آموزش Seaborn پایتون برای مبتدیان: شروع مصورسازی داده‌ها

Seaborn یکی از بهترین کتابخانه‌های پایتون برای مصورسازی داده‌های آماریه. این کتابخانه روی Matplotlib ساخته شده، با کد کمتر نمودارهای زیبایی می‌سازه، به‌خوبی با دیتافریم در pandas هماهنگ می‌شه و رسم نمودارهای آماری رایج مثل هیستوگرام‌ها، نمودارهای جعبه‌ای، هیت‌مپ‌ها و برازش‌های رگرسیون رو از طریق یک API یکپارچه مدیریت می‌کنه.

در این آموزش، انواع اصلی نمودارها در Seaborn رو بررسی می‌کنیم، نشون می‌دیم چطور اون‌ها رو شخصی‌سازی کنی، و Seaborn رو با سایر کتابخانه‌های مصورسازی پایتون مثل Matplotlib و Plotly مقایسه می‌کنیم. همه مثال‌های کدنویسی از Seaborn 0.13+ و pandas 2.0+ استفاده می‌کنن.

خلاصه مطلب

• Seaborn یک کتابخانه مصورسازی آماری در پایتونه که روی Matplotlib ساخته شده. با دستور pip install seaborn نصبش کن.

• این کتابخانه مستقیما با دیتافریم‌های pandas کار می‌کنه: نام ستون‌ها رو به‌عنوان آرگومان‌های x، y و hue بهش پاس بده.

• انواع نمودارهای کلیدی: scatterplot()، lineplot()، barplot()، histplot()، boxplot()، heatmap()، pairplot().

• توابع سطح شکل یا Figure-level (مانند relplot()، displot()، catplot()) شبکه‌های چندپنلی رو با یک بار فراخوانی می‌سازن.

• ظاهر نمودارها رو با استفاده از set_theme() و پالت‌های رنگی داخلی شخصی‌سازی کن.

Seaborn چیه؟

Seaborn یک کتابخانه مصورسازی داده در پایتونه که روی Matplotlib ساخته شده. این کتابخانه مستقیما با دیتافریم‌ها در pandas کار می‌کنه، بنابراین به‌جای آرایه‌های خام، نام ستون‌ها رو به‌عنوان آرگومان بهش پاس می‌دی. این کتابخانه رایج‌ترین انواع نمودارهای آماری مثل نمودارهای پراکندگی، نمودارهای خطی، نمودارهای میله‌ای، هیستوگرام‌ها، نمودارهای جعبه‌ای، هیت‌مپ‌ها و غیره رو پوشش می‌ده.

Seaborn توابع خودش رو در سه سطح سازمان‌دهی می‌کنه:

• توابع Figure-level (مانند relplot()، displot()، catplot()) شبکه‌های کامل شکل رو ایجاد کرده و لایه‌بندی رو به‌صورت خودکار مدیریت می‌کنن.

• توابع سطح محور (Axes-level) (مانند scatterplot()، histplot()، boxplot() و غیره) روی یک محور واحد در Matplotlib رسم می‌شن.

• توابع کاربردی (Utility) (مانند heatmap()، pairplot()، jointplot()) برای لایه‌های چندپنلی تخصصی کاربرد دارن.

می‌تونی با دوره مقدمه‌ای بر مصورسازی داده با Seaborn در فینکا بیشتر درباره Seaborn یاد بگیری.

Seaborn با تم‌ها و پالت‌های رنگی داخلی عرضه می‌شه که می‌تونی با فراخوانی تابع set_theme() اعمالشون کنی. این کتابخانه همچنین شامل تخمین‌های آماری (مثل بازه‌های اطمینان در نمودارهای میله‌ای، برازش‌های رگرسیون، تخمین چگالی هسته) می‌شه، بنابراین می‌تونی با کمترین کدنویسی از داده‌های خام به یک شکل آماده انتشار برسی.

مقایسه Seaborn و Matplotlib

دو کتابخانه پراستفاده مصورسازی داده در پایتون، Matplotlib و Seaborn هستن. با اینکه هر دو برای ایجاد گرافیک‌ها و مصورسازی‌های باکیفیت طراحی شدن، اما تفاوت‌های کلیدی دارن که باعث می‌شه برای موارد استفاده مختلف مناسب باشن.

Matplotlib کنترل کامل روی هر عنصر از یک شکل (محورها، علامت‌ها، راهنماها، حاشیه‌نویسی‌ها) رو بهت می‌ده، اما این کنترل به معنای کدنویسی بیشتر برای هر نموداره. Seaborn بخشی از این جزئیات رو فدای سرعت می‌کنه: با یک فراخوانی ساده تابع و ارسال یک دیتافریم، یک نمودار آماری خوش‌استایل تولید می‌شه.

در عمل، هر دو رو با هم استفاده می‌کنی. Seaborn نمودار رو ایجاد می‌کنه، سپس توابع Matplotlib رو برای تنظیم دقیق برچسب‌ها، محدوده‌ها یا حاشیه‌نویسی‌ها فراخوانی می‌کنی — همون‌طور که در مثال‌های پایین خواهی دید.

برای بررسی دقیق‌تر Matplotlib، می‌تونی آموزش مقدمه‌ای بر رسم نمودار با Matplotlib در پایتون فینکا رو بخونی.

نصب Seaborn

Seaborn به پایتون 3.9 به بالا (از نسخه 0.13) نیاز داره و به Matplotlib، Pandas و NumPy وابسته است. می‌تونی با استفاده از pip یا conda نصبش کنی:

وقتی از pip استفاده می‌کنی، Seaborn و وابستگی‌های لازمش نصب می‌شن. اگر می‌خوای به ویژگی‌های اضافی و اختیاری دسترسی داشته باشی، می‌تونی اون‌ها رو هم در دستور pip install قرار بدی. برای مثال:

یا با conda:

دیتاسِت‌های نمونه

Seaborn چندین دیتاسِت داخلی ارائه می‌ده که می‌تونیم از اون‌ها برای مصورسازی داده‌ها و تحلیل آماری استفاده کنیم. این دیتاسِت‌ها در دیتافریم‌های کتابخانه pandas ذخیره می‌شن که استفاده از اون‌ها رو با توابع رسم نمودار Seaborn بسیار آسون می‌کنه.

یکی از رایج‌ترین دیتاسِت‌هایی که در تمام مثال‌های رسمی Seaborn هم استفاده می‌شه، دیتاسِت tips نام داره؛ این دیتاسِت شامل اطلاعاتی درباره انعام‌های پرداختی در رستوران‌هاست. در ادامه یک مثال از بارگذاری و مصورسازی دیتاسِت انعام‌ها در Seaborn رو می‌بینی:

خروجی:

اگر هنوز این نمودار رو درک نمی‌کنی، جای نگرانی نیست. به این نوع نمودار هیستوگرام می‌گن. در ادامه این آموزش بیشتر درباره هیستوگرام‌ها توضیح می‌دیم. در حال حاضر نکته مهم اینه که Seaborn دیتاسِت‌های نمونه زیادی به‌صورت دیتافریم pandas داره که استفاده از اون‌ها آسونه و می‌تونی برای تمرین مهارت‌های مصورسازیت ازشون استفاده کنی. اینجا یک مثال دیگه از بارگذاری دیتاسِت exercise رو می‌بینی.

خروجی:

انواع نمودارها در Seaborn

Seaborn مجموعه‌ای از نمودارها رو برای نیازهای مختلف تحلیلی ارائه می‌ده. هر مصورسازی معمولا در یکی از سه دسته‌بندی زیر قرار می‌گیره:

• تک‌متغیره (Univariate) – فقط محور x (فقط یک محور اطلاعات داره)
• دومتغیره (Bivariate) – محورهای x و y (دو محور اطلاعات داره)
• سه‌متغیره (Trivariate) – محورهای x، y و z (سه محور اطلاعات داره)

اینجا بعضی از پرکاربردترین نمودارها در Seaborn رو معرفی کردیم:

• نمودار پراکندگی (Scatter Plot). نمودار پراکندگی برای مصورسازی رابطه بین دو متغیر استفاده می‌شه. تابع scatterplot() در Seaborn روشی ساده برای رسم این نمودارها فراهم می‌کنه.
• نمودار خطی (Line Plot). نمودار خطی برای مصورسازی روند تغییرات یک متغیر در طول زمان استفاده می‌شه. تابع lineplot() در Seaborn ابزاری عالی برای ساخت این نمودارهاست.
• هیستوگرام (Histogram). هیستوگرام برای مصورسازی توزیع یک متغیر استفاده می‌شه. تابع histplot() در Seaborn رسم هیستوگرام‌ها رو بسیار ساده می‌کنه.
• نمودار جعبه‌ای (Box Plot). این نمودار هم برای نمایش توزیع یک متغیر کاربرد داره. تابع boxplot() در Seaborn برای رسم اون ساخته شده.
• نمودار ویولونی (Violin Plot). نمودار ویولونی شبیه نمودار جعبه‌ایه، با این تفاوت که نمای جزئی‌تری از توزیع داده‌ها ارائه می‌ده. تابع violinplot() در Seaborn به همین منظور کاربرد داره.
• هیت‌مپ (Heatmap). هیت‌مپ برای نمایش میزان همبستگی بین متغیرهای مختلف استفاده می‌شه. با استفاده از تابع heatmap() در Seaborn به‌راحتی می‌تونی این نمودار رو رسم کنی.
• نمودار جفتی (Pairplot). نمودار جفتی برای بررسی رابطه بین چندین متغیر کاربرد داره. تابع pairplot() در Seaborn بهترین راه برای ساخت این نمودارهاست.

حالا در بخش بعدی این آموزش، مثال‌ها و توضیحات دقیق‌تری رو برای هر کدوم از این‌ها بررسی می‌کنیم.

توابع Figure-Level در برابر توابع Axes-Level

یکی از مهم‌ترین مفاهیم در Seaborn، تفاوت بین توابع figure-level و axes-level است. درک این موضوع باعث می‌شه در زمان دیباگ کردن کدهات صرفه‌جویی کنی.

توابع axes-level (مثل scatterplot()، histplot()، boxplot()) مستقیما روی یک محور در Matplotlib رسم می‌شن. می‌تونی با استفاده از آرگومان ax کنترل کنی که نمودار دقیقا کجا قرار بگیره:

توابع figure-level (مثل relplot()، displot()، catplot()) شکل اختصاصی خودشون رو می‌سازن و می‌تونن به‌صورت خودکار داده‌ها رو با استفاده از پارامترهای col و row به چندین پنل تقسیم کنن:

توابع Figure-level به‌جای محور یک شیء FacetGrid برمی‌گردونن، بنابراین تنظیم عنوان‌ها و برچسب‌ها در اون‌ها متفاوته: باید از g.set_axis_labels() و g.set_titles() به‌جای plt.xlabel() استفاده کنی.

نحوه رسم نمودار در Seaborn

بیا عملکرد Seaborn رو با چند مثال از نمودارهای مختلف در عمل ببینیم.

رسم نمودار پراکندگی در Seaborn

نمودارهای پراکندگی برای مصورسازی رابطه بین دو متغیر پیوسته استفاده می‌شن. هر نقطه در نمودار نمایانگر یک داده‌ است و موقعیت اون نقطه روی محورهای x و y نشان‌دهنده مقادیر اون دو متغیره.

این نمودار می‌تونه با رنگ‌ها و نشانگرهای مختلفی شخصی‌سازی بشه تا به تفکیک گروه‌های مختلفِ داده‌ها کمک کنه. در Seaborn می‌تونی این نمودار رو با تابع scatterplot() بسازی.

خروجی:

این نمودار ساده رو می‌تونیم با شخصی‌سازی پارامترهای hue و size بهتر کنیم. اینم از روشش:

خروجی:

رسم نمودار خطی در Seaborn

نمودارهای خطی برای مصورسازی روند داده‌ها در طول زمان یا سایر متغیرهای پیوسته استفاده می‌شن. در این نمودار، تمام نقاط داده با یک خط به هم متصل شده و یک منحنی نرم رو شکل می‌دن. در Seaborn نمودار خطی با تابع lineplot() ساخته می‌شه. می‌تونی در آموزش نمودار خطی Seaborn فینکا عمیق‌تر یاد بگیری.

خروجی:

خیلی راحت می‌تونیم این نمودار رو با استفاده از ستون‌های event و region در این دیتاسِت شخصی‌سازی کنیم.

خروجی:

دوباره، از Seaborn برای رسم نمودار خطی پایه و از Matplotlib برای برچسب‌گذاری محورها و عنوان استفاده کردم.

رسم نمودار میله‌ای در Seaborn

نمودارهای میله‌ای برای نشان دادن ارتباط بین یک متغیر دسته‌بندی‌شده و یک متغیر پیوسته به کار می‌رن. در این نمودار، هر میله نمایانگر میانگین یا میانه (یا هر نوع تجمیع دیگه‌ای) از متغیر پیوسته برای هر دسته‌ است. در Seaborn نمودار میله‌ای با کمک تابع barplot() ایجاد می‌شه. برای جزئیات بیشتر، راهنمای barplot فینکا رو ببین.

خروجی:

بیا این نمودار رو با اضافه کردن ستون gender از دیتاسِت شخصی‌سازی کنیم.

خروجی:

رسم هیستوگرام در Seaborn

هیستوگرام‌ها توزیع یک متغیر پیوسته رو نشون می‌دن. در این نمودار داده‌ها به بازه‌هایی تقسیم می‌شن و ارتفاع هر ستون نمایانگر فراوانی یا تعداد داده‌های موجود در اون بازه‌ است. در Seaborn تابع histplot() برای ایجاد هیستوگرام استفاده می‌شه. راهنمای هیستوگرام Seaborn فینکا این موضوع رو با عمق بیشتری بررسی می‌کنه.

خروجی:

شخصی‌سازی یک هیستوگرام

خروجی:

رسم نمودار چگالی در Seaborn

نمودارهای چگالی (که با نام نمودارهای تخمین چگالی هسته هم شناخته می‌شن) توزیع یک متغیر پیوسته رو به‌جای ستون‌های گسسته در قالب یک منحنی نرم نشون می‌دن. زمانی که بخوای توزیع‌ها رو بدون حساسیت به اندازه بازه‌ها در هیستوگرام با هم مقایسه کنی، بسیار مفید هستن. در Seaborn با استفاده از kdeplot() می‌تونی اون‌ها رو رسم کنی.

خروجی:

بیا با شخصی‌سازی، نمودار رو بهتر کنیم.

خروجی:

رسم نمودار جعبه‌ای در Seaborn

نمودارهای جعبه‌ای توزیع یک مجموعه داده رو نمایش می‌دن. این نمودارها معمولا برای مقایسه توزیع یک یا چند متغیر در دسته‌های مختلف استفاده می‌شن.

خروجی:

نمودار جعبه‌ای رو با اضافه کردن ستون time از دیتاسِت شخصی‌سازی کن.

رسم نمودار ویولونی در Seaborn

نمودار ویولونی نوعی مصورسازی داده است که ویژگی‌های نمودار جعبه‌ای و نمودار چگالی رو با هم ترکیب می‌کنه. این نمودار تخمینی از چگالی داده‌ها (معمولا نرم‌شده با یک برآوردگر چگالی هسته) به همراه دامنه بین‌چارکی (IQR) و میانه رو در یک ساختار شبیه نمودار جعبه‌ای نمایش می‌ده.

عرض ویولون نمایانگر تخمین چگالی است، قسمت‌های پهن‌تر نشان‌دهنده چگالی بالاتر هستن و IQR و میانه به شکل یک نقطه و خط سفید داخل ویولون نمایش داده می‌شن.

خروجی:

رسم هیت‌مپ در Seaborn

یک هیت‌مپ از رنگ‌ها برای نمایش مقادیر در یک ماتریس استفاده می‌کنه. در تحلیل داده‌ها، هیت‌مپ‌ها معمولا برای مصورسازی ماتریس‌های همبستگی کاربرد دارن. راهنمای هیت‌مپ Seaborn فینکا گزینه‌های شخصی‌سازی پیشرفته رو آموزش می‌ده.

خروجی:

یک مثال دیگه از هیت‌مپ با استفاده از دیتاسِت flights.

خروجی:

در این مثال، از دیتاسِت flights از کتابخانه seaborn استفاده می‌کنیم. داده‌ها رو با استفاده از متد .pivot() تغییر می‌دیم تا برای نمایش در هیت‌مپ مناسب بشن. سپس با استفاده از تابع sns.heatmap() یک هیت‌مپ می‌سازیم و متغیر تغییریافته پروازها رو به‌عنوان آرگومان بهش می‌دیم.

رسم نمودار جفتی در Seaborn

نمودارهای جفتی نوعی مصورسازی هستن که چندین نمودار پراکندگی دوبه‌دو رو در قالب یک ماتریس نمایش می‌دن. هر نمودار پراکندگی رابطه بین دو متغیر رو نشون می‌ده، در حالی که نمودارهای قطری (روی قطر ماتریس) توزیع متغیرهای جداگانه رو به تصویر می‌کشن.

خروجی:

می‌تونیم این نمودار رو با استفاده از پارامترهای hue و diag_kind شخصی‌سازی کنیم.

خروجی:

رسم نمودار پیوندی در Seaborn

نمودار پیوندی (Joint plot) یک نمودار پراکندگی در مرکز رو با هیستوگرام‌های حاشیه‌ای در لبه‌های بالایی و راست در یک شکل ترکیب می‌کنه. این چیدمان هم رابطه بین دو متغیر و هم توزیع جداگانه اون‌ها رو در یک نگاه نمایش می‌ده.

در ادامه یک مثال ساده از ساخت نمودار پیوندی Seaborn با دیتاسِت iris می‌بینی:

خروجی:

ساخت شبکه در FacetGrids

شیء FacetGrid یک شبکه از زیرنمودارها (subplots) ایجاد می‌کنه. یکی برای هر مقدار منحصر‌به‌فرد در یک متغیر دسته‌ای. این ویژگی بهت اجازه می‌ده نمودار مشابهی رو در بین گروه‌های مختلف مقایسه کنی (مثلا توزیع مبلغ کل صورتحساب برای هر روز هفته).

خروجی:

این تقلب‌نامه Seaborn پایتون در فینکا همراه با مثال‌های کد، تو رو برای استفاده از این کتابخانه مصورسازی داده (که بر پایه Matplotlib است) راهنمایی می‌کنه.

تم‌ها و استایل‌دهی در Seaborn

Seaborn پنج تم داخلی ارائه می‌ده که ظاهر کلی نمودارها رو کنترل می‌کنن. در بالای کدت تابع sns.set_theme() رو فراخوانی کن تا یکی از تم‌ها به‌صورت سراسری اعمال بشه:

همچنین می‌تونی مقیاس عناصر نمودار رو با پارامتر context کنترل کنی. این ویژگی اندازه فونت‌ها، ضخامت خطوط و سایر عناصر رو برای فرمت‌های خروجی مختلف تنظیم می‌کنه:

محیط "notebook" (که حالت پیش‌فرضه) برای نوت‌بوک‌های Jupyter عالی کار می‌کنه، در حالی که "talk" و "poster" همه‌چیز رو برای ارائه‌ها بزرگ‌تر می‌کنن.

شخصی‌سازی نمودارهای Seaborn

علاوه بر استایل‌های پیش‌فرض، Seaborn امکان کنترل پالت‌های رنگی، اندازه‌های شکل، تم‌ها و حاشیه‌نویسی‌ها رو هم بهت می‌ده. در ادامه رایج‌ترین موارد شخصی‌سازی رو می‌بینی:

تغییر پالت‌های رنگی

اینجا یک مثال از نحوه تغییر پالت‌های رنگی نمودارهای Seaborn می‌بینی:

خروجی:

تنظیم اندازه شکل

برای تنظیم اندازه شکل در نمودارهای Seaborn، می‌تونی از مثال زیر کمک بگیری:

خروجی:

اضافه کردن حاشیه‌نویسی (Annotations)

حاشیه‌نویسی‌ها خوندن مصورسازی‌هات رو ساده‌تر می‌کنن. ما یک مثال از نحوه افزودن اون‌ها رو در پایین آوردیم:

خروجی:

بهترین روش‌ها برای مصورسازی در Seaborn

در ادامه چند روش برتر رو مرور می‌کنیم که برای گرفتن بهترین نتیجه از Seaborn باید به خاطر داشته باشی.

نوع مناسب نمودار رو برای داده‌هات انتخاب کن

Seaborn انواع مختلفی از نمودارها رو در اختیارت می‌ذاره که هر کدوم برای نوع خاصی از داده‌ها و تحلیل‌ها طراحی شدن. انتخاب نمودار مناسب برای انتقال موثر یافته‌هات خیلی مهمه. برای مثال، نمودار پراکندگی برای مصورسازی رابطه بین دو متغیر پیوسته بهتره، در حالی که نمودار میله‌ای برای داده‌های دسته‌بندی‌شده کاربرد بیشتری داره.

از رنگ‌ها به صورت بهینه استفاده کن

رنگ در مصورسازی داده‌ها ابزار قدرتمندیه، اما باید درست ازش استفاده بشه. از به کار بردن رنگ‌های خیلی زیاد یا خیلی روشن دوری کن، چون ممکنه خوندن نمودار رو سخت کنه. در عوض، رنگ‌ها رو برای برجسته کردن اطلاعات مهم یا گروه‌بندی داده‌های مشابه به کار ببر.

محورهات رو برچسب‌گذاری کن و از عنوان‌های واضح استفاده کن

برچسب‌ها و عنوان‌ها برای یک مصورسازی موفق ضروری هستن. مطمئن شو محورهات رو به‌طور واضح برچسب‌گذاری کردی و یک عنوان توصیفی برای نمودارت نوشتی. این کار به مخاطب کمک می‌کنه پیامی که می‌خوای منتقل کنی رو راحت‌تر بفهمه.

مخاطبت رو در نظر بگیر

موقع طراحی نمودارها مهمه که به مخاطب و پیامی که قراره منتقل بشه توجه کنی. اگر مخاطبت غیرفنیه، از زبان ساده و واضح استفاده کن، اصطلاحات تخصصی به کار نبر، و مفاهیم آماری رو کاملا روشن توضیح بده.

از تحلیل‌های آماری مناسب استفاده کن

Seaborn طیف وسیعی از توابع آماری رو ارائه می‌ده که می‌تونی برای تحلیل داده‌هات ازشون استفاده کنی. موقع انتخاب تابع آماری، مطمئن شو موردی رو انتخاب کردی که مناسب‌ترین گزینه برای داده‌ها و سوال تحقیقی تو باشه.

مصورسازی‌هات رو شخصی‌سازی کن

تو می‌تونی گزینه‌های گسترده‌ای از ابزارهای شخصی‌سازی رو در Seaborn پیدا کنی و ازشون برای بهبود نمودارهات استفاده کنی. با فونت‌ها، استایل‌ها و رنگ‌های مختلف کار کن تا بهترین فرمتی که پیامت رو منتقل می‌کنه، پیدا کنی.

انتخاب کتابخانه مصورسازی مناسب در پایتون

بر اساس چیزهایی که تا اینجا یاد گرفتیم، بیایم ببینیم Seaborn در مقایسه با Matplotlib و دو جایگزین دیگه چه وضعیتی داره و هر کتابخانه برای چه کاری مناسبه:

در بیشتر پروژه‌های تحلیل داده، من برای بررسی اولیه از Seaborn استفاده می‌کنم، برای تنظیم دقیق سراغ Matplotlib می‌رم، و وقتی نیاز به یک خروجی تعاملی داشته باشم از Plotly کمک می‌گیرم. این کتابخانه‌ها با هم منافاتی ندارن.

نتیجه‌گیری

Seaborn یک کتابخانه قدرتمند مصورسازی داده در پایتونه که رابط کاربری جذاب و ساده‌ای رو برای ساخت گرافیک‌های آماری پرمحتوا فراهم می‌کنه. با تنوع گسترده‌ای از ابزارهای مصورسازی که Seaborn داره، می‌تونی خیلی سریع و بهینه‌ داده‌های پیچیده رو تحلیل کنی و بینش‌های مهم رو به دیگران منتقل کنی.

از نمودارهای پراکندگی و خطی گرفته تا هیت‌مپ‌ها و شبکه‌ها، Seaborn بازه وسیعی از مصورسازی‌ها رو برای رفع نیازهای مختلف بهت می‌ده. علاوه بر این، قابلیت یکپارچگی Seaborn با Pandas و Numpy اون رو به ابزاری بی‌بدیل برای تحلیلگران و دانشمندان داده تبدیل می‌کنه.

با این راهنمای مقدماتی Seaborn پایتون، می‌تونی وارد دنیای مصورسازی داده بشی و یافته‌هات رو به شکلی موثر با مخاطبان بیشتری به اشتراک بذاری.

اگر دوست داری دانشت رو در این حوزه گسترش بدی، حتما نگاهی به دوره‌های مقدمه‌ای بر مصورسازی داده با Seaborn یا مصورسازی داده پیشرفته با Seaborn در فینکا بنداز.

در طول این دوره‌ها، یاد می‌گیری چطور از ابزارهای پیشرفته مصورسازی در Seaborn برای تحلیل دیتاسِت‌های متنوع در دنیای واقعی استفاده کنی، مثل دیتاسِت نظرسنجی مسکن آمریکا، اطلاعات شهریه دانشگاه‌ها و مهمانان برنامه The Daily Show.

همین‌طور می‌تونی به تقلب‌نامه رایگان Seaborn فینکا نگاهی بندازی.