小白python入门 - 63. 探索性分析与 seaborn

1. 本课定位：是什么、为何重要

matplotlib 精细但样板代码多；seaborn 面向统计探索：一条 API 画出「分布 / 关系 / 分类比较」，并更好处理 DataFrame 长表。

概念	一句话
EDA	探索性数据分析：在建模/下结论前，用图与摘要理解数据形态
seaborn	基于 matplotlib 的统计可视化库，数据集中式参数（data=, x=, y=, hue=）
hue / col	用颜色或分面引入第三、第四变量

对比已学： 第 62 课「我指定几何（bar/plot/scatter）」；本课「我声明变量角色（x/y/hue），库选默认统计图」。

---

2. 先跑为敬：一秒出分布图

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
from pathlib import Path

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei"]
plt.rcParams["axes.unicode_minus"] = False
Path("outputs").mkdir(exist_ok=True)

# 读取数据
clean = pd.read_csv("data/orders_clean.csv")
paid = clean.loc[clean["is_gmv"] == True]

# 一行代码：金额分布按渠道分色
sns.histplot(data=paid, x="amount", hue="channel", element="step", stat="density")
plt.title("各渠道金额分布")
plt.savefig("outputs/eda_hist.png", bbox_inches="tight")
plt.close()
print("saved")

---

3. 核心概念：宽表 vs 长表（tidy data）

seaborn 要求数据是长表（也叫 tidy data）：一列一个变量，一行一个观测。

格式	特点	seaborn 能用？
宽表	渠道名成了列名（app/web 各一列）	不行，要先 melt
长表	渠道名成了值（一列 channel，一列 orders）	可以，直接用

import pandas as pd

# 宽表
wide = pd.DataFrame({"user": ["u1", "u2"], "app": [10, 5], "web": [3, 8]})

# 宽 → 长（seaborn 需要这种格式）
long = wide.melt(id_vars=["user"], var_name="channel", value_name="orders")
print(long)

记忆： seaborn 的 hue="channel" 需要有一列叫 channel。宽表里没有这列（"app"和"web"是列名不是值），所以要先 melt。

---

4. 怎么读图：看到图要能说出一句话

出了图不是终点，能读懂才有价值。以下是每种图的"读法"：

4.1 直方图 / KDE：分布长什么样？

看什么：数据集中在哪个区间？有没有拖尾？
说出的话："金额主要集中在 20-80 元区间，少数订单超过 200 元（右偏/长尾）"

偏态怎么看？ 直方图"尾巴"往右拖 = 右偏（大部分值小，少数特别大）。往左拖 = 左偏。对称 = 不偏。"右偏"在金额数据中非常常见——大部分订单金额不高，但偶尔有大单。

4.2 箱线图：分布 + 异常

看什么：箱体在哪？有没有超出须线的点？
说出的话："app 渠道中位数 80 元，有 2 个超过 250 元的异常大单"

箱线图四分位：

• 箱子下边 = 25 分位（Q1）：25% 的数比它小
• 箱子里面的线 = 中位数（Q2）：50% 的数比它小
• 箱子上边 = 75 分位（Q3）：75% 的数比它小
• 须线 = 1.5 倍箱体范围外的 = 可能的异常值（用点表示）

4.3 相关系数热力图：两个变量有没有关系

看什么：颜色深浅（接近 1 或 -1 = 强相关，接近 0 = 无关）
说出的话："金额和订单数相关系数 0.85，说明大额订单往往来自高频用户"

相关系数直觉：

• +1：完全正比——x 涨 y 一定涨（比如身高和鞋码）
• 0：无关——x 涨跌和 y 没关系（比如身高和考试成绩）
• -1：完全反比——x 涨 y 一定跌（比如温度和供暖费）

---

5. 内置能力：按 EDA 问题分组

5.1 分布

图	API	回答什么问题
直方图	sns.histplot	金额集中在哪个区间？
KDE 密度	sns.kdeplot	分布的平滑轮廓
箱线	sns.boxplot	中位数在哪？有没有异常值？
小提琴	sns.violinplot	箱线 + 密度的合体

5.2 关系

图	API	回答什么问题
散点	sns.scatterplot	两个数值变量是否同涨同跌？
带趋势线	sns.regplot	散点 + 线性趋势
相关热力	sns.heatmap(corr)	多个变量两两相关程度

5.3 分类比较

图	API	回答什么问题
条形聚合	sns.barplot	各类别的均值是多少？
计数	sns.countplot	各类别有多少个？

注意： sns.barplot 默认对 y 聚合（计算均值+置信区间），不是把每行当一根柱子。要画已聚合的 KPI 请用 matplotlib ax.bar。

---

6. 实战：渠道金额分布对比（统一数据集）

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from pathlib import Path

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei"]
plt.rcParams["axes.unicode_minus"] = False
Path("outputs").mkdir(exist_ok=True)

clean = pd.read_csv("data/orders_clean.csv")
paid = clean.loc[clean["is_gmv"] == True]

# 箱线图：各渠道金额分布
fig, ax = plt.subplots(figsize=(8, 5))
sns.boxplot(data=paid, x="channel", y="amount", ax=ax)
ax.set_title("各渠道金额分布（EDA）")
fig.savefig("outputs/eda_box.png", bbox_inches="tight")
plt.close(fig)
print("saved eda_box.png")

# 相关热力图
num_cols = paid[["amount"]].select_dtypes(include="number")
if len(num_cols.columns) >= 2:
    corr = num_cols.corr()
    sns.heatmap(corr, annot=True, cmap="RdBu")

业务解读： 若 app 箱体整体高于 web，回到第 60 课看 GMV 结构是否由客单驱动。

---

7. 安全规范写法

做法	原因
探索与终稿目录分开	outputs/eda/ vs outputs/report/
大数据 sample(n=5000) 再散点	性能与过度绘制
报告引用图注明样本与过滤	可审计
plt.close("all") 批量出图	防内存泄漏

---

8. 高阶技巧（点到）

技巧	说明
pairplot	多变量两两关系（列少时好用）
FacetGrid.map	自定义分面
调色板	sns.color_palette("Set2")
figure-level vs axes-level	sns.relplot 自带分面；sns.scatterplot 塞进已有布局

---

9. 踩坑回顾

坑	现象	正确做法
宽表直接 hue	画不出	先 melt 成长表
类别过多 hue	彩虹灾难	合并长尾或 TopN
把探索图直接贴进高管报告	信息噪声	探索用 seaborn，终稿用简化版
忽略 hue 样本不均	误判差异	同看样本量

---

10. 总结复盘

项	内容
学到什么	EDA 问题驱动选图、seaborn 变量角色、宽表长表、怎么读图
自学路线	探索图找线索 → 64 交互看板给业务点选 → 65 收敛成报告
思维拔高	先探索后结论；图用来证伪自己的假设，不是只用来美化
官方入口	seaborn tutorial

---

附录：统一数据集版

本课使用第 58 课清洗后的 data/orders_clean.csv。