1、任务题目：关于XX问题的Seaborn可视化

以小组为单位，获取（收集或者爬虫）感兴趣的话题数据，进行适当的数据处理与分析，用python的Seaborn库（必要时，也可以用Matplotlib库和Pandas库）实现数据可视化，并得出相应的结论。

要求：至少包含6种图形的仪表板图形，可绘制多个仪表板。可视化图形包括但是不限于：柱形图、条形图、折线图、饼图、散点图、直方图、箱线图、雷达图等。

2、任务内容：

(1)    数据准备：选择一个具有挑战性的实际问题，例如：全球气候变化趋势、股票市场价格波动、城市人口分布等，获取并整理相关数据。

(2)    数据探索：利用Python数据分析工具（如Pandas）对数据进行探索性分析，理解数据的基本特征和规律。

(3)    可视化设计：根据数据的特点和分析需求，设计合适的可视化图表或图像，例如线图、柱状图、散点图、热力图等。

(4)    可视化实现：使用Seaborn库将设计好的可视化图表或图像实现出来，对图表进行精细的调整和优化，使其符合数据分析的规范和要求。

(5)    分析与报告：对可视化的结果进行深入分析，发现数据中的规律、趋势或异常点，形成分析报告，并在课堂上进行展示和讲解。

任务流程：

(1)    学生自主选择或接受老师分配的XX问题，并按照自己的兴趣和能力进行组队；

(2)    学生通过查阅资料、在线学习、小组讨论等方式，学习和掌握相关数据获取、整理以及分析的技能和方法；

(3)    学生根据所学的知识和技能，对XX问题进行数据探索和可视化设计；

(4)    学生将可视化结果进行课堂展示和讲解，并接受老师和其他同学的提问和评价；

(5)    老师根据学生的展示和报告，对学生的学习成果进行总结和评价，并给出建议和反馈。

提交内容： WORD报告+html程序文件

3、参考选题

（1）多变量数据分析

选择一个多变量数据集，例如用户行为数据、电商购买数据等，利用Seaborn库绘制散点图矩阵，以展示不同变量之间的关系和分布情况。

使用Seaborn库中的散点图矩阵来展示不同变量之间的关系和分布情况，并进一步探讨变量之间的相互作用和影响。

（2）高维数据降维分析

选择一个高维数据集，例如基因组数据、客户画像数据等，利用Seaborn库以及其他Python库（如scikit-learn等）绘制降维后的散点图和分类图，以展示高维数据的降维效果和分类情况。

使用Seaborn库和其他Python库来进行高维数据的降维处理和分类，并使用散点图来展示降维后的数据分布情况。

（3）时间序列数据的季节性和趋势分析

选择一个时间序列数据集，例如天气数据、股票市场数据等，利用Seaborn库绘制时间序列的季节性和趋势图，以展示时间序列数据的特征和变化情况。

使用Seaborn库中的线图和面积图来展示时间序列数据的走势和波动情况，并进一步探讨时间序列数据的季节性和趋势性。

（4）金融市场相关性分析

选择多个金融市场的数据集，例如股票市场、债券市场、商品市场等，利用Seaborn库绘制相关性的热力图，以展示不同市场之间的相关性情况。

使用Seaborn库中的热力图来展示不同市场之间的相关性，并进一步探讨市场之间的联动关系和影响因素。

（5）自然语言处理情感分析

选择一个自然语言处理领域的数据集，例如文本数据、情感数据等，利用Seaborn库以及其他Python可视化库绘制情感热力图和分类结果图，以展示文本数据的情感分布和分类情况。

使用Seaborn库中的热力图来展示文本数据的情感分布情况，并使用其他Python可视化库来展示情感分类结果和准确性情况。