Tag: data visualization

Seaborn: วิธีสร้างและตกแต่งกราฟใน Python พร้อมตัวอย่าง

Updated: 03 Nov 2026

🤔 Seaborn คืออะไร?

seaborn เป็น package ยอดนิยมสำหรับสร้างกราฟ (data visualisation) ใน Python และมีจุดเด่น 3 ข้อ

ใช้งานง่าย ด้วยการเขียนโค้ดที่ตรงไปตรงมา
กราฟมีหน้าตาสวยงาม เหมาะสำหรับตีพิมพ์
ทำงานร่วมกับ pandas และ matplotlib ซึ่งเป็น package ยอดนิยมสำหรับทำงานกับข้อมูล ได้อย่างลงตัว

💻 การเริ่มใช้งาน seaborn

เราเริ่มใช้งาน seaborn ได้ใน 2 ขั้นตอน:

ติดตั้ง package
โหลด package

ขั้นที่ 1. ติดตั้ง package:

ติดตั้ง seaborn รวมทั้ง pandas และ matplotlib ที่จะใช้งานร่วมกัน (ทำแค่ครั้งแรกครั้งเดียว)

! pip install seaborn pandas matplotlib

ขั้นที่ 2. โหลด package:

โหลด seaborn และ package ที่เกี่ยวข้อง (ทำทุกครั้งที่เริ่ม session ใหม่)

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

🧑‍💻 วิธีใช้งาน seaborn

seaborn มีวิธีสร้างกราฟดังนี้:

			
# Create a plot
sns.plot(data, x, y, customisation)
# Show the plot
plt.show()

sns.plot กำหนดประเภทกราฟ
data กำหนดชุดข้อมูล
x กำหนดข้อมูลแกน x
y กำหนดข้อมูลแกน y
customisation ตกแต่งกราฟ
plt.show() แสดงกราฟบนหน้าจอ

📉 การสร้างกราฟ 5 ประเภท

มาดูวิธีสร้างกราฟ 5 ประเภทใน seaborn กัน:

Histogram
Box plot
Scatter plot
Line plot
Bar plot

🍔 ชุดข้อมูลตัวอย่าง

สำหรับชุดข้อมูลตัวอย่าง เราจะใช้ tips ซึ่งมีข้อมูลเกี่ยวกับทิปในร้านอาหารกัน

รายละเอียดชุดข้อมูล:

คอลัมน์	คำอธิบาย
`total_bill`	ราคารวมค่าอาหาร
`tip`	ทิปที่ได้รับ
`sex`	เพศของลูกค้า
`smoker`	การสูบบุหรี่ของลูกค้า (สูบ หรือ ไม่สูบ)
`day`	วันของสัปดาห์
`time`	ช่วงเวลาของวัน (lunch หรือ dinner)
`size`	จำนวนแขกในโต๊ะเดียวกัน

วิธีโหลดข้อมูล:

tips = sns.load_dataset("tips")

📊 กราฟ 1. Histogram

Histogram เป็นกราฟแสดงการกระจายตัว (distribution) ของข้อมูล

ตัวอย่าง:

ดูการกระจายตัวของทิปที่พนักงานได้รับ

			
# Create a histogram
sns.histplot(
    data = tips,
    x = "tip"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.histplot() to create a histogram in seaborn. — Histogram

📊 กราฟ 2. Box Plot

Box plot แสดงการกระจายตัวของข้อมูล (เหมือนกับ histogram) และใช้เปรียบเทียบการกระจายตัวของตัวแปรหนึ่งระหว่างกลุ่มได้

ตัวอย่าง:

ดูการกระจายตัวของทิปในแต่ละมื้ออาหาร

			
# Create a box plot
sns.boxplot(
    data = tips,
    x = "time",
    y = "tip"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.boxplot() to create a box plot in seaborn. — Box plot

📊 กราฟ 3. Scatter Plot

Scatter plot ใช้แสดงความสัมพันธ์ระหว่าง 2 ตัวแปร

ตัวอย่าง:

ความสัมพันธ์ระหว่างค่าอาหารและทิป

			
# Create a scatter plot
sns.scatterplot(
    data = tips,
    x = "total_bill",
    y = "tip"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.scatterplot() to create a scatter plot in seaborn. — Scatter plot

📊 กราฟ 4. Line Plot

Line plot ใช้แสดงความสัมพันธ์ระหว่างตัวแปร 2 ตัว หรือแสดงการเปลี่ยนแปลงของข้อมูลตามช่วงเวลา

ตัวอย่าง:

สำรวจทิปตามจำนวนแขก

			
# Create a line plot
sns.lineplot(
    data = tips,
    x = "size",
    y = "tip"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.lineplot() to create a line plot in seaborn. — Line plot

📊 กราฟ 5. Bar Plot

Bar plot ใช้เปรียบเทียบค่าของตัวแปรระหว่างกลุ่ม

ตัวอย่าง:

สำรวจทิปในแต่ละวันของสัปดาห์

			
# Create a bar plot
sns.barplot(
    data = tips,
    x = "day",
    y = "tip"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.barplot() to create a bar plot in seaborn. — Bar plot

3️⃣ การเพิ่มตัวแปรที่ 3

เราสามารถเพิ่มตัวแปรที่ 3 (นอกเหนือจากแกน x, y) ได้โดยใช้สี (hue) ดังนี้

ตัวอย่าง:

เพิ่มประเภทการสูบบุหรี่ (ตัวแปรที่ 3) เข้าไปในกราฟความสัมพันธ์ระหว่างทิป (y) และค่าอาหาร (x)

			
# Create a scatter plot
sns.scatterplot(
    data = tips,
    x = "total_bill",
    y = "tip",
    hue = "smoker" # third variable
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use hue argument to add a third variable into a plot in seaborn. — การเพิ่มตัวแปรที่ 3 ด้วย `hue`

🎨 การตกแต่งกราฟ

เรามาดู 3 วิธีในการตกแต่งกราฟกัน:

การเปลี่ยนสีข้อมูล
การเปลี่ยนสไตล์กราฟ
การเพิ่มข้อความ

🖌️ วิธีที่ 1. การเปลี่ยนสีข้อมูล

เปลี่ยนสีข้อมูล (hue) ได้ด้วย 2 วิธีย่อย:

ใช้ palette: กำหนดสีเอง
ใช้ sns.set_palette(): ใช้เซตสีของ seaborn

👉 ตัวอย่างการใช้ palette:

เปลี่ยนสีประเภทลูกค้าให้เป็นสีแดงและดำ

			
# Specify the colours
colours = {
    "Yes": "red",
    "No": "black"
}
# Create a scatter plot
sns.scatterplot(
    data = tips,
    x = "total_bill",
    y = "tip",
    hue = "smoker",
    palette = colours # change colours
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use palette argument to adjust the colours of the data points in seaborn plots. — เปลี่ยนสีกราฟด้วย `palette`

👉 ตัวอย่างการใช้ sns.set_palette():

ใช้ชุดสีที่เหมาะกับผู้ชมที่ตาบอดสี

			
# Set the palette
sns.set_palette("colorblind")
# Create a scatter plot
sns.scatterplot(
    data = tips,
    x = "total_bill",
    y = "tip",
    hue = "smoker"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.set_palette() to adjust the colours of the data points in seaborn plots. — เปลี่ยนสีกราฟด้วย `sns.set_palette()`

ตัวอย่างเซตสีที่เลือกใช้ได้:

Argument	ค่าสี
`"deep"`	ค่าตั้งต้นของ `seaborn`
`"muted"`	`"deep"` เวอร์ชันสีอ่อน
`"pastel"`	สีพาสเทล
`"dark"`	สีเข้ม
`"colorblind"`	สีสำหรับคนตาบอดสี

🖌️ วิธีที่ 2. การเปลี่ยนสไตล์กราฟ

เราเปลี่ยนสไตล์กราฟ (ธีม) ด้วย sns.set_style() ได้ดังนี้:

Argument	สีพื้นหลัง	สีเส้นกราฟ
`"white"`	ขาว ⚪	ขาว ⚪
`"dark"`	ดำ ⚫	ดำ ⚫
`"whitegrid"`	ขาว ⚪	ดำ ⚫
`"darkgrid"`	ดำ ⚫	ขาว ⚪
`"ticks"`	ขาว ⚪	ไม่มี ✖️

ตัวอย่าง:

เปลี่ยนสไตล์กราฟให้มีฉากหลังสีเทา

			
# Set the style
sns.set_style("darkgrid")
# Create a scatter plot
sns.scatterplot(
    data = tips,
    x = "total_bill",
    y = "tip",
    hue = "smoker"
)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use sns.set_style() to adjust the plot theme or style in seaborn. — เปลี่ยนสไตล์กราฟด้วย `sns.set_style()`

🖌️ วิธีที่ 3. การเพิ่มข้อความ

เราเพิ่มข้อความลงบนกราฟได้ด้วยคำสั่งจาก matplotlib.pyplot ดังนี้

ตัวอย่าง:

			
# Create a scatter plot
sns.scatterplot(
    data = tips,
    x = "total_bill",
    y = "tip",
    hue = "smoker"
)
# Add a title
plt.title("Total Bill vs Tip", fontsize = 16)
# Add labels
plt.xlabel("Total Bill ($)", fontsize = 12)
plt.ylabel("Tip ($)", fontsize = 12)
# Show the plot
plt.show()

		

ผลลัพธ์:

Use plt.title(), plt.xlabel(), plt.ylabel() to add texts to seaborn plots. — เพิ่มข้อความด้วยคำสั่งจาก `matplotlib.pyplot`

💪 สรุปเนื้อหา

ในบทความนี้ เราเรียนรู้วิธีการสร้างกราฟง่าย ๆ ใน seaborn กัน

การสร้างกราฟ 5 ประเภท:

กราฟ	คำสั่ง
Histogram	`sns.histplot()`
Box plot	`sns.boxplot()`
Scatter plot	`sns.scatterplot()`
Line plot	`sns.lineplot()`
Bar plot	`sns.barplot()`

การเพิ่มตัวแปรที่ 3:

วิธี	คำสั่ง
เพิ่มผ่านสี	`hue`

การตกแต่งกราฟ:

ปรับแต่ง	คำสั่ง
สีข้อมูล	`palette` หรือ `sns.set_palette()`
สไตล์กราฟ	`sns.set_style()`
ข้อความ	`plt.title()` และ `plt.xlabel()` และ `plt.ylabel()`

Seaborn is a Python package for data visualisation.

🫵 หลังจบบทความนี้

ลองมาใช้ seaborn เพื่อสร้างกราฟกันนะครับ

ดูตัวอย่างโค้ดทั้งหมดในบทความที่ GitHub
ดาวน์โหลดชุดข้อมูลสำหรับทดลองใช้ seaborn
อ่านคู่มือการใช้ seaborn อย่างเป็นทางการ

📄 อ้างอิง

09.01.2025

Data Visualisation Basics: วิธีการเลือกใช้กราฟอย่างง่าย พร้อมประเภทกราฟ กรณีการใช้งาน และตัวอย่าง

ในบทความนี้ เราจะมาทำความรู้จักกับการใช้ data visualisation หรือเรียกสั้น ๆ ว่า data viz เบื้องต้นกัน:

Data viz คืออะไร?
วิธีเลือกและประเภท data viz

ถ้าพร้อมแล้วไปเริ่มกันเลย

Data Viz & Its Values

Data viz เป็นการนำเสนอข้อมูล (data หรือ information) ในรูปแบบของ …

กราฟ/ชาร์ต (graph/chart)
แผนภาพ (diagram)
รูปภาพ (picture)

การแปลข้อมูลมาอยู่ในรูปของ data viz มีประโยชน์หลัก ๆ คือ

ช่วยให้เห็น pattern ที่อยู่ในข้อมูลได้ง่ายขึ้น
(ในกรณีที่ใช้ในการนำเสนอข้อมูล) ช่วยให้คนอื่นเข้าใจและจดจำข้อมูลของเราได้ดีขึ้น

Anscombe’s Quartet

ประโยชน์ของ data viz เห็นได้ชัดที่สุด ในตัวอย่างของ Anscombe’s Quartet

Anscombe’s Quartet เป็นข้อมูล 4 ชุด (แต่ละชุดประกอบด้วยคะแนน x และ y) ที่แตกต่างกัน แต่มีค่าสถิติที่เกือบจะเหมือนกัน เช่น

ค่าเฉลี่ย (mean) ของ x และ y
ค่าความแปรปวน (variance) ของ x และ y
correlation ระหว่าง x และ y

แต่ถ้าเรานำ Anscombe’s Quartet มาทำเป็น data viz ก็จะเห็นว่า ข้อมูลทั้งสี่ชุดแตกต่างกันอย่างชัดเจน

Anscombe’s Quartet เป็นตัวอย่างที่แสดงให้เห็นว่า data viz สามารถช่วยให้เราทำความเข้าใจข้อมูลได้อย่างง่ายและรวดเร็ว

(ใครที่สนใจข้อมูลชุดนี้ สามารถเข้าดูเพิ่มได้ที่ Google Sheets)

วิธีเลือกใช้ Data Viz

เพื่อใช้งาน data viz ให้เกิดประสิทธิภาพสูงสุด เราควรเลือกใช้งาน data viz ให้ถูกประเภท

โดยปัจจัยที่เราใช้เพื่อเลือก data viz มีอยู่ 2 อย่าง คือ

จำนวนตัวแปร (variable) ที่เราใช้สร้าง data viz
ประเภทของตัวแปร ซึ่งแยกได้เป็น 2 ประเภท ได้แก่
1. Categorical variable หรือตัวแปรเชิงคุณภาพ เช่น เพศ จังหวัด สกุลเงิน
2. Continuous variable หรือตัวแปรเชิงปริมาณ เช่น ความสูง น้ำหนัก จำนวนเงิน

เมื่อเราใช้ 2 ปัจจัยนี้ เราจะจัดกลุ่ม data viz ได้ต่อไปดังนี้

Data Viz สำหรับ 1 ตัวแปร

(1) Histogram

ประเภทตัวแปร:

Categorical variable

กรณีการใช้งาน:

สำรวจการกระจายตัว (distribution) ของตัวแปร

ตัวอย่าง:

การกระจายตัวของอายุประชาชน

(2) Box Plot

ประเภทตัวแปร:

Categorical variable

กรณีการใช้งาน:

สำรวจ distribution ของตัวแปร
เปรียบเทียบ distribution กับตัวแปรอื่น ๆ

ตัวอย่าง:

ค่าใช้จ่ายรายเดือนของ 5 เมืองใหญ่ในอเมริกา

Data Viz สำหรับ 2 ตัวแปร

(1) Scatter Plot

ประเภทตัวแปร:

1 continuous x 1 continuous variable

กรณีการใช้งาน:

สำรวจความสัมพันธ์ระหว่าง 2 ตัวแปร

ตัวอย่าง:

ความสัมพันธ์ระหว่างชั่วโมงเรียนและคะแนนสอบ

(2) Line Plot

ประเภทตัวแปร:

1 continuous x 1 continuous variable

กรณีการใช้งาน:

สำรวจความสัมพันธ์ระหว่าง 2 ตัวแปร
ดู trend การเปลี่ยนแปลงตามเวลา

ตัวอย่าง:

ระดับอุณหภูมิในช่วงเวลา 1 ปี

(3) Bar Plot

ประเภทตัวแปร:

1 categorical x 1 continuous variable

กรณีการใช้งาน:

นับจำนวนครั้งของ categorical variable
ดู percent ของ continuous variable เมื่อแบ่งตาม categorical variable

ตัวอย่าง:

จำนวนกาแฟที่ขายได้ในแต่ละวันของสัปดาห์

(4) Dot Plot

ประเภทตัวแปร:

1 categorical x 1 continuous variable

กรณีการใช้งาน:

ดูจำนวน continuous variable เมื่อแบ่งตาม categorical variable

ตัวอย่าง:

จำนวนพนักงานในแต่ละแผนก

Data Viz สำหรับมากกว่า 2 ตัวแปร

(1) Pair Plot

จำนวนตัวแปร:

สูงสุด 10 ตัวแปร

ประเภทตัวแปร:

Categorical, continuous variables, หรือผสมก็ได้

กรณีการใช้งาน:

ดู distribution ของตัวแปร
หาความสัมพันธ์ระหว่างตัวแปร

ตัวอย่าง:

ดูความสัมพันธ์ระหว่างลักษณะต่าง ๆ ของรถยนต์ เช่น แรงม้า น้ำหนัก การกินน้ำมัน

(2) Heatmap

ประเภทตัวแปร:

Continuous variables

กรณีการใช้งาน:

หาความสัมพันธ์ระหว่างตัวแปร

ตัวอย่าง:

อุณหภูมิของแต่ละเมืองในแต่ละเดือน

(3) Parallel Coordinates Plot

ประเภทตัวแปร:

Continuous variables เท่านั้น

กรณีการใช้งาน:

หา pattern ในข้อมูล
จับกลุ่ม pattern ในข้อมูล

ตัวอย่าง:

คะแนนสอบนักเรียนในแต่ละวิชา

Caution: Pie Chart

Pie chart เป็น data viz ที่ควรหลีกเลี่ยง เพราะเป็นกราฟที่ตีความได้ยาก

ตัวอย่างเช่น pie chart ที่แสดงสัดส่วนเวลาที่ programmer ใช้ในแต่ละวัน เราจะรู้ได้ยังไงว่า programmer ใช้เวลาไปกับอะไรมากกว่ากัน ระหว่าง Research และ Documentation

จากตัวอย่าง ถ้าเราใช้ bar plot แทน จะเห็นได้ว่า เราทำความเข้าใจข้อมูลได้เร็วกว่า และตอบได้ทันทีว่า programmer ใช้เวลาไปกับ Research และ Documentation เท่า ๆ กัน:

กรณีหลัก ๆ ที่เราจะใช้ pie chart คือ สำรวจสัดส่วนของข้อมูล เช่น ตัวอย่างด้านบน หรือจากยอดขายทั้งหมด สินค้าแต่ละตัวขายได้เป็นกี่เปอร์เซ็นต์

นอกจากนี้ เราไม่ควรใช้ pie chart กับข้อมูลที่มี category มากกว่า 7 เพราะจะทำให้ pie chart อ่านยาก

สรุป

Data viz เป็นเครื่องมือช่วยในการทำความเข้าใจและสื่อสารข้อมูล

โดยการเลือกใช้ data viz ขึ้นอยู่กับ 2 ปัจจัย คือ

จำนวนตัวแปร
ประเภทตัวแปร

เราสามารถใช้ 2 ปัจจัยนี้ สรุปการเลือกใช้ data viz 10 ประเภทได้ดังนี้:

No.	Data Viz	จำนวน	ประเภท
1	Histogram	1	Categorical
2	Box plot	1	Categorical
3	Scatter plot	2	All continuous
4	Line plot	2	All continuous
5	Bar plot	2	Categorical x Continuous
6	Dot plot	2	Categorical x Continuous
7	Pair plot	>2	Any
8	Heatmap	>2	Continuous
9	Parallel coordinates	>2	Continuous
10	Pie chart	1	Categorical