視覺化 — Visualization Interactive（Python）

📌 本頁使用方式（先備 · 視覺化）

① 依序閱讀：每節先讀說明；遇到互動元件時，先預測結果，再操作驗證。 ② 對照程式範例：程式碼卡下方的「來源」標了課程練習筆記本（lab）；需要實作時，再打開原始筆記本對照。 ③ 檢查理解：答錯時先看回饋，再回到相關說明；標為延伸的內容可留待第二輪。 ④ 最後翻關鍵詞彙卡自測術語，並用重點速查與來源查閱。

教科書：An Introduction to Statistical Learning with Applications in Python（ISLP）。章節旁的來源標記可點到本頁書目。

📑 導論講義 🔗 Seaborn 圖形分類 📖 統計學習教科書（ISLP）🏠 章節總覽

CONTENTS · 內容目錄

P00為什麼要先畫圖 P01圖形層級與 Seaborn 分類 P02看一個變數的分布 P03看兩個變數的關係 P04類別變數的圖 P05把模型畫進圖裡 EX練習題速查重點速查與來源 CARD關鍵詞彙卡

PROLOGUE · 開場

摘要統計一樣，圖可以完全不一樣課程 Lab Ch1 · lab 範例

統計課教你算平均、標準差、相關係數。這些數字很有用，但它們會漏掉形狀。四組資料可以有幾乎一樣的平均、標準差、相關係數與迴歸線，畫出來卻完全不同。 Anscombe 在 1973 年提出的經典四重奏就展示了這種情況，下面可以逐筆驗算。

一句話 先畫圖，再算數字。圖告訴你「這份資料長什麼樣」，數字告訴你「有多強」——順序反過來很容易被騙。

圖表需要連網載入 Chart.js：Anscombe 四組資料的摘要統計幾乎相同，但散佈圖形狀完全不同。

講義／課本重繪

按按鈕換一組

四組資料的平均、標準差、相關係數與迴歸線都幾乎一樣，但形狀完全不同。只看數字的話，你會以為它們是同一回事。

這一組的摘要統計

x 平均—

y 平均—

x／y 樣本標準差—

相關係數 r—

最小平方線—

這些點哪裡來的

逐筆採用 Anscombe's quartet 的經典 11 筆資料；頁面再由同一批點即時計算平均與相關係數，沒有另寫摘要數字。

如何對照繪圖程式與圖形繪圖儲存格在 notebook 中保存圖形，所以下面的程式碼卡多半只有程式碼、沒有預期輸出。你可以用每節的互動元件觀察圖形如何改變。元件會在頁面中計算並畫出結果，圖下標有資料來源。

這一頁用的資料：tips

  # 檢視資料基本資訊/摘要；載入範例資料集
  tips = sns.load_dataset("tips")
  print(tips.shape)
  tips.head()

查看完整 Lab 輸出

預期輸出

(244, 7)
   total_bill   tip     sex smoker  day    time  size
0       16.99  1.01  Female     No  Sun  Dinner     2
1       10.34  1.66    Male     No  Sun  Dinner     3
2       21.01  3.50    Male     No  Sun  Dinner     3
3       23.68  3.31    Male     No  Sun  Dinner     2
4       24.59  3.61  Female     No  Sun  Dinner     4

244 筆餐廳帳單。total_bill 與 tip 是數值，day、sex、smoker 是類別——這兩種型別要配不同的圖。

來源：Ch01-lab-zh.ipynb

PART 00 · 自我檢測

兩份資料的相關係數都是 0.82。可以推論什麼？

(A) 兩份資料的散佈圖會很像

(B) 只知道兩者的線性關係強度接近，形狀可能完全不同

PART 01 · 圖形層級與 Seaborn 分類

Figure、Axes 與 Seaborn 的圖形分類講義 01課程 Lab Ch2 · lab 範例seaborn 文件 · 圖形分類

使用 matplotlib 時，先分清設定屬於哪一層： Figure 是整張畫布（大小、存檔、標題）， Axes 是裡面的一個座標系（畫點、設軸範圍、加圖例）。一張 Figure 可以有很多個 Axes。

概念示意

點名字看它管什麼

按按鈕，對應的部分會亮起來，右邊會顯示「這一層負責什麼」與「動它的方法叫什麼」。

目前

物件Figure

負責什麼整張畫布

常用方法set_size_inches、savefig

seaborn 函式管理哪一層

Axes-level 函式畫在一個 Axes，可用 ax= 指定位置。Figure-level 函式建立並管理自己的圖，通常回傳 Grid 管理物件，Grid 負責管理 Figure。請查函式文件確認層級，名稱結尾無法判定。

subplots 一次給你兩個東西

  fig, ax = subplots(figsize=(8, 8))
  x = rng.standard_normal(100)
  y = rng.standard_normal(100)
  ax.plot(x, y);

這一格畫的是圖。（產生的是圖，沒有文字輸出可對照。）

來源：Ch02-statlearn-lab-zh.ipynb

散佈圖與軸標籤

fig, ax = subplots(figsize=(8, 8)) ax.scatter(x, y, marker='o')

這一格畫的是圖。（產生的是圖，沒有文字輸出可對照。）

來源：Ch02-statlearn-lab-zh.ipynb

課程／lab 資料

axes 是一個二維陣列

subplots(nrows=2, ncols=3) 回傳的 axes 是一個 (2, 3) 的 NumPy 陣列。點格子看它的索引——就是 P3 講的二維索引。

目前選到

索引axes[0, 0]

在第幾列第幾欄第 0 列、第 0 欄

常見錯誤

nrows=1 時 axes 會退化成一維，axes[0, 1] 就會報錯。要一致就寫 subplots(1, 3, squeeze=False)。

延伸：完整子圖網格

2×3 的子圖網格

  fig, axes = subplots(nrows=2,
                       ncols=3,
                       figsize=(15, 5))
  axes[0,1].plot(x, y, 'o')
  axes[1,2].scatter(x, y, marker='+')
  fig

這一格畫的是圖。（產生的是圖，沒有文字輸出可對照。）

來源：Ch02-statlearn-lab-zh.ipynb

完整函式地圖與選項練習

Seaborn 函式地圖：先選問題，再選控制層級

導論講義把常用函式分成關係、分布、類別三個家族；這是在分「你想看什麼」。每個家族又有不同控制層級：上層的 Figure-level 入口替你管理整張圖，下層的 Axes-level 函式畫到一個座標系。家族與層級是兩個不同的面向。

關係（Relational）
看兩個變數如何一起變動
Figure-level：relplot

Axes-level

scatterplot：散佈圖
lineplot：折線圖

kind="scatter" 或 kind="line" 選擇畫法。

分布（Distributional）
看數值集中在哪裡、如何散開
Figure-level：displot

Axes-level

histplot：直方圖
kdeplot：密度圖
ecdfplot：經驗累積分布圖
rugplot：以小刻度標出觀測位置

kind 可選 "hist"、"kde"、"ecdf"。小刻度用 rug=True 加上，不是 kind="rug"。

類別（Categorical）
比較不同組別的觀測或摘要
Figure-level：catplot

Axes-level

stripplot、swarmplot：逐筆畫點
boxplot、violinplot：分布摘要
pointplot、barplot：估計值與誤差線

例如 kind="box" 選箱形圖。本頁另補 countplot：各組筆數，可用 kind="count"；它未列在講義這張分類圖中。

以 relplot、displot、catplot 為例， kind 決定每個子圖的畫法，row／col 則依變數分面，把各組排成不同列／欄。三者回傳 FacetGrid；沒指定分面時，也可以只畫一個子圖。 Figure-level 不等於「一定有多個子圖」。

下面是語法示意，沿用本頁開頭載入的 tips；先執行 imports 與資料載入。第一種交給 Seaborn 依吸菸與否分面，第二種把圖放到自己指定的 ax；不另列實跑輸出。

# Figure-level：kind 選散佈圖，col 將各組分開
g = sns.relplot(data=tips, x="total_bill", y="tip",
                kind="scatter", col="smoker")
 
# Axes-level：指定要畫到哪個座標系
fig, ax = plt.subplots()
sns.scatterplot(data=tips, x="total_bill", y="tip", ax=ax)

講義還列了下面三類。它們分別提供多視角組圖、迴歸與殘差圖，以及矩陣圖；可依用途與控制層級查找。

用途	Axes-level	Figure-level／回傳的管理物件
多個視角：同時看關係與各欄分布	由管理物件安排多個座標系	`jointplot` → JointGrid；`pairplot` → PairGrid
迴歸與殘差：看趨勢及偏離趨勢的情形	`regplot`、`residplot`	`lmplot` → FacetGrid
矩陣：用顏色看各格數值，需要時依分群排列	`heatmap`	`clustermap` → ClusterGrid

jointplot 以一對變數為主，加上兩側的分布；pairplot 組合多對變數，兩者各自管理多個 Axes。clustermap 則連同分群樹與熱圖一起管理。若你已建立自己的 subplots，應選可接收 ax= 的 Axes-level 函式。

分類依據：導論講義與 Seaborn 官方函式總覽。函式名稱都可點回官方 API 文件。

PART 01 · 函式家族自測

你想比較吸菸與不吸菸兩組的帳單金額分布，各組分開成一張直方圖。哪個寫法符合這個目標？

(A) sns.relplot(data=tips, x='total_bill', col='smoker', kind='hist')

(B) sns.displot(data=tips, x='total_bill', col='smoker', kind='hist')

PART 01 · 分布家族自測

你已用 displot 畫好直方圖，想再以小刻度標出各筆觀測的位置。應如何指定？

(A) 保留 kind='hist'，再加 rug=True

(B) 把 kind 改成 'rug'

延伸：多種檔案格式、dpi 與修改後另存

把目前這張 Figure 保存下來

完成軸標籤與版面後，對 Figure 呼叫 savefig。副檔名指定 PNG、PDF 或 JPEG；dpi 對點陣圖決定每英吋像素數。PDF 中的向量圖元仍可縮放，dpi 主要影響其中點陣化的內容。

同一張圖保存兩種格式

fig.savefig("Figure.png", dpi=400) fig.savefig("Figure.pdf", dpi=200);

沿用前面的 fig。命令將在目前工作目錄寫入檔案；同名檔案會被覆寫。

來源：Ch02-statlearn-lab-zh.ipynb

改軸範圍後再存一份

  axes[0,1].set_xlim([-1,1])
  fig.savefig("Figure_updated.jpg")
  fig

此格沿用 Ch02 建立的二維 axes 陣列；修改第二張子圖後另存，前一份檔案不會自動更新。

來源：Ch02-statlearn-lab-zh.ipynb

PART 01 · 自我檢測

你用 sns.relplot(...) 畫完圖，接著寫 ax.set_xlim([0, 10])，卻沒有任何效果。最可能的原因是？

(A) set_xlim 要寫在畫圖之前

(B) seaborn 不支援設定軸範圍

PART 02 · 看一個變數的分布

直方圖的 bins 與密度圖的頻寬會改變你的結論課程 Lab Ch1 · lab 範例

看一個變數的分布有兩種標準做法：直方圖與密度圖。兩者都有一個你必須自己決定的參數—— 直方圖是 bins（切幾格），密度圖是頻寬（平滑多少）。調整這個參數，同一份資料可能看起來有兩個峰或只有一個。

依分析問題調整圖形 調參數之前先想好你要回答什麼問題。想看「有沒有兩群」就把 bins 調細一點；想看「大致集中在哪」就調粗一點。也要比較其他設定下的結果，確認看到的形狀是否穩定。

模擬示意

拖 bins，看結論怎麼變

同一份資料（固定種子產生，實際上是兩個峰）。bins 太少會把兩個峰糊成一個，太多會讓雜訊看起來像結構。

目前

模式直方圖

bins / 頻寬10

你會看到幾個峰—

密度圖也一樣

切到「密度圖」模式，改的是頻寬。頻寬大＝平滑＝可能糊掉真的結構；頻寬小＝每個點都戳出一根。兩者是同一個取捨換了個名字。

最基本的直方圖

# 載入範例資料集 sns.displot(x="total_bill", data = tips); #check parameter bins and binwidth

lab 的註解就提醒了 bins 這個參數。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

更多畫法：分色與堆疊

依類別分色與堆疊

  # 載入範例資料集；Seaborn 視覺化：直方圖
  sns.histplot(data=tips, x="day", hue="sex"); # By default, the different histograms are “layered” on top of each other and, in some cases, they may be difficult to distinguish.
  # 載入範例資料集；Seaborn 視覺化：直方圖
  sns.histplot(data=tips, x="day", hue="sex", multiple="dodge", shrink=.8);

hue 分色、multiple='stack' 疊起來。分色看得出各組的形狀，堆疊看得出總量——兩種問題。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

密度圖

  # 載入範例資料集；Seaborn 視覺化：KDE 密度圖
  sns.kdeplot(data=tips, x="total_bill");
  # 載入範例資料集；Seaborn 視覺化：KDE 密度圖
  sns.kdeplot(data=tips, x="total_bill", hue="time", multiple="stack");

kdeplot 把每個點換成一個小鐘形再加起來，所以它一定是平滑的。平滑程度來自繪圖設定，讀圖時也要留意這項選擇。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

PART 02 · 自我檢測

同一份資料，bins=5 看起來是一個峰，bins=30 看起來是兩個峰。你該怎麼辦？

(A) 選看起來比較漂亮的那一張放進報告

(B) 兩張都看，再回頭問「有沒有理由相信這兩群真的存在」

PART 03 · 看兩個變數的關係

散佈圖、折線圖、joint 與 pair 課程 Lab Ch1 · lab 範例

兩個變數的關係圖幾乎都是散佈圖的變形。seaborn 幫你做的事是 用顏色、大小、分面在同一張圖中呈現第三、第四個變數—— hue、size、col 這三個參數值得記起來。

課程／lab 資料

先問變數型別

選 x 與 y 各是什麼型別，右邊會給建議的圖與對應的 seaborn 函式。這張決策樹涵蓋 lab 裡出現過的每一種圖。

建議

圖型—

函式—

它在回答什麼—

第三個變數怎麼辦

hue= 用顏色、size= 用點的大小、col= 拆成好幾張小圖。超過兩個額外變數時，可分成好幾張圖，方便比較。

散佈圖，以及呈現第三個變數

  # Scatterplot
  sns.relplot(x="total_bill", y="tip", data=tips); # Semicolon is intended to suppress text representation
  # 載入範例資料集
  sns.relplot(x="total_bill", y="tip", hue="smoker", style="smoker", data=tips); # you can use a different marker style for each class

hue 與 style 同時用同一個變數，是為了在黑白列印時也分得出來。這個習慣值得學。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

更多畫法：大小編碼、joint 與 pair

用點的大小表示第三個變數

# 載入範例資料集 sns.relplot(x="total_bill", y="tip", size="size", sizes=(15, 200), data=tips); #size rather than colors

sizes=(15, 200) 明確指定最小與最大的點徑。不指定的話預設範圍很窄，看不出差別。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

joint 與 pair

  # 載入範例資料集；Seaborn 視覺化：Joint 分布圖
  sns.jointplot(x="total_bill", y="tip", data=tips);
  # 載入範例資料集；Seaborn 視覺化：變數成對關係圖
  sns.pairplot(tips);

pairplot 適合一次查看多個變數的關係：所有數值欄兩兩配對，一眼看完。欄多的時候會很慢，先挑幾欄再畫。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

折線圖與信賴區間

  # 載入範例資料集；Seaborn 視覺化：折線圖
  fmri = sns.load_dataset("fmri")
  sns.lineplot(x="timepoint", y="signal", hue="event", style="event", markers=True, dashes=False, data=fmri);

lineplot 對同一個 x 有多筆資料時，會自動畫平均與 95% 信賴區間。這個區間是 bootstrap 算出來的，第 5 章會講它怎麼來的。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

PART 03 · 自我檢測

你想看「小費金額與帳單金額的關係，並區分吸菸與否」。最直接的寫法是？

(A) sns.catplot(x='smoker', y='tip', data=tips)

(B) sns.relplot(x='total_bill', y='tip', hue='smoker', data=tips)

PART 04 · 類別變數的圖

盒鬚圖、長條圖、計數圖：各自在講什麼課程 Lab Ch1 · lab 範例

類別變數的圖最容易被誤讀，因為它們看起來都像長條，但講的事情差很多： countplot 講「有幾筆」、barplot 講「平均是多少」、boxplot 講「分布長怎樣」。選圖前先確認你要比較筆數、平均還是分布。

概念示意

同一份資料，兩種畫法

左邊的 y 軸從 0 開始，右邊則截斷 y 軸。按按鈕切換；右側倍率會由同一批資料與目前的軸起點即時計算。

兩組的真實數字

A 組平均2.98

B 組平均3.26

看起來差幾倍—

什麼時候可以截斷

當零沒有意義時（例如體溫、年份）截斷是合理的，但要明確標出來。長條圖用長度編碼數量，截斷等於把長度的意義弄壞，所以特別不該截。

盒鬚圖：看分布

  # 載入範例資料集
  sns.catplot(x="day", y="total_bill", kind="box", data=tips);
  # 載入範例資料集
  sns.catplot(x="day", y="total_bill", hue="smoker", kind="box", data=tips); # When adding a hue semantic, the box for each level of the semantic variable is moved along the categorical axis so they don’t overlap:b

盒子是四分位距、線是中位數、鬚是 1.5 倍 IQR 內的極值，外面的點是離群值。在本節比較的基本類別圖中，只有盒鬚圖直接標出這些候選離群值。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

長條圖：看平均與不確定性

  # 載入範例資料集；Seaborn 視覺化：長條圖
  ax = sns.barplot(x="day", y="tip", data=tips);
  # 載入範例資料集
  sns.catplot(x="day", y="total_bill", hue="sex", kind="bar", data=tips);

barplot 的長條高度是平均，上面那條細線是 bootstrap 信賴區間，不是標準差。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

計數圖：看筆數

# 載入範例資料集；Seaborn 視覺化：計數長條圖 sns.countplot(x="smoker", data=tips); #simply count the number

countplot 只數筆數，跟 value_counts() 是同一件事的圖版。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

另一種畫法：點估計與誤差線

點估計圖：專門用來比較

# 載入範例資料集；Seaborn 視覺化：點估計圖 sns.pointplot(x="day", y="tip", data=tips, errorbar=('ci', 68));

把長條換成一個點加誤差線。要比較好幾組的平均時，點比長條清楚——長條的面積會搶掉注意力。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

圖	高度／位置代表什麼	適合回答
`countplot`	筆數	哪一類最多？有沒有哪一類樣本太少？
`barplot`	平均（＋信賴區間）	各組的平均差多少？差得有多確定？
`boxplot`	中位數與四分位距	分布形狀？有沒有離群值？
`pointplot`	平均（＋誤差線）	多組平均之間的比較與趨勢

比較兩組平均時，要看兩組差值的不確定性。各組自己的信賴區間即使重疊，差值的區間仍可能不含 0；是否能下結論還取決於樣本數、抽樣方式與模型條件。可回S4 的信賴區間確認區間在估哪一個量。

PART 04 · 自我檢測

一張 barplot 顯示週四的小費比週五高。你還需要知道什麼才能下結論？

(A) 不用，長條比較高就是比較高

(B) 只要看兩組的標準差

🔗 這在本站哪一章會用到第 12 章的主成分分析要看雙標圖（biplot）、分群要看樹狀圖，都是這一節的延伸；第 3 章的殘差圖更是整章的診斷主力。→ 非監督式學習 · 雙標圖　 → 非監督式學習 · 樹狀圖

PART 05 · 把模型畫進圖裡

regplot 與相關係數熱圖課程 Lab Ch1 · lab 範例

最後一種圖：把擬合好的模型畫在資料上面。把模型與觀測放在一起，可以檢查模型如何描述資料，以及哪些地方有差距。

課程／lab 資料

熱圖在講什麼

點任一格，右邊顯示那一對變數的相關係數與它的意思。對角線一定是 1（自己跟自己）。

目前選到

變數對—

相關係數—

怎麼讀—

熱圖的陷阱

顏色會讓「0.3 與 0.5」看起來差很多、「0.85 與 0.9」看起來差不多，端看色階怎麼設。要下結論就回去看數字，熱圖是用來快速找候選的。

散佈圖加迴歸線

# 載入範例資料集；Seaborn 視覺化：迴歸散佈圖 sns.regplot(x="total_bill", y="tip", data=tips);

regplot 直接擬合一條最小平方直線並畫出 95% 信賴區間。這個區間是對迴歸線的不確定性，不是預測區間——第 3 章會分清楚這兩者。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

依類別分別擬合

  # 載入範例資料集；Seaborn 視覺化：迴歸關係圖
  tips["big_tip"] = (tips.tip / tips.total_bill) > .15
  sns.lmplot(x="total_bill", y="big_tip", data=tips,
             logistic=True, y_jitter=.03);
  # 載入範例資料集；Seaborn 視覺化：迴歸關係圖
  sns.lmplot(x="total_bill", y="tip", hue="smoker", col="time", data=tips);

lmplot 加 hue 會每一組各擬合一條線。兩條線的斜率若不同，提示可以加入交互作用再檢查；樣本變異也可能造成斜率差，仍需估計不確定性。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

相關係數熱圖

  # 相關係數/相關矩陣；載入範例資料集
  corr = tips.corr(numeric_only=True)
  sns.heatmap(corr);

tips.corr(numeric_only=True) 先算矩陣，heatmap 只負責上色。共線性的初步檢查常從這裡開始。（產生的是圖，沒有文字輸出可對照。）

來源：Ch01-lab-zh.ipynb

觀念釐清

regplot 幫我擬合了線，是不是就等於做了迴歸分析？

還需要後續分析。這個函式給你一條線與一條帶子，沒有係數、沒有 p 值、沒有診斷。要那些東西得用 statsmodels（P6 會講）。regplot 的用途是「先看看有沒有線性關係」。

熱圖看到兩個變數相關 0.9，該怎麼辦？

先想它們是不是本來就在量同一件事（例如 weight 與 displacement）。真的要放進同一個迴歸模型的話，第 3 章的共線性與第 6 章的收縮方法就是在處理這件事。

PART 05 · 自我檢測

lmplot 加了 hue='smoker' 之後，兩組的迴歸線斜率明顯不同。這在暗示什麼？

(A) 帳單對小費的效果在兩組之間不同，可能有交互作用

(B) 吸菸者的小費比較高

跨章應用：函數網格、contour 與 imshow

函數曲面：等高線與色塊

若每一組 (x,y) 座標都有一個函數值，資料可排成網格。 contour(x, y, f) 的 f 必須有 len(y) 列、len(x) 欄，每個元素對應一個座標配對。

建立二維函數網格並畫等高線

  fig, ax = subplots(figsize=(8, 8))
  x = np.linspace(-np.pi, np.pi, 50)
  y = x
  f = np.multiply.outer(np.cos(y), 1 / (1 + x**2))
  ax.contour(x, y, f);

np.multiply.outer 對所有 y 與 x 配對計算乘積，因此 f 的列對應 y、欄對應 x。

來源：Ch02-statlearn-lab-zh.ipynb

改等高線層數，與 imshow 比較

  fig, ax = subplots(figsize=(8, 8))
  ax.contour(x, y, f, levels=45);
  fig, ax = subplots(figsize=(8, 8))
  ax.imshow(f);

這些儲存格只保存圖形，不另造文字輸出。

來源：Ch02-statlearn-lab-zh.ipynb

levels 控制等高線層級的選擇；更多線不會增加原始網格資料。 imshow(f) 用顏色畫出陣列元素，預設座標是欄／列索引，原點在上方；因此不能直接把其座標當成前面的 x、y。若要對上物理座標，須交代 extent 與 origin 的設定。統計學習章用同一函數說明「指定形狀」與「從資料估計」的差異。

EXERCISES · 練習

動手驗證：概念自測先備 · 自我檢測

回顧本頁觀念與原 Lab 的程式，確認各個操作的意義與使用條件。

🔗 seaborn 教學 🔗 Matplotlib 快速入門 📓 Ch01 中文 Lab

EXERCISE 1 · 選圖

你要呈現「三個地區（origin）的 mpg 分布，並讓讀者看得出有沒有離群值」。該畫什麼？

(A) barplot，三根長條比高低

(B) countplot

EXERCISE 2 · bins

把 bins 從 10 調到 60 之後，直方圖出現很多小峰。最合理的解讀是？

(A) 資料真的有很多群，應該用 60 這張

(B) 資料有問題，應該重新收集

EXERCISE 3 · 圖表誠實度

一張長條圖把 y 軸截在兩組平均附近，讓小差異看起來大幅放大。這張圖錯在哪？

(A) 長條圖用長度表示數量，截斷 y 軸會破壞長度的意義

(B) 沒錯，只是放大了差異方便觀察

EXERCISE 4 · figure-level 與 axes-level

你想把四張 seaborn 圖排成 2×2 放進同一張 Figure。下列哪一個函式做不到？

(A) sns.relplot(..., ax=axes[1,0])

(B) sns.histplot(..., ax=axes[0,0])

重點速查與來源

視覺化速查表先備 · 視覺化

來源：完整書目與章節定位

本頁書目與章節定位

教科書：An Introduction to Statistical Learning with Applications in Python。James、Witten、Hastie、Tibshirani、Taylor，2023。原書與下載資訊

需要核對完整公式、比較表或實作時，再展開下方速查。

查閱完整速查與延伸提醒

選圖速查表。先問「x 與 y 各是什麼型別」，再問「我要回答什麼」。需要依家族與控制層級找函式，可回到 Seaborn 函式地圖。

x 的型別	y 的型別	圖	seaborn
數值	數值	散佈圖	`scatterplot` / `relplot`
數值	數值（有序、每個 x 多筆）	折線圖＋信賴區間	`lineplot`
數值	數值（要看模型）	散佈圖＋迴歸線	`regplot` / `lmplot`
數值	—	直方圖／密度圖	`histplot` / `kdeplot`
類別	數值	盒鬚圖／長條圖／點估計圖	`catplot(kind=…)`
類別	—	計數圖	`countplot`
類別	類別	計數的交叉表＋熱圖	`heatmap`
多個數值欄	—	成對關係圖／相關熱圖	`pairplot` / `heatmap`

figure-level（自己開 Figure）	axes-level（可以傳 ax=）
`relplot`	`scatterplot`、`lineplot`
`catplot`	`boxplot`、`barplot`、`countplot`、`pointplot`
`displot`	`histplot`、`kdeplot`、`ecdfplot`；刻度用 `rugplot`
`lmplot`（迴歸）	`regplot`、`residplot`
`clustermap`（分群熱圖）	`heatmap`
`jointplot`、`pairplot`（多軸組圖）	組合多種單軸畫法；見上方函式地圖

參數	做什麼	什麼時候用
`hue=`	用顏色分第三個變數	組數 ≤ 5、要疊在同一張圖比較
`style=`	用標記形狀分	要黑白列印時搭配 hue 一起用
`size=`	用點的大小分	第三個變數是數值且範圍大
`col=` / `row=`	拆成好幾張小圖	組數多、疊起來會糊

三個閱讀重點 1. 先畫圖再算數字。摘要統計會漏掉形狀，相關係數一樣的兩份資料可以長得完全不同。
2. bins 與頻寬會影響圖形呈現的細緻程度。調參數之前先想好要回答什麼問題。
3. countplot 講筆數、barplot 講平均、boxplot 講分布。三種長條講三件事，不要混用。

CARDS · 關鍵詞彙卡