Yeni Başlayanlar için Python Seaborn Eğitimi: Verileri Görselleştirmeye Başlayın

Görselleştirme, karmaşık veri kümelerinin kolayca anlaşılmasını sağladığı için veri analizi ve yorumlamanın kritik bir yönüdür. Sadece ham verilerle fark edilmeyebilecek örüntüleri, ilişkileri ve eğilimleri belirlemeye yardımcı olur. Son yıllarda, geniş kütüphane ve çerçeve yelpazesi sayesinde Python, veri analizi için en popüler programlama dillerinden biri hâline gelmiştir. 

Python’daki görselleştirme kütüphaneleri, içgörüleri geniş bir kitleye etkili biçimde aktarabilen sezgisel ve etkileşimli veri görselleştirmeleri oluşturmayı mümkün kılar. Python’daki popüler görselleştirme kütüphane ve çerçevelerinden bazıları Matplotlib, Plotly, Bokeh ve Seaborn’dur. Bu kütüphanelerin her birinin belirli ihtiyaçlara hitap eden kendine özgü özellikleri ve yetenekleri vardır. 

Bu eğitimde, bilgilendirici istatistiksel grafikler oluşturmak için kullanımı kolay bir arayüz sunan, Python’da popüler bir veri görselleştirme kütüphanesi olan Seaborn’a odaklanacağız.

Seaborn nedir?

Matplotlib üzerine kurulu olan Seaborn, görsel açıdan çekici ve bilgilendirici istatistiksel grafikler üretmek için kullanıcı dostu bir arayüz sunan, iyi bilinen bir Python veri görselleştirme kütüphanesidir. Pandas dataframe’leriyle çalışacak şekilde tasarlanmıştır; bu da verileri hızlı ve etkili biçimde görselleştirmeyi ve keşfetmeyi kolaylaştırır.

Seaborn, saçılım grafikleri, çizgi grafikleri, çubuk grafikleri, ısı haritaları ve daha pek çoğu dâhil olmak üzere verileri görselleştirmek için çeşitli güçlü araçlar sunar. Ayrıca regresyon analizi, dağılım grafikleri ve kategorik grafikler gibi gelişmiş istatistiksel analizleri de destekler.

Seaborn ve kullanım alanları hakkında her şeyi Seaborn ile Veri Görselleştirmeye Giriş kursumuzla öğrenebilirsiniz. 

Seaborn’un temel faydası, minimum kodla çekici grafikler üretebilmesinde yatar. Kolayca tercihinize göre özelleştirebileceğiniz bir dizi varsayılan tema ve renk paleti sağlar. Ayrıca Seaborn, görselleştirmelerinizle karmaşık istatistiksel analizleri kolayca gerçekleştirmenize olanak tanıyan yerleşik istatistiksel fonksiyonlar sunar.

Seaborn’un bir diğer dikkat çekici özelliği, karmaşık çoklu grafik görselleştirmeleri oluşturabilmesidir. Seaborn ile birden fazla değişkeni veya veri alt kümelerini kolayca karşılaştırmaya imkân veren grafik ızgaraları oluşturabilirsiniz. Bu da onu keşif amaçlı veri analizi ve sunum için ideal bir araç hâline getirir.

Seaborn, bilgilendirici ve estetik açıdan hoş istatistiksel grafikler oluşturmak için kullanımı kolay bir arayüz sunan, Python’da güçlü ve esnek bir veri görselleştirme kütüphanesidir. Gelişmiş istatistiksel analiz dâhil olmak üzere verileri görselleştirmek için bir dizi araç sağlar ve karmaşık çoklu grafik görselleştirmeleri oluşturmayı kolaylaştırır.

Görsel Kaynağı

Seaborn ve Matplotlib

Python’un en yaygın kullanılan iki veri görselleştirme kütüphanesi Matplotlib ve Seaborn’dur. Her iki kütüphane de yüksek kaliteli grafikler ve görselleştirmeler oluşturmak için tasarlanmış olsa da, farklı kullanım durumları için daha uygun hâle getiren bazı temel farklara sahiptir.

Matplotlib ile Seaborn arasındaki temel farklardan biri odak noktalarıdır. Matplotlib, son derece özelleştirilebilir görselleştirmeler oluşturmak için geniş bir araç yelpazesi sunan düşük seviyeli bir çizim kütüphanesidir. Kullanıcıların hayal edebilecekleri hemen her tür grafiği oluşturmasına olanak tanıyan son derece esnek bir kütüphanedir. Ancak bu esneklik, daha dik bir öğrenme eğrisi ve daha ayrıntılı kod maliyetiyle gelir.

Öte yandan Seaborn, istatistiksel grafikler oluşturmak için yüksek seviyeli bir arayüzdür. Matplotlib üzerine kuruludur ve yaygın istatistiksel grafikleri oluşturmak için daha basit ve sezgisel bir arayüz sunar. Seaborn, Pandas dataframe’leriyle çalışacak şekilde tasarlanmıştır; bu da minimum kodla görselleştirme oluşturmayı kolaylaştırır. Ayrıca, kullanıcıların görselleştirmeleriyle karmaşık istatistiksel analizleri kolayca yapmasına olanak tanıyan yerleşik istatistiksel fonksiyonlar sunar.

Matplotlib ile Seaborn arasındaki bir diğer önemli fark, varsayılan stilleri ve renk paletleridir. Matplotlib, sınırlı sayıda varsayılan stil ve renk paleti sağlar; istenen görünüme ulaşmak için kullanıcıların grafikleri elle özelleştirmesi gerekir. Seaborn ise, farklı veri ve görselleştirme türleri için optimize edilmiş çeşitli varsayılan stil ve renk paletleri sunar. Bu, minimum özelleştirmeyle görsel olarak çekici grafikler oluşturmayı kolaylaştırır.

Her iki kütüphanenin de güçlü ve zayıf yanları olsa da, Seaborn genellikle istatistiksel grafikler ve keşif amaçlı veri analizi için daha uygunken, Matplotlib sunumlar ve yayınlar için yüksek düzeyde özelleştirilebilir grafikler oluşturmak için daha uygundur. Ancak Seaborn’un Matplotlib üzerine kurulu olduğunu ve her iki kütüphanenin birlikte kullanılarak her ikisinin güçlü yönlerinden yararlanan karmaşık, yüksek düzeyde özelleştirilebilir görselleştirmeler oluşturulabileceğini unutmamak gerekir.

Matplotlib’i daha ayrıntılı incelemek için Python’da Matplotlib ile Çizime Giriş başlıklı eğitimimize göz atabilirsiniz.

Matplotlib ve Seaborn, farklı güçlü ve zayıf yönlere sahip, Python’daki iki güçlü veri görselleştirme kütüphanesidir. Bu iki kütüphane arasındaki farkları anlamak, kullanıcıların özel görselleştirme ihtiyaçları için doğru aracı seçmelerine yardımcı olabilir.

Seaborn’un Kurulumu

Seaborn, Python 3.7+ sürümlerinde desteklenir ve çekirdek bağımlılıkları oldukça azdır. Seaborn’u kurmak oldukça basittir. Python’un pip yöneticisiyle veya conda paket yöneticisiyle kurabilirsiniz.

# install seaborn with pip
pip install seaborn

pip kullandığınızda, Seaborn ve gerekli bağımlılıkları kurulur. Ek ve isteğe bağlı özelliklere erişmek isterseniz, pip install komutuna isteğe bağlı bağımlılıkları da ekleyebilirsiniz. Örneğin:

pip install seaborn[stats]

Veya conda ile:

# install seaborn with conda
conda install seaborn

Örnek Veri Kümeleri

Seaborn, veri görselleştirme ve istatistiksel analiz için kullanabileceğimiz çeşitli yerleşik veri kümeleri sağlar. Bu veri kümeleri pandas dataframe’lerinde saklanır; bu da Seaborn’un çizim fonksiyonlarıyla kullanımlarını kolaylaştırır.

Seaborn’un resmi örneklerinin tamamında da kullanılan en yaygın veri kümelerinden biri, restoranlarda verilen bahşişlerle ilgili bilgileri içeren `tips dataset`’tir. İşte Seaborn’da Tips veri kümesini yükleme ve görselleştirmeye bir örnek:

import seaborn as sns




# Load the Tips dataset

tips = sns.load_dataset("tips")




# Create a histogram of the total bill amounts

sns.histplot(data=tips, x="total_bill")

Çıktı:

Bu grafiği henüz anlamadıysanız endişelenmeyin. Buna histogram denir. Histogramları bu eğitimin ilerleyen bölümlerinde daha ayrıntılı açıklayacağız. Şimdilik çıkarım şu: Seaborn, kullanım ve görselleştirme becerilerinizi geliştirmeniz için pandas DataFrame olarak pek çok örnek veri kümesiyle birlikte gelir. İşte `exercise` veri kümesini yüklemeye başka bir örnek.

import seaborn as sns




# Load the exercise dataset

exercise = sns.load_dataset("exercise")




# check the head

exercise.head()

Çıktı:

Seaborn Grafik Türleri

Seaborn, veri görselleştirme ve keşif amaçlı veri analizi için kullanılabilecek çok çeşitli grafik türleri sağlar. Genel olarak, herhangi bir görselleştirme üç kategoriden birine girebilir. 

• Tek değişkenli – yalnızca x (sadece bir eksen bilgisi içerir)
• İki değişkenli – x ve y (iki eksen bilgisi içerir)
• Üç değişkenli – x, y, z (üç eksen bilgisi içerir)

Görsel Kaynağı

İşte Seaborn’daki en yaygın grafik türlerinden bazıları:

• Saçılım Grafiği. İki değişken arasındaki ilişkiyi görselleştirmek için kullanılır. Seaborn’un scatterplot() fonksiyonu, saçılım grafikleri oluşturmanın basit bir yolunu sağlar.
• Çizgi Grafiği. Bir değişkenin zaman içindeki eğilimini görselleştirmek için kullanılır. Seaborn’un lineplot() fonksiyonu, çizgi grafikleri oluşturmayı kolaylaştırır.
• Histogram. Bir değişkenin dağılımını görselleştirmek için kullanılır. Seaborn’un histplot() fonksiyonu, histogram oluşturmanın basit bir yolunu sağlar.
• Kutu Grafiği. Bir değişkenin dağılımını görselleştirmek için kullanılır. Seaborn’un boxplot() fonksiyonu, kutu grafikleri oluşturmayı kolaylaştırır.
• Keman Grafiği. Kutu grafiğine benzer, ancak verinin dağılımına daha ayrıntılı bir bakış sunar. Seaborn’un violinplot() fonksiyonu, keman grafikleri oluşturmanın basit bir yolunu sağlar.
• Isı Haritası. Farklı değişkenler arasındaki korelasyonu görselleştirmek için kullanılır. Seaborn’un heatmap() fonksiyonu, ısı haritalarını kolayca oluşturur.
• Pairplot. Birden çok değişken arasındaki ilişkiyi görselleştirmek için kullanılır. Seaborn’un pairplot() fonksiyonu, pairplot oluşturmanın basit bir yolunu sağlar.

Şimdi bu grafiklerin her biri için örnekleri ve ayrıntılı açıklamaları bu eğitimin sonraki bölümünde göreceğiz.

Seaborn Örnekleri

Seaborn saçılım grafikleri

Saçılım grafikleri, iki sürekli değişken arasındaki ilişkiyi görselleştirmek için kullanılır. Grafikteki her nokta tek bir veri noktasını temsil eder ve noktanın x ve y eksenlerindeki konumu iki değişkenin değerlerini gösterir. 

Grafik, farklı veri gruplarını ayırt etmeye yardımcı olmak için farklı renkler ve işaretçilerle özelleştirilebilir. Seaborn’da saçılım grafikleri scatterplot() fonksiyonu kullanılarak oluşturulabilir. 

import seaborn as sns

tips = sns.load_dataset("tips")

sns.scatterplot(x="total_bill", y="tip", data=tips)

Çıktı:

Bu basit grafik, grafiğin `hue` ve `size` parametrelerini özelleştirerek iyileştirilebilir. İşte nasıl yapılacağı:

import seaborn as sns

import matplotlib.pyplot as plt




tips = sns.load_dataset("tips")




# customize the scatter plot

sns.scatterplot(x="total_bill", y="tip", hue="sex", size="size", sizes=(50, 200), data=tips)




# add labels and title

plt.xlabel("Total Bill")

plt.ylabel("Tip")

plt.title("Relationship between Total Bill and Tip")




# display the plot

plt.show()

Çıktı:

Bu örnekte, basit saçılım grafiği için `seaborn` kütüphanesini, saçılım grafiğini daha fazla özelleştirmek için ise `matplotlib`i kullandık.

Seaborn çizgi grafikleri

Çizgi grafikleri, verilerde zaman içinde veya diğer sürekli değişkenlere göre eğilimleri görselleştirmek için kullanılır. Bir çizgi grafiğinde, her veri noktası bir çizgiyle birleştirilir ve düzgün bir eğri oluşturur. Seaborn’da çizgi grafikleri lineplot() fonksiyonu kullanılarak oluşturulabilir. 

import seaborn as sns

fmri = sns.load_dataset("fmri")

sns.lineplot(x="timepoint", y="signal", data=fmri)

Çıktı:

Bunu, veri kümesindeki `event` ve `region` sütunlarını kullanarak çok kolay biçimde özelleştirebiliriz.

import seaborn as sns

import matplotlib.pyplot as plt




fmri = sns.load_dataset("fmri")




# customize the line plot

sns.lineplot(x="timepoint", y="signal", hue="event", style="region", markers=True, dashes=False, data=fmri)




# add labels and title

plt.xlabel("Timepoint")

plt.ylabel("Signal Intensity")

plt.title("Changes in Signal Intensity over Time")




# display the plot

plt.show()

Çıktı:

Yine, basit çizgi grafiği için `seaborn` kütüphanesini, grafiği özelleştirip iyileştirmek için ise `matplotlib` kütüphanesini kullandık. Ayrı bir eğitimimizde Seaborn çizgi grafiklerine daha derinlemesine bakabilirsiniz. 

Seaborn çubuk grafikleri

Çubuk grafikleri, kategorik bir değişken ile sürekli bir değişken arasındaki ilişkiyi görselleştirmek için kullanılır. Bir çubuk grafikte, her çubuk, her kategori için sürekli değişkenin ortalamasını, medyanını (veya herhangi bir toplulaştırmasını) temsil eder. Seaborn’da çubuk grafikleri barplot() fonksiyonu ile oluşturulabilir. 

import seaborn as sns

titanic = sns.load_dataset("titanic")

sns.barplot(x="class", y="fare", data=titanic)

Çıktı:

Bu grafiği, veri kümesindeki `sex` sütununu dâhil ederek özelleştirelim.

import seaborn as sns

import matplotlib.pyplot as plt




titanic = sns.load_dataset("titanic")




# customize the bar plot

sns.barplot(x="class", y="fare", hue="sex", ci=None, palette="muted", data=titanic)




# add labels and title

plt.xlabel("Class")

plt.ylabel("Fare")

plt.title("Average Fare by Class and Gender on the Titanic")




# display the plot

plt.show()

Çıktı:

Seaborn histogramları

Histogramlar, sürekli bir değişkenin dağılımını görselleştirir. Histogramda veriler bölmelere ayrılır ve her bölmenin yüksekliği o bölme içindeki veri noktalarının sıklığını veya sayısını temsil eder. Seaborn’da histogramlar histplot() fonksiyonu ile oluşturulabilir.

import seaborn as sns

iris = sns.load_dataset("iris")

sns.histplot(x="petal_length", data=iris)

Çıktı:

Histogramı özelleştirme

import seaborn as sns

import matplotlib.pyplot as plt




iris = sns.load_dataset("iris")




# customize the histogram

sns.histplot(data=iris, x="petal_length", bins=20, kde=True, color="green")




# add labels and title

plt.xlabel("Petal Length (cm)")

plt.ylabel("Frequency")

plt.title("Distribution of Petal Lengths in Iris Flowers")




# display the plot

plt.show()

Çıktı:

Seaborn yoğunluk grafikleri

Yoğunluk grafikleri, çekirdek yoğunluk tahminine dayalı grafikler olarak da bilinir ve sürekli bir değişkenin dağılımını gösterir. Histogramlara benzerler; ancak verileri çubuklar yerine, verinin yoğunluğunu tahmin eden düzgün bir eğriyle temsil ederler. Seaborn’da yoğunluk grafikleri kdeplot() fonksiyonu ile oluşturulabilir. 

import seaborn as sns

tips = sns.load_dataset("tips")

sns.kdeplot(data=tips, x="total_bill")

Çıktı:

Grafiği özelleştirerek iyileştirelim.

import seaborn as sns

import matplotlib.pyplot as plt




# Load the "tips" dataset from Seaborn

tips = sns.load_dataset("tips")




# Create a density plot of the "total_bill" column from the "tips" dataset

# We use the "hue" parameter to differentiate between "lunch" and "dinner" meal times

# We use the "fill" parameter to fill the area under the curve

# We adjust the "alpha" and "linewidth" parameters to make the plot more visually appealing

sns.kdeplot(data=tips, x="total_bill", hue="time", fill=True, alpha=0.6, linewidth=1.5)




# Add a title and labels to the plot using Matplotlib

plt.title("Density Plot of Total Bill by Meal Time")

plt.xlabel("Total Bill ($)")

plt.ylabel("Density")




# Show the plot

plt.show()

Çıktı:

Seaborn kutu grafikleri

Kutu grafikleri, bir veri kümesinin dağılımını gösteren bir görselleştirme türüdür. Genellikle bir veya daha fazla değişkenin dağılımını farklı kategoriler arasında karşılaştırmak için kullanılır.

import seaborn as sns

tips = sns.load_dataset("tips")

sns.boxplot(x="day", y="total_bill", data=tips)

Çıktı:

Veri kümesindeki `time` sütununu dâhil ederek kutu grafiğini özelleştirin.

import seaborn as sns

import matplotlib.pyplot as plt




# load the tips dataset from Seaborn

tips = sns.load_dataset("tips")




# create a box plot of total bill by day and meal time, using the "hue" parameter to differentiate between lunch and dinner

# customize the color scheme using the "palette" parameter

# adjust the linewidth and fliersize parameters to make the plot more visually appealing

sns.boxplot(x="day", y="total_bill", hue="time", data=tips, palette="Set3", linewidth=1.5, fliersize=4)




# add a title, xlabel, and ylabel to the plot using Matplotlib functions

plt.title("Box Plot of Total Bill by Day and Meal Time")

plt.xlabel("Day of the Week")

plt.ylabel("Total Bill ($)")




# display the plot

plt.show()

Seaborn keman grafikleri

Keman grafiği, hem kutu grafiğinin hem de yoğunluk grafiğinin yönlerini birleştiren bir görselleştirme türüdür. Genellikle bir çekirdek yoğunluk kestiricisi ile yumuşatılan veri yoğunluk tahminini, kutu grafik benzeri bir biçimde çeyrekler arası aralık (IQR) ve medyan ile birlikte gösterir. 

Kemanın genişliği yoğunluk tahminini temsil eder; daha geniş kısımlar daha yüksek yoğunluğa işaret eder ve IQR ile medyan, kemandaki beyaz bir nokta ve çizgi olarak gösterilir.

import seaborn as sns




# load the iris dataset from Seaborn

iris = sns.load_dataset("iris")




# create a violin plot of petal length by species

sns.violinplot(x="species", y="petal_length", data=iris)




# display the plot

plt.show()

Çıktı:

Seaborn ısı haritaları

Isı haritası, iki boyutlu bir uzayda bir değişkenin değerini renklerle gösteren bir veri görselleştirme yöntemidir. Isı haritaları genellikle bir veri kümesindeki farklı değişkenler arasındaki korelasyonu görselleştirmek için kullanılır.

import seaborn as sns

import matplotlib.pyplot as plt




# Load the dataset

tips = sns.load_dataset('tips')




# Create a heatmap of the correlation between variables

corr = tips.corr()

sns.heatmap(corr)




# Show the plot

plt.show()

Çıktı:

`flights` veri kümesini kullanarak başka bir ısı haritası örneği.

import seaborn as sns

import matplotlib.pyplot as plt




# Load the dataset

flights = sns.load_dataset('flights')




# Pivot the data

flights = flights.pivot('month', 'year', 'passengers')




# Create a heatmap

sns.heatmap(flights, cmap='Blues', annot=True, fmt='d')




# Set the title and axis labels

plt.title('Passengers per month')

plt.xlabel('Year')

plt.ylabel('Month')




# Show the plot

plt.show()

Çıktı:

Bu örnekte, `seaborn` kütüphanesindeki `flights` veri kümesini kullanıyoruz. Veriyi, .pivot() yöntemiyle ısı haritası temsilimine uygun hâle getiriyoruz. Ardından, sns.heatmap() fonksiyonunu kullanarak bir ısı haritası oluşturuyor ve argüman olarak dönüştürülmüş flights değişkenini geçiriyoruz. 

Seaborn pair plot’ları

Pair plot’lar, çoklu ikili saçılım grafiklerinin bir matris biçiminde gösterildiği bir görselleştirme türüdür. Her saçılım grafiği iki değişken arasındaki ilişkiyi gösterirken, diyagonal çizimler tekil değişkenlerin dağılımını gösterir.

import seaborn as sns




# Load iris dataset

iris = sns.load_dataset("iris")




# Create pair plot

sns.pairplot(data=iris)




# Show plot

plt.show()

Çıktı:

Bu grafiği `hue` ve `diag_kind` parametrelerini kullanarak özelleştirebiliriz.

import seaborn as sns

import matplotlib.pyplot as plt




# Load iris dataset

iris = sns.load_dataset("iris")




# Create pair plot with custom settings

sns.pairplot(data=iris, hue="species", diag_kind="kde", palette="husl")




# Set title

plt.title("Iris Dataset Pair Plot")




# Show plot

plt.show()

Çıktı:

Seaborn joint plot’ları

Joint plot, seaborn’da iki farklı grafiği tek bir görselleştirmede birleştiren güçlü bir tekniktir: bir saçılım grafiği ve bir histogram. Saçılım grafiği iki değişken arasındaki ilişkiyi gösterirken, histogram her bir değişkenin bireysel dağılımını gösterir. Bu, iki değişken arasındaki korelasyonu ve tekil dağılımlarını birlikte gösterdiği için verinin daha kapsamlı analizine imkân tanır.

İşte iris veri kümesini kullanarak basit bir seaborn joint plot örneği:

import seaborn as sns

import matplotlib.pyplot as plt




# load iris dataset

iris = sns.load_dataset("iris")




# plot a joint plot of sepal length and sepal width

sns.jointplot(x="sepal_length", y="sepal_width", data=iris)




# display the plot

plt.show()

Çıktı:

Seaborn facet grid’leri

FacetGrid, ek kategorik değişken düzeyleri boyunca hem bir değişkenin dağılımını hem de iki değişken arasındaki ilişkiyi görselleştirmenizi sağlayan güçlü bir seaborn aracıdır. 

FacetGrid, belirtilen kategorik değişkendeki benzersiz değerlere göre bir alt grafik ızgarası oluşturur.

import seaborn as sns




# load the tips dataset

tips = sns.load_dataset('tips')




# create a FacetGrid for day vs total_bill

g = sns.FacetGrid(tips, col="day")




# plot histogram for total_bill in each day

g.map(sns.histplot, "total_bill")

Çıktı:

Seaborn grafiklerini özelleştirme

Seaborn, grafiklerin görünümünü özelleştirmek için çok sayıda yöntem sunan güçlü bir veri görselleştirme kütüphanesidir. Seaborn grafiklerini özelleştirmek, anlamlı ve görsel olarak çekici görselleştirmeler oluşturmanın vazgeçilmez bir parçasıdır. 

İşte seaborn grafiklerini özelleştirmeye ilişkin bazı örnekler:

Renk Paletlerini Değiştirme

Aşağıda, seaborn grafiklerinizin renk paletlerini nasıl değiştirebileceğinize dair bir örnek yer almaktadır:

import seaborn as sns

import matplotlib.pyplot as plt




# Load sample dataset

tips = sns.load_dataset("tips")




# Create a scatter plot with color palette

sns.scatterplot(x="total_bill", y="tip", hue="day", data=tips, palette="Set2")




# Customize plot

plt.title("Total Bill vs Tip")

plt.xlabel("Total Bill ($)")

plt.ylabel("Tip ($)")

plt.show()

Çıktı:

Şekil Boyutunu Ayarlama

Seaborn grafiklerinizde şekil boyutunu ayarlamak için aşağıdaki örneği rehber olarak kullanabilirsiniz: 

import seaborn as sns

import matplotlib.pyplot as plt




# Load sample dataset

iris = sns.load_dataset("iris")




# Create a violin plot with adjusted figure size

plt.figure(figsize=(8,6))

sns.violinplot(x="species", y="petal_length", data=iris)




# Customize plot

plt.title("Petal Length Distribution by Species")

plt.xlabel("Species")

plt.ylabel("Petal Length (cm)")

plt.show()

Çıktı:

Açıklama (Annotation) Ekleme

Açıklamalar, görselleştirmelerinizi okumayı kolaylaştırabilir. Aşağıda bunların nasıl ekleneceğine dair bir örnek gösterdik: 

import seaborn as sns

import matplotlib.pyplot as plt




# Load sample dataset

diamonds = sns.load_dataset("diamonds")




# Create a scatter plot with annotations

sns.scatterplot(x="carat", y="price", data=diamonds)




# Add annotations

plt.text(1, 18000, "Large, Expensive Diamonds", fontsize=12, color="red")

plt.text(2.5, 5000, "Small, Affordable Diamonds", fontsize=12, color="blue")




# Customize plot

plt.title("Diamond Prices by Carat")

plt.xlabel("Carat (ct)")

plt.ylabel("Price ($)")

plt.show()

Çıktı:

Seaborn görselleştirmesi için en iyi uygulamalar

Veriniz için doğru grafik türünü seçin

Seaborn, her biri farklı veri türleri ve analizler için tasarlanmış geniş bir grafik yelpazesi sunar. Bulgularınızı etkili biçimde iletmek için veriniz için doğru grafik türünü seçmek önemlidir. Örneğin, iki sürekli değişken arasındaki ilişkiyi görselleştirmek için saçılım grafiği daha uygun olabilirken, kategorik verileri görselleştirmek için çubuk grafik daha uygun olabilir.

Rengi etkili kullanın

Renk, veri görselleştirme için güçlü bir araç olabilir; ancak etkili kullanmak önemlidir. Çok fazla renk veya aşırı parlak renkler kullanmaktan kaçının; bu, görselleştirmenin okunmasını zorlaştırabilir. Bunun yerine, önemli bilgileri vurgulamak veya benzer veri noktalarını gruplamak için rengi kullanın.

Eksenlerinizi etiketleyin ve net başlıklar kullanın

Etiketler ve başlıklar, etkili veri görselleştirme için gereklidir. Eksenlerinizi net biçimde etiketlediğinizden ve görselleştirmeniz için açıklayıcı bir başlık sağladığınızdan emin olun. Bu, iletmek istediğiniz mesajı kitlenizin anlamasına yardımcı olacaktır.

Hedef kitleyi dikkate alın

Görselleştirme oluştururken, hedef kitleyi ve iletmek istediğiniz mesajı göz önünde bulundurmak önemlidir. Hedef kitleniz teknik değilse, açık ve öz bir dil kullanın, teknik jargondan kaçının ve istatistiksel kavramlara ilişkin net açıklamalar sağlayın.

Uygun istatistiksel analizi kullanın

Seaborn, verilerinizi analiz etmek için kullanabileceğiniz bir dizi istatistiksel fonksiyon sunar. Bir istatistiksel fonksiyon seçerken, verilerinize ve araştırma sorunuza en uygun olanı seçtiğinizden emin olun.

Görselleştirmelerinizi özelleştirin

Seaborn’da görselleştirmelerinizi geliştirmek için kullanabileceğiniz geniş bir özelleştirme seçeneği bulacaksınız. Mesajınızı en iyi şekilde ileten seçeneği bulmak için farklı yazı tipleri, stiller ve renklerle denemeler yapın.

Seaborn’un Diğer Çizim Kütüphaneleriyle Karşılaştırılması

Seaborn ve Matplotlib

Seaborn, Matplotlib üzerine kuruludur ve istatistiksel grafikler oluşturmak için daha yüksek seviyeli bir arayüz sunar. Matplotlib genel amaçlı bir çizim kütüphanesiyken, Seaborn özellikle istatistiksel veri görselleştirme için tasarlanmıştır. 

Seaborn, karmaşık grafikler oluşturmak için daha basit söz dizimi, istatistiksel görselleştirmeler için yerleşik destek ve kolayca özelleştirilebilen estetik varsayılan ayarlar gibi Matplotlib’e göre çeşitli avantajlar sunar. 

Ayrıca Seaborn, Matplotlib’de bulunmayan keman grafikleri ve swarm grafikleri gibi çeşitli özel grafik türleri de sunar.

Seaborn ve Pandas

Pandas, Python’da yapılandırılmış verilerle çalışmak için çeşitli işlevler sunan güçlü bir veri işleme kütüphanesidir. Pandas, DataFrame.plot() yöntemi aracılığıyla temel çizim yetenekleri sunsa da, Seaborn özellikle istatistiksel veriler için tasarlanmış daha gelişmiş görselleştirme işlevleri sağlar. 

Seaborn’un fonksiyonları, Pandas veri yapılarıyla çalışacak şekilde optimize edilmiştir ve Pandas veri çerçevelerinden doğrudan bilgilendirici görselleştirmeleri kolayca oluşturmanızı sağlar. 

Seaborn ayrıca, Pandas’ta bulunmayan facet grid’ler ve pair plot’lar gibi özel grafik türleri de sunar.

Seaborn ve Plotly

Plotly, etkileşimli ve işbirlikçi veri görselleştirmeleri sunan web tabanlı bir veri görselleştirme kütüphanesidir. 

Seaborn esas olarak statik görselleştirmeler oluşturmaya odaklanırken, Plotly web uygulamalarında kullanılabilecek veya çevrimiçi paylaşılabilecek daha etkileşimli ve dinamik görselleştirmeler sunar. Plotly ayrıca, Seaborn’da bulunmayan kontur grafikleri ve 3B yüzey grafikleri gibi çeşitli özel grafik türleri sunar. 

Bununla birlikte, Seaborn statik görselleştirmeler oluşturmak için daha basit söz dizimi ve daha kolay özelleştirme sunar; bu da onu belirli türde projeler için daha iyi bir seçenek hâline getirir.

Sonuç

Seaborn, bilgilendirici istatistiksel grafikler oluşturmak için sezgisel ve kullanımı kolay bir arayüz sağlayan güçlü bir Python veri görselleştirme kütüphanesidir. Geniş görselleştirme araçları yelpazesiyle Seaborn, karmaşık veri kümelerinden içgörüleri hızlı ve verimli biçimde keşfetmeyi ve aktarmayı mümkün kılar. 

Saçılım ve çizgi grafiklerinden ısı haritaları ve facet grid’lere kadar Seaborn, farklı ihtiyaçlara uygun geniş bir görselleştirme yelpazesi sunar. Ayrıca Seaborn’un Pandas ve Numpy ile bütünleşebilmesi, onu veri analistleri ve bilim insanları için vazgeçilmez bir araç hâline getirir. 

Bu yeni başlayanlar için Python Seaborn rehberiyle, veri görselleştirme dünyasını keşfetmeye başlayabilir ve içgörülerinizi daha geniş bir kitleye etkili biçimde aktarabilirsiniz.

Bu konuda bilginizi daha da genişletmek isterseniz, Seaborn ile Veri Görselleştirmeye Giriş veya Orta Düzey Seaborn ile Veri Görselleştirme kurslarımıza göz atın. 

Bu kurslar boyunca, Amerikan Konut Araştırması, üniversite harç verileri ve The Daily Show konukları gibi çeşitli gerçek dünya veri kümelerini analiz etmek için Seaborn’un gelişmiş görselleştirme araçlarını nasıl kullanacağınızı öğreneceksiniz.

Ayrıca şu ücretsiz Seaborn hızlı başvuru kılavuzuna da göz atabilirsiniz: