面，我们通过代码示例来具体演示。首先，我们构造一个模拟的鸢尾花数据小样本来进行演示。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 构造一个最小化的模拟鸢尾花数据样本
data = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 7.0, 6.4, 6.9],
    'sepal_width': [3.5, 3.0, 3.2, 3.2, 3.2, 3.1],
    'petal_length': [1.4, 1.4, 1.3, 4.7, 4.5, 4.9],
    'petal_width': [0.2, 0.2, 0.2, 1.4, 1.5, 1.5],
    'species': ['setosa', 'setosa', 'setosa', 'versicolor', 'versicolor', 'versicolor']
})
print("模拟鸢尾花数据预览:")
print(data)

模拟鸢尾花数据预览:
   sepal_length  sepal_width  petal_length  petal_width     species
0           5.1          3.5           1.4          0.2      setosa
1           4.9          3.0           1.4          0.2      setosa
2           4.7          3.2           1.3          0.2      setosa
3           7.0          3.2           4.7          1.4  versicolor
4           6.4          3.2           4.5          1.5  versicolor
5           6.9          3.1           4.9          1.5  versicolor

基础 Pair Plot

现在，我们使用默认参数绘制所有数值变量（四列）的关系矩阵图。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 再次构造数据，确保代码块自包含
data = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 7.0, 6.4, 6.9],
    'sepal_width': [3.5, 3.0, 3.2, 3.2, 3.2, 3.1],
    'petal_length': [1.4, 1.4, 1.3, 4.7, 4.5, 4.9],
    'petal_width': [0.2, 0.2, 0.2, 1.4, 1.5, 1.5],
    'species': ['setosa', 'setosa', 'setosa', 'versicolor', 'versicolor', 'versicolor']
})

# 基础pairplot
sns.pairplot(data)
plt.suptitle('基础 Pair Plot (所有数值变量)', y=1.02)
plt.show()

（运行后将显示一个4x4的图形矩阵，包含16个子图。由于是图形输出，此处不配文本块。）

按类别着色 (hue)

通过 hue 参数按花的种类着色，可以清晰看到不同类别在变量分布和关系上的差异。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 构造数据
data = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 7.0, 6.4, 6.9],
    'sepal_width': [3.5, 3.0, 3.2, 3.2, 3.2, 3.1],
    'petal_length': [1.4, 1.4, 1.3, 4.7, 4.5, 4.9],
    'petal_width': [0.2, 0.2, 0.2, 1.4, 1.5, 1.5],
    'species': ['setosa', 'setosa', 'setosa', 'versicolor', 'versicolor', 'versicolor']
})

# 加入类别着色
sns.pairplot(data, hue='species')
plt.suptitle('Pair Plot with Hue (按 species 着色)', y=1.02)
plt.show()

（运行后将显示按类别着色的4x4图形矩阵。）

观察着色后的图，可以直观发现：

• 花瓣长度（petal_length）与花瓣宽度（petal_width） 在两个类别内部都呈现出较强的线性正相关关系。
• 花萼长度（sepal_length）与花萼宽度（sepal_width） 的关系在不同类别间模式不同：setosa 类内部大致呈正相关（萼越长、萼越宽），而 versicolor 类关系不明显。

选择特定变量与添加拟合线

有时我们只关注部分变量。通过 vars 参数可以指定要可视化的列。结合 kind='reg' 可以在散点图上添加线性回归拟合线。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 构造数据
data = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 7.0, 6.4, 6.9],
    'sepal_width': [3.5, 3.0, 3.2, 3.2, 3.2, 3.1],
    'petal_length': [1.4, 1.4, 1.3, 4.7, 4.5, 4.9],
    'petal_width': [0.2, 0.2, 0.2, 1.4, 1.5, 1.5],
    'species': ['setosa', 'setosa', 'setosa', 'versicolor', 'versicolor', 'versicolor']
})

# 选择部分变量，并添加回归拟合线
sns.pairplot(data,
             hue='species',
             vars=['sepal_length', 'sepal_width'], # 只可视化这两列
             kind='reg') # 非对角线子图添加回归线
plt.suptitle('Pair Plot: 选择变量 & 添加回归线', y=1.02)
plt.show()

（运行后将显示一个2x2的图形矩阵，散点图上带有按类别分别拟合的回归线。）

更改对角线图形类型

我们可以使用 diag_kind='kde' 将对角线上的直方图替换为核密度估计图（KDE），它能更平滑地展示分布形状。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 构造数据
data = pd.DataFrame({
    'sepal_length': [5.1, 4.9, 4.7, 7.0, 6.4, 6.9],
    'sepal_width': [3.5, 3.0, 3.2, 3.2, 3.2, 3.1],
    'petal_length': [1.4, 1.4, 1.3, 4.7, 4.5, 4.9],
    'petal_width': [0.2, 0.2, 0.2, 1.4, 1.5, 1.5],
    'species': ['setosa', 'setosa', 'setosa', 'versicolor', 'versicolor', 'versicolor']
})

# 对角线使用KDE，非对角线使用带回归线的散点图
sns.pairplot(data,
             hue='species',
             vars=['sepal_length', 'sepal_width'],
             kind='reg',
             diag_kind='kde')
plt.suptitle('Pair Plot: 对角线为KDE，散点图带回归线', y=1.02)
plt.show()

（运行后将显示对角线为KDE、散点图带回归线的2x2图形矩阵。）

📝 动手练一练

1. 概念辨析：在 sns.pairplot 生成的矩阵图中，对角线上的子图和非对角线上的子图分别表示什么？如果数据集有 5 个数值型变量，生成的矩阵图总共包含多少个子图？

2. 动手实践：假设你有一个包含 'age'（年龄）、'income'（收入）、'education_years'（受教育年限）和 'city_tier'（城市等级，1/2/3）的模拟 DataFrame df_sample。如果你想探索收入与年龄、受教育年限之间的关系，并按城市等级着色，且希望在对角线上看到平滑的分布曲线，请写出调用 sns.pairplot 的代码。

# 假设 df_sample 是已存在的DataFrame，包含列：'age', 'income', 'education_years', 'city_tier'
# 调用 pairplot 的代码为：
# sns.pairplot(df_sample,
#              hue='city_tier',           # 按城市等级着色
#              vars=['age', 'income', 'education_years'], # 只关注这三个变量
#              diag_kind='kde')           # 对角线用KDE显示平滑分布

本章小结

本节我们深入学习了探索性数据分析（EDA）中强大的多变量关系可视化工具——Seaborn 的 pairplot。它通过一个紧凑的矩阵图，同时揭示了数据集中所有数值变量两两之间的散点关系以及每个变量自身的分布，是数据探索初期不可或缺的“全局扫描仪”。

📋 行动清单

• 尝试对你手头的一个数据集（或课程提供的完整鸢尾花数据集）使用 sns.pairplot，观察所有数值变量间的关系。
• 使用 hue 参数按某个分类变量着色，分析不同类别在变量关系和分布上的差异。
• 练习使用 vars 参数聚焦于你关心的特定变量组合，并尝试切换 kind 和 diag_kind 参数，感受不同图形表达带来的信息侧重。

—— 小象教研组