Maîtriser la librairie Seaborn

import seaborn as sns 

1. Paramétrer les styles Seaborn (thèmes)

Les thèmes sont importants car ils permettent de styliser votre graphique et de faire ressortir les couleurs de celui-ci.

Pour appeler un thème Seaborn et utiliser les styles de ce thème lors de la génération du graphique, la syntaxe générale est la suivante :

import matplotlib.pyplot as plt 
import seaborn as sns 
sns.set_style("darkgrid") 
plt.figure() 
plt.subplot(111) 
plt.plot(x,y) 
plt.show() 

Ici, on utilise la fonction set_style() de Seaborn, qui permet de définir le thème de la figure à utiliser. Par défaut, le thème est appelé darkgrid : ce thème permet d’avoir un fond de graphique grisé et une grille (grid).

Il existe d’autres thèmes, comme par exemple whitegrid, qui fournit une grille sur fond blanc, dark avec un fond grisé sans grille, white avec un fond blanc sans grille, ou encore le thème ticks qui ressemble beaucoup au thème white, avec un fond blanc, à la différence...

1. Préparation du jeu de données

Les mêmes jeux de données nettoyés que précédemment seront utilisés : donnees_NaN_supprimes et donnees_NaN_remplaces, selon ce que nous voulons représenter sur notre graphique. Le code pour régénérer ces objets est disponible dans le notebook associé à ce chapitre.

2. Nuage de points (scatterplot)

Nous l’avions vu dans le chapitre sur la librairie Matplotlib, le scatterplot (ou nuage de points, en français) est le graphique utilisé pour visualiser une relation statistique entre deux variables quantitatives. Le but ici est de tracer, pour chaque individu ou observation, un point, représentant sa valeur dans deux variables quantitatives.

Le grand avantage de la fonction de génération de ce type graphique avec Seaborn, par rapport à Matplotlib, est la possibilité d’augmenter les informations sur le graphique avec des modalités de variables qualitatives : pour cela, on utilisera la couleur des points, leur forme ou encore leur taille.

Syntaxe générale

import matplotlib.pyplot as plt 
import seaborn as sns 
plt.figure() 
plt.subplot(111) 
sns.scatterplot(data=dataframe,x='Ma_colonne1',y='Ma_colonne2', 
hue='Ma_colonne3',style='Ma_colonne4', size='Ma_colonne5') 
plt.show() 

En regardant cette syntaxe générale, on voit l’utilité de connaître le fonctionnement de la librairie Matplotlib avant d’apprendre à utiliser Seaborn. En effet, la création de la figure, des axes ou encore l’affichage du graphique avec la fonction show() nécessitent de connaître Matplotlib/Pyplot. En revanche, pour créer le graphique, nous utilisons une fonction propre à Seaborn appelée scatterplot, qui permet de tracer un nuage de points.

L’option data de cette fonction attend un dataframe. Seaborn est très utilisée en Data Science, car elle est adaptée à la structure préférée des analystes de données, le dataframe. En donnant un dataframe à Seaborn, il est alors au courant de l’ensemble des variables de ce dataframe et de leur nom (les noms de colonnes). Ainsi, pour tracer...

1. FacetGrid

Lorsqu’on souhaite tracer plusieurs graphiques sur une même figure avec Seaborn et donc créer plusieurs axes sur la figure, selon différentes modalités, il faut utiliser la fonction FacetGrid().

Syntaxe générale

import matplotlib.pyplot as plt 
import seaborn as sns 
mon_facetgrid = sns.FacetGrid(mon_dataframe, row = 'Variable1',  
col = 'Variable2', hue = 'Variable3') 
mon_facetgrid.map(sns.scatterplot, 'Variable4', 'Variable5') 

La première commande consiste à créer l’objet FacetGrid avec autant de grilles que ce qu’on veut tracer. La fonction FacetGrid attend quatre options :

Une fois l’objet mon_facetgrid créé, les axes sont vides, il faut y tracer des courbes. Pour cela, on utilise la méthode map() sur l’objet FacetGrid créé. En première option, on détermine...