Matplotlib et Seaborn

La visualisation est une étape indispensable de l’analyse de données : elle permet de comprendre la distribution des variables, de détecter les valeurs aberrantes et de communiquer les résultats. Python propose deux bibliothèques complémentaires : Matplotlib pour le contrôle total, Seaborn pour la rapidité d’exécution.

Matplotlib

Anatomie d’une figure

Matplotlib structure ses figures selon une hiérarchie :

• Une Figure contient des Axes (les zones de graphiques).
• Les Axis sont les axes X et Y (graduations).
• Les Axes sont le graphique lui-même, avec toutes ses données et paramètres.

Deux façons de coder :

1. Pyplot (plt.plot()) : rapide, état global, idéal pour l’exploration.
2. Orienté Objet (fig, ax = plt.subplots()) : explicite, puissant, recommandé pour les figures complexes.

import matplotlib.pyplot as plt

# Interface Orientée Objet (recommandée)
fig, ax = plt.subplots()  # Création Figure + Axes
ax.plot(x, y)             # Tracé
ax.set_title("Mon Titre") # Configuration
plt.show()                # Affichage

Graphiques fondamentaux

Matplotlib choisit le type de graphique selon la question analytique :

Question	Graphique	Code
Évolution dans le temps	Ligne	ax.plot(x, y)
Comparaison de catégories	Barres	ax.bar(categories, valeurs)
Distribution d’une variable	Histogramme	ax.hist(data, bins=20)
Corrélation entre deux variables	Nuage de points	ax.scatter(x, y)

Personnalisation

ax.set_title("Ventes 2023")
ax.set_xlabel("Mois")
ax.grid(True, linestyle='--', alpha=0.5)
ax.legend(loc='upper right')
ax.plot(x, y, color='#0d9488', linestyle='--')

Subplots — Mise en page multi-graphiques

fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# Accès au graphique en haut à gauche
axes[0, 0].plot(x, y)
axes[0, 0].set_title("Graphique 1")

# En bas à droite
axes[1, 1].scatter(x, y)

# sharex=True pour partager l'axe temporel
fig, axes = plt.subplots(2, 1, sharex=True)

Boxplots et sauvegarde

plt.style.use('ggplot')
fig, ax = plt.subplots()
ax.boxplot(data)

# Exportation haute qualité
fig.savefig('analyse.pdf')
fig.savefig('plot.png', dpi=300)

Seaborn

Seaborn simplifie les tâches de Matplotlib, produit des graphiques plus soignés par défaut et s’intègre directement avec les DataFrames Pandas.

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

# Gain d'efficacité : régression en 1 ligne (vs 10+ lignes Matplotlib)
sns.regplot(x='taille', y='poids', data=df)

Seaborn fonctionne mieux avec les données au format long (tidy data) : chaque variable est une colonne, chaque observation est une ligne. Ses fonctions mappent directement les noms de colonnes aux axes X, Y ou aux couleurs (hue).

Visualisation des distributions

Distribution univariée :

# Histogramme + courbe de densité (KDE)
sns.histplot(data=df, x='colonne_A', kde=True)

Distribution bivariée :

# Nuage de points central + histogrammes marginaux
sns.jointplot(data=df, x='col_X', y='col_Y')

Données catégorielles

# Boxplot : médiane, quartiles et valeurs aberrantes
sns.boxplot(x='catégorie', y='prix', data=df)

# Violin plot : distribution de densité sous-jacente
sns.violinplot(x='catégorie', y='prix', data=df)

Le swarmplot affiche tous les points sans chevauchement, utile pour les petits jeux de données.

Relations et heatmaps

# Régression avec intervalle de confiance à 95 %
sns.regplot(x='X', y='Y', data=df, ci=95)

# Matrice de corrélation visualisée
corr = df.corr()
sns.heatmap(corr, annot=True)

sns.heatmap(df.corr()) est le moyen standard de visualiser les forces des relations entre toutes les paires de variables d’un DataFrame.

Quand utiliser l’un ou l’autre ?

Besoin	Outil recommandé
Exploration rapide d’un DataFrame	Seaborn
Figure complexe multi-panneaux	Matplotlib (OO)
Matrice de corrélation	sns.heatmap
Rapport avec mise en page précise	Matplotlib + fig.savefig
Distribution + densité	sns.histplot(kde=True)