آموزش seaborn برای رسم نمودارهای حرفه‌ای

رفیق برنامه‌نویس، کشف الگوها تو انبوه داده‌ها بدون ابزار مناسب، مثل گشتن دنبال سوزن تو کاه‌کوه می‌مونه! اگه می‌خوای نمودارهات هم حرفه‌ای باشن و هم داستان داده‌هاتو قشنگ تعریف کنن، این مقاله همون نقشه‌راهیه که نیاز داری. آماده‌ای تا با Seaborn قدرت بصری‌سازی داده‌هاتو چندبرابر کنی؟

ابزارهای برنامه‌نویسی رو از اینجا پیدا کن! 🚀




سوال داشتی؟ مستقیم بپرس: 09202232789

💡 نقشه راه سریع Seaborn: از صفر تا نمودارهای جذاب

+------------------------------------------------------------------+
|                  آموزش Seaborn برای رسم نمودارهای حرفه‌ای         |
+------------------------------------------------------------------+
| 🎯 چرا Seaborn؟ جذابیت بصری در دنیای داده                        |
|    - ساده‌سازی Matplotlib، زیبایی‌شناسی پیش‌فرض                 |
+------------------------------------------------------------------+
| 🛠️ پیش‌نیازها و نصب: شروع کار با ابزارهای قدرتمند                 |
|    - Python, Pandas, Matplotlib                                  |
|    - `pip install seaborn matplotlib pandas numpy`                |
+------------------------------------------------------------------+
| 📊 اولین گام‌ها: آشنایی با ساختار و رسم نمودار                    |
|    - `sns.load_dataset()`, `sns.scatterplot()`                   |
+------------------------------------------------------------------+
| 📈 کاوش در داده‌ها: نمودارهای توزیع (Distribution Plots)          |
|    - `histplot`, `kdeplot`, `displot`                            |
+------------------------------------------------------------------+
| 🔗 کشف روابط: نمودارهای رابطه‌ای (Relational Plots)              |
|    - `scatterplot`, `lineplot`, `relplot`                        |
+------------------------------------------------------------------+
| 📦 مقایسه گروه‌ها: نمودارهای دسته‌بندی (Categorical Plots)        |
|    - `boxplot`, `violinplot`, `countplot`, `catplot`             |
+------------------------------------------------------------------+
| 🗺️ تحلیل چندمتغیره: نمودارهای ماتریسی (Matrix Plots)             |
|    - `heatmap`, `clustermap`, `pairplot`                         |
+------------------------------------------------------------------+
| 🎨 شخصی‌سازی و زیبایی‌شناسی: نمودارهایی با امضای شما               |
|    - `set_theme()`, `set_style()`, `color_palette()`, Matplotlib integration |
+------------------------------------------------------------------+
| 📱 نکات حرفه‌ای: نمودارهای رسپانسیو و انتشار                      |
|    - تنظیم اندازه، DPI، ملاحظات دسترسی‌پذیری                      |
+------------------------------------------------------------------+
| ⚙️ عیب‌یابی سریع: حل مشکلات رایج در Seaborn                      |
|    - Missing Data, Matplotlib conflicts, Plot not showing       |
+------------------------------------------------------------------+
    

pip install seaborn matplotlib pandas numpy

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

# بارگذاری دیتاست داخلی
tips = sns.load_dataset("tips")

# نمایش 5 ردیف اول دیتاست
print(tips.head())

sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.title("رابطه بین صورت‌حساب کل و انعام")
plt.xlabel("صورت‌حساب کل ($)")
plt.ylabel("انعام ($)")
plt.show()

مقایسه Seaborn و Matplotlib در سادگی استفاده

# توزیع صورت‌حساب کل
sns.histplot(data=tips, x="total_bill", kde=True) # kde=True چگالی احتمالی رو هم نشون میده
plt.title("توزیع صورت‌حساب کل")
plt.show()

# توزیع انعام برای جنسیت‌های مختلف
sns.kdeplot(data=tips, x="tip", hue="sex", fill=True)
plt.title("توزیع انعام بر اساس جنسیت")
plt.show()

# توزیع انعام بر اساس زمان (نهار یا شام)
sns.displot(data=tips, x="tip", col="time", kde=True)
plt.suptitle("توزیع انعام در ناهار و شام", y=1.02) # تنظیم عنوان اصلی برای displot
plt.show()

# رابطه صورت‌حساب و انعام، رنگ بر اساس زمان (نهار/شام)
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time", size="size") # size بر اساس تعداد افراد
plt.title("رابطه صورت‌حساب و انعام با تفکیک زمان و اندازه گروه")
plt.show()

# لود کردن دیتاست flights برای مثال
flights = sns.load_dataset("flights")
flights_pivot = flights.pivot_table(index="year", columns="month", values="passengers")

# نمایش روند مسافران در طول سال‌ها (میانگین ماهانه)
# این بخش نیاز به پردازش داده برای نمایش روند زمانی داره،
# برای سادگی، یک مثال فرضی‌تر میزنیم
# مثال واقعی تر برای lineplot:
# مثلاً میانگین انعام در هر روز هفته
avg_tip_by_day = tips.groupby('day')['tip'].mean().reset_index()
day_order = ['Thur', 'Fri', 'Sat', 'Sun'] # ترتیب روزهای هفته
sns.lineplot(data=avg_tip_by_day, x="day", y="tip", order=day_order, marker="o")
plt.title("میانگین انعام در روزهای مختلف هفته")
plt.show()

# رابطه صورت‌حساب و انعام، تفکیک بر اساس روز و جنسیت
sns.relplot(data=tips, x="total_bill", y="tip", col="time", hue="smoker", style="smoker", kind="scatter")
plt.suptitle("رابطه صورت‌حساب و انعام (تفکیک بر اساس زمان و سیگار کشیدن)", y=1.02)
plt.show()

sns.boxplot(data=tips, x="day", y="total_bill", hue="sex")
plt.title("توزیع صورت‌حساب کل بر اساس روز و جنسیت")
plt.show()

sns.violinplot(data=tips, x="day", y="total_bill", hue="time", split=True) # split=True برای مقایسه دو hue کنار هم
plt.title("توزیع صورت‌حساب کل بر اساس روز و زمان (ناهار/شام)")
plt.show()

plt.figure(figsize=(12, 5)) # تنظیم اندازه فیگور برای دو نمودار
plt.subplot(1, 2, 1) # ایجاد ساب‌پلات اول
sns.countplot(data=tips, x="day", hue="time")
plt.title("تعداد مشتریان بر اساس روز و زمان")

plt.subplot(1, 2, 2) # ایجاد ساب‌پلات دوم
sns.barplot(data=tips, x="day", y="tip", hue="sex", errorbar="sd") # errorbar="sd" برای نمایش انحراف معیار
plt.title("میانگین انعام بر اساس روز و جنسیت")
plt.tight_layout() # تنظیم فاصله بین ساب‌پلات‌ها
plt.show()

sns.catplot(data=tips, x="day", y="total_bill", hue="smoker", kind="violin", col="time", height=5, aspect=0.8)
plt.suptitle("توزیع صورت‌حساب بر اساس روز، سیگاری بودن و زمان", y=1.02)
plt.show()

# محاسبه ماتریس همبستگی
correlation_matrix = tips.select_dtypes(include=[np.number]).corr()

# رسم heatmap
sns.heatmap(correlation_matrix, annot=True, cmap="viridis", fmt=".2f")
plt.title("ماتریس همبستگی بین متغیرهای عددی")
plt.show()

sns.clustermap(correlation_matrix, annot=True, cmap="magma", fmt=".2f")
plt.suptitle("ماتریس همبستگی با دسته‌بندی سلسله‌مراتبی", y=1.02)
plt.show()

sns.pairplot(tips, hue="smoker", diag_kind="kde") # diag_kind="kde" توزیع چگالی رو روی قطر نشون میده
plt.suptitle("نمودارهای زوجی برای متغیرها بر اساس وضعیت سیگاری بودن", y=1.02)
plt.show()

sns.set_theme(style="whitegrid", palette="pastel") # ست کردن تم و پالت رنگی
sns.boxplot(data=tips, x="day", y="total_bill")
plt.title("توزیع صورت‌حساب با تم whitegrid و پالت pastel")
plt.show()

sns.set_theme(style="darkgrid", palette="viridis") # برگرداندن به تم پیش‌فرض و پالت دیگه
plt.figure(figsize=(8, 6)) # برای اینکه یک فیگور جدید ایجاد بشه و استایل جدید اعمال شه
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.title("رابطه صورت‌حساب و انعام با تم darkgrid")
plt.show()

sns.scatterplot(data=tips, x="total_bill", y="tip", hue="size", palette="deep")
plt.title("پالت رنگی 'deep' برای اندازه گروه")
plt.show()

sns.histplot(data=tips, x="tip", hue="sex", multiple="stack")
plt.title("هیستوگرام انعام بر اساس جنسیت", fontsize=16, color='darkblue')
plt.xlabel("مقدار انعام ($)", fontsize=12)
plt.ylabel("تعداد", fontsize=12)
plt.legend(title="جنسیت") # سفارشی‌سازی افسانه
plt.show()

sns.kdeplot(data=tips, x="total_bill")
plt.title("توزیع صورت‌حساب کل")
plt.savefig("total_bill_kde.png", dpi=300, bbox_inches="tight") # با کیفیت بالا و فضای سفید کم
plt.show() # حتماً قبل از plt.show() سیو کنی، چون بعدش فیگور بسته میشه.

plt.figure(figsize=(10, 6)) # برای نمایشگرهای عریض
sns.histplot(data=tips, x="total_bill")
plt.title("نمودار با اندازه تنظیم شده")
plt.show()

sns.boxplot(data=tips, x="day", y="tip")
plt.savefig("high_res_boxplot.png", dpi=400) # ذخیره با کیفیت بالا
plt.show()

sns.set_context("talk") # تنظیم سایز فونت و المان‌ها برای نمایش بزرگتر (مثل ارائه یا تلویزیون)
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.title("نمودار با context 'talk'")
plt.show()

sns.set_context("notebook") # برگرداندن به حالت پیش‌فرض (مناسب نوت‌بوک و گزارش)

مشکل 1: نمودار نمایش داده نمیشود! (Plot Not Showing)

سناریو: کد رو اجرا می‌کنی، اروری هم نمی‌بینی، اما هیچ نموداری ظاهر نمیشه.

راه‌حل: احتمالاً فراموش کردی plt.show() رو صدا بزنی. بعد از هر بار رسم نمودار با Seaborn یا Matplotlib، برای نمایش دادن اون حتماً باید این دستور رو اجرا کنی. تو محیط Jupyter Notebook یا IPython ممکنه خودکار نمایش داده بشه، ولی تو اسکریپت‌های پایتون حتماً لازمه.

# اشتباه:
# sns.scatterplot(x="col1", y="col2", data=df)

# درست:
sns.scatterplot(x="col1", y="col2", data=df)
plt.show()

مشکل 2: ارور مربوط به داده‌های از دست رفته (Missing Data)

سناریو: وقتی از دیتاست‌هایی با مقادیر NaN (Not a Number) استفاده می‌کنی، بعضی از توابع Seaborn (مثل `heatmap` یا `kdeplot` بدون مدیریت صحیح) ممکنه ارور بدن یا نمودار رو به درستی نمایش ندن.

راه‌حل: قبل از رسم نمودار، داده‌های از دست رفته رو مدیریت کن. می‌تونی اون‌ها رو حذف کنی (df.dropna())، با میانگین/میانه پر کنی (df.fillna())، یا از توابعی تو Seaborn استفاده کنی که خودشون این مقادیر رو نادیده می‌گیرن.

# مثال: حذف ردیف‌های دارای NaN قبل از رسم
df_cleaned = tips.dropna()
sns.scatterplot(x="total_bill", y="tip", data=df_cleaned)
plt.show()

مشکل 3: تداخل با Matplotlib و تنظیمات گراف (Graph Conficts)

سناریو: ممکنه تغییراتی رو روی Matplotlib اعمال کرده باشی که باعث شده نمودارهای Seabornت اونطور که انتظار داری، به نظر نرسه.

راه‌حل: برای ریست کردن تنظیمات Matplotlib به حالت پیش‌فرض، می‌تونی از plt.rcdefaults() استفاده کنی. یا اگر می‌خوای استایل‌های Seaborn رو اعمال کنی، sns.set_theme() یا sns.set_style() رو بعد از هر تغییر Matplotlib صدا بزن تا تنظیمات Seaborn دوباره اعمال بشن. همیشه هم سعی کن برای هر نمودار جدید یک فیگور جدید (plt.figure()) بسازی تا تنظیمات نمودارهای قبلی روی جدید تاثیر نذاره.

# ریست کردن تنظیمات Matplotlib
plt.rcdefaults()
sns.set_theme() # اعمال مجدد تم Seaborn

plt.figure() # فیگور جدید برای نمودار جدید
sns.histplot(data=tips, x="total_bill")
plt.show()

مشکل 4: محورها یا برچسب‌ها خوانا نیستند (Unreadable Labels/Axes)

سناریو: برچسب‌های محورها یا عنوان نمودار روی هم افتادن یا خیلی کوچیکن و قابل خوندن نیستن، خصوصاً وقتی داده‌های زیادی داری.

راه‌حل: می‌تونی از plt.xticks(rotation=angle) برای چرخوندن برچسب‌های محور X استفاده کنی. همچنین plt.tight_layout() می‌تونه به طور خودکار فاصله بین المان‌های نمودار رو تنظیم کنه تا تداخلی پیش نیاد. افزایش figsize هم کمک‌کننده است. برای تنظیم خودکار فونت‌ها، از sns.set_context() با مقادیر paper, notebook, talk, poster استفاده کن.

plt.figure(figsize=(10, 6))
sns.countplot(data=tips, x="day", hue="time")
plt.xticks(rotation=45, ha='right') # چرخاندن برچسب‌های x
plt.tight_layout() # تنظیم فاصله المان‌ها
plt.show()