目录
一、Seaborn介绍
Seaborn是基于matplotlib开发的高阶Python数据可视图库，用于绘制更精致、美观的图形，其绘图逻辑与matplotlib基本一致，但呈现效果比matplotlib要清晰美观。常见的图表有散点图、折线图、柱状图等。
本文以共享单车数据为例，介绍的Seaborn中的柱状图、散点图以及pandas对数据的相关处理方式，用柱状图、散点图实现对共享单车数据的可视化分析。
本文共享单车数据可在积分资源中获取。下载链接：https://download.csdn.net/download/m0_52051577/87794022?spm=1001.2014.3001.5503
二、数据介绍
本文选取的数据为共享单车2011-2012年的数据，数据属性包括datetime（日期）、season（季度）、holiday（节日）、workingday（工作日）、weather（天气）、temp（温度）、atemp（体感温度）、humidity（湿度）、windspeed（风速）、casual（发起的非注册用户租赁数量）、registered（已注册用户租赁的数量）、count（总租车人数）。
三、数据分析
统计2011、2012年个季度使用共享单车用户量
（1）实现流程如下：
（2） 涉及到的seaborn相关函数：
sns.barplot(x,y,data,hue,palette)函数：其中x,y表示dataframe中的列名，其中data表示数据表或数组。hue表示分类的依据，palette表示色调的设置。
（3）实现步骤
导入数据：
##导入数据并预览
import pandas as pd
data=pd.read_csv(r"D://jupyter_data/bike_train.csv")
data
提取数据目标列：season,count,datetime列。将datetime列切分处理。
##提取datetime列并以'-'为分隔符进行切分，将日期分为年、月、日
data1=data[['season','count','datetime']]
year=data1['datetime'].str.split('-',expand=True)[0]
month=data1['datetime'].str.split('-',expand=True)[1]
day1=data1['datetime'].str.split('-',expand=True)[2]
data1.insert(2,'year',year)
data1.insert(3,'month',month)
data1.insert(4,'day',day1)
data1
分别提取2011、2012的数据，并取前三列数据，按季度统计每个季度对应的租车人数。
data1_2011=data1[data1['year']=='2011'].iloc[:,0:3]
data1_2012=data1[data1['year']=='2012'].iloc[:,0:3]
group1=data1_2011.groupby('season').agg({'count':'sum'})
group2=data1_2012.groupby('season').agg({'count':'sum'})# 表格转置并重置索引，重设列名
group1.columns=['2011']
s_count_st=pd.DataFrame(group1.stack(),columns=['count'])
s_count_st=s_count_st.reset_index()
s_count_st.columns=['season','year','count']
mid=s_count_st['year']
s_count_st.pop('year')
s_count_st.insert(2,'year',mid)
s_count_st
合并数据
s_count1=pd.concat([s_count_st,s_count_st2],axis=0)
s_count1 
分别统计2011、2012每个月份的租车人数
month1_2011=data1[data1['year']=='2011'].iloc[:,[0,1,3]]
#提取出季度、租车人数、月份三列
m_count2011=month1_2011.groupby('month').agg({'count':'sum'})
#按月份分组，统计每个月的租车人数
m_count2011.columns=['2011']
m_count_st=pd.DataFrame(m_count2011.stack(),columns=['count'])
#重置索引
m_count_st=m_count_st.reset_index()
m_count_st.columns=['month','year','count']
midpro=m_count_st['year']
m_count_st.pop('year')
m_count_st.insert(2,'year',midpro)
m_count_stmonth1_2012=data1[data1['year']=='2012'].iloc[:,[0,1,3]]
m_count2012=month1_2012.groupby('month').agg({'count':'sum'})
m_count2012.columns=['2012']
m_count_st1=pd.DataFrame(m_count2012.stack(),columns=['count'])
m_count_st1=m_count_st1.reset_index()
m_count_st1.columns=['month','year','count']
midpro1=m_count_st1['year']
m_count_st1.pop('year')
m_count_st1.insert(2,'year',midpro1)
m_count_st1将原数据表中的日期列进一步划分为年月日之后，将日一列切分出时间戳，并对时间戳进一步切分，切分出小时。
#提取年
year=data['datetime'].str.split('-',expand=True)[0]
#提取月
month=data['datetime'].str.split('-',expand=True)[1]
#提取日＋时间
day1=data['datetime'].str.split('-',expand=True)[2]
#提取日
day=day1.str.split(' ',expand=True)[0]
#提取年月日
date=data['datetime'].str.split(' ',expand=True)[0]
#提取时间
timestamp=data['datetime'].str.split(' ',expand=True)[1]
#提取小时
hour=timestamp.str.split(':',expand=True)[0]
data2=data.drop(['datetime'],axis=1)
data2.insert(11,'date',date)
data2.insert(12,'timestamp',timestamp)
data2.insert(13,'year',year)
data2.insert(14,'month',month)
data2.insert(15,'day',day)
data2.insert(16,'hour',hour)
data2
2011、2012年数据：
#分别筛选出2011、2012的数据
data_2011=data2.loc[data2['year']=='2011']
data_2012=data2.loc[data2['year']=='2012']作图展示（簇状图）：
plt.figure(figsize=[10,6])
sns.barplot(data=s_count1,x='season',y='count',hue='year',palette='Set2')
plt.xticks(ticks=range(4),labels=['spring','summer','autumn','winter'])
plt.tight_layout()
plt.show()
从柱状图中可看出，各个季度来看，2012年租车人数比2011年租车人数要多，且租车人数夏秋季比纯冬季要多。
绘制气温与风度的散点图：
sns.scatterplot(data=data_2011,x='temp',y='windspeed',hue='count')
plt.tight_layout()
plt.show()
从散点图可看出，租车人数集中在气温为20-35、风度为10-40的区间段中。
绘制气温与湿度的散点图：
sns.scatterplot(data=data_2011,x='temp',y='humidity',hue='count')
plt.tight_layout()
plt.show()
从散点图可看出，租车人数集中在气温为20-35、湿度为20-80的区间段中。