seaborn
1.Relational plots(关系图)
官网对他的翻译是：“统计分析是理解数据集中变量如何相互关联以及这些关系如何依赖于其他变量的过程。可视化可能是这个过程的核心部分，因为当数据被正确地可视化时，人类视觉系统可以看到指示某种关系的趋势和模式。”
1.1 scatterplot（散点图）
散点图是统计可视化的重要组成部分。它使用点云来描述两个变量的联合分布，其中每个点代表数据集中的一个观察。这种描绘可以推断出大量关于它们之间是否有任何有意义的关系的信息。
scatterplot参数
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None,
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,
size_order=None, size_norm=None, markers=True, style_order=None,
x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000,
alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
大家看到这么多参数不用担心，大部分参数是相同的，不过是大同小异，这里对一些重要的参数进行解释
- x，y：容易理解就是你需要传入的数据，一般为dataframe中的列；
- hue：也是具体的某一可以用做分类的列，作用是分类；
- data：是你的数据集，可要可不要，一般都是dataframe；
- style：绘图的风格（后面单独介绍）；
- size：绘图的大小（后面介绍）；
- palette：调色板（后面单独介绍）；
- markers：绘图的形状（后面介绍）；
- ci：允许的误差范围（空值误差的百分比，0-100之间），可为‘sd’，则采用标准差（默认95）；
- n_boot（int）：计算置信区间要使用的迭代次数；
- alpha：透明度；
- x_jitter，y_jitter：设置点的抖动程度。
画一个简单的散点图
tips = pd.read_csv(r'F:\hellopython\数据分析\seaborn\tips.csv')
ax = sns.scatterplot(x="total_bill", y="tip", data=tips)
接下来，复杂一点，按另一个变量分组（hue参数起了作用），不同类型的方式（style），点的大小（size），并显示具有不同颜色的组：
ax = sns.scatterplot(x="total_bill", y="tip",hue="day",
style="time",size='size',data=tips)
hue管的就是颜色，然后style管的是符号就是比如一种用星星，一种用圆圈这样的，size管的就是size
1.2 lineplot（线图）
seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None,
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,
size_order=None, size_norm=None, dashes=True, markers=None,
style_order=None, units=None, estimator='mean', ci=95, n_boot=1000,
sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)
可以看到，这里的参数较散点图没有很大的改动，所以我就不一一介绍参数了
fmri = pd.read_csv("F:/hellopython/数据分析/seaborn/fmri.csv")
ax = sns.lineplot(x="timepoint", y="signal", data=fmri)
有个阴影区域是他的置信区间，可以手动ci=0给它去掉
接下来我们来看个更复杂点的
ax = sns.lineplot(x="timepoint", y="signal",hue="event", style="event",
markers=True, dashes=False, data=fmri)
hue和style我就不多介绍了，markers就是在每个点=True就是在每个点会有个标记，dashes=False就是都用短斜杠
1.3 relplot（关系图）
seaborn.relplot(x=None, y=None, hue=None, size=None, style=None,
data=None, row=None, col=None, col_wrap=None, row_order=None,
col_order=None, palette=None, hue_order=None, hue_norm=None,
sizes=None, size_order=None, size_norm=None, markers=None, dashes=None,
style_order=None, legend='brief', kind='scatter', height=5, aspect=1,
facet_kws=None, **kwargs)
relplot（关系图）可以看做是lineplot和scatterplot的归约，可以通过kind参数来指定画什么图形，重要参数解释如下：
- kind：默认scatter（散点图），也可以选择kind=‘line’（线图）；
- sizes：List、dict或tuple，可选，简单点就是图片大小，注意和size区分；
- col、row：将决定网格的面数的分类变量
具体看实例
tips = pd.read_csv("F:/hellopython/数据分析/seaborn/tips.csv")
g = sns.relplot(x="total_bill", y="tip", data=tips)
#两者效果一模一样
ax = sns.scatterplot(x="total_bill", y="tip", data=tips)
如果你想分别观察性别和时间对tip的影响
tips = pd.read_csv("F:/hellopython/数据分析/seaborn/tips.csv")
g = sns.relplot(x="total_bill", y="tip", hue="time", size="size",
palette=["b", "r"], sizes=(100, 100),col="time",row='sex', data=tips)
他会给你返回四张图，不同的性别（male or female）对应不同的时间(dinner or lunch)
关于kind=‘line’，这里就不画了，重点是理解参数的意义。
2.Categorical plots（分类图）
Categorical plots（分类图）可以具体分为下面三种类型，8个小图：
1. Categorical scatterplots（分类散点图）
stripplot（分布散点图）
swarmplot（分布密度散点图）
2.Categorical distribution plots（分类分布图）
boxplot（箱线图）
violinplot（小提琴图）
boxenplot（字母价值图？？？）
3.Categorical estimate plots（分类估计图）
pointplot（点图）
barplot（条形图）
countplot（计数统计图）
2.1 Categorical scatterplots（分类散点图）
2.1.1 stripplot（分布散点图）
stripplot（分布散点图）的意思就是按照不同类别对样本数据进行分布散点图绘制。stripplot（分布散点图）一般并不单独绘制，它常常与boxplot和violinplot联合起来绘制，作为这两种图的补充。
seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, jitter=True, dodge=False, orient=None, color=None,
palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)
- x，y，data：输入数据可以多种格式传递，在大多数情况下，使用Numpy或Python对象是可能的，但是更可取的是pandas对象，因为相关的名称将用于对轴进行注释。此外，还可以对分组变量使用分类类型来控制情节元素的顺序。
- order：用order参数进行筛选分类类别，例如：order=[‘sun’,‘sat’]；
- jitter：抖动项，表示抖动程度，可以使float，或者True；表示散点图的各散点在回归模型中小幅度的分布；
- dodge：重叠区域是否分开，当使用hue时，将其设置为True，将沿着分类轴将不同色调级别的条带分开。
- orient：“v” | “h”，vertical（垂直） 和 horizontal（水平）的意思；
基本的图
tips = pd.read_csv("F:/hellopython/数据分析/seaborn/tips.csv")
ax = sns.stripplot(x="day", y="total_bill", data=tips)
搞复杂一点的话
ax = sns.stripplot(x="day", y="total_bill", hue="smoker",data=tips,
jitter=True,palette="Set2", dodge=True)
jitter = True 就是允许它在回归模型中允许的置信区间内抖动。palette就是调色板，dodge就是hue不同类型的重叠区域是否分开
2.1.2 swarmplot（分布密度散点图）
这个函数类似于stripplot()，但是对点进行了调整(只沿着分类轴)，这样它们就不会重叠。这更好地表示了值的分布，但它不能很好地扩展到大量的观测。
seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5,
edgecolor='gray', linewidth=0, ax=None, **kwargs)
可以看出，swarmplot和stripplot参数上基本一致，少了jitter，因为它显示的是分布密度，不需要添加抖动项。
基本的图
ax = sns.swarmplot(x="day", y="total_bill", data=tips)
这个图和上个图的区别就是它的点不会重叠，一类的一样的值它会自动排到旁边去
跟上一个图一样搞复杂点，这里参数基本跟上面一样，就不一样解释了
ax = sns.swarmplot(x="day", y="total_bill", hue="smoker",data=tips,palette="Set2", dodge=True)
2.2 Categorical distribution plots（分类分布图）
2.2.1 boxplot（箱线图）
boxplot（箱线图，又称为盒须图、盒式图）便于在变量之间或跨类别变量级别比较的方式,显示定量数据的分布情况。框显示数据集的四分位数，线显示分布的其余部分，它能显示出一组数据的最大值、最小值、中位数及上下四分位数，使用四分位数范围函数的方法可以确定“离群值”的点。具体用法如下：
seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, orient=None, color=None, palette=None, saturation=0.75,
width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)
- saturation：饱和度，可设置为1；
- width：float，控制箱型图的宽度大小；
- fliersize：float，用于指示离群值观察的标记大小；
- whis：可理解为异常值的上限IQR比例；
- notch：我也不知道……
基本的图
ax = sns.boxplot(x="day", y="total_bill", data=tips)
搞复杂点的话是不建议的，简单最好，这里只是为了展示参数的含义
ax = sns.boxplot(x="day", y="total_bill", hue="time",data=tips,
linewidth=0.5,saturation=1,width=1,fliersize=3)
2.2.2 violinplot（小提琴图）
violinplot与boxplot扮演类似的角色，箱线图展示了分位数的位置，它显示了定量数据在一个（或多个）分类变量的多个层次上的分布，这些分布可以进行比较。不像箱形图中所有绘图组件都对应于实际数据点，小提琴绘图以基础分布的核密度估计为特征，通过小提琴图可以知道哪些位置的密度较高。在图中，白点是中位数，黑色盒型的范围是下四分位点到上四分位点，细黑线表示须。外部形状即为核密度估计。
这是一种可以同时显示多个数据分布的有效和有吸引力的方法，但请记住，估计过程受样本大小的影响，相对较小的样本的小提琴手看起来可能会显得非常平滑。具体用法如下：
seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100,
width=0.8, inner='box', split=False, dodge=True, orient=None, linewidth=None,
color=None, palette=None, saturation=0.75, ax=None, **kwargs)
- bw：‘scott’, ‘silverman’, float，控制拟合程度。在计算内核带宽时，可以引用规则的名称（‘scott’, ‘silverman’）或者使用比例（float）。实际内核大小将通过将比例乘以每个bin内数据的标准差来确定；
- cut：空值外壳的延伸超过极值点的密度，float；
- scale：“area”, “count”, “width”，用来缩放每把小提琴的宽度的方法；
- scale_hue：当使用hue分类后，设置为True时，此参数确定是否在主分组变量进行缩放；
- gridsize：设置小提琴图的平滑度，越高越平滑；
- inner：“box”, “quartile”, “point”, “stick”, None,小提琴内部数据点的表示。分别表示：箱子，四分位，点，数据线和不表示
- split：是否拆分，当设置为True时，绘制经hue分类的每个级别画出一半的小提琴；
基本的图
ax = sns.violinplot(x="day", y="total_bill", data=tips)
说白了小提琴图就是箱线图和密度图的结合
搞复杂一点的话
ax = sns.violinplot(x="day", y="total_bill", hue="sex",data=tips,
palette="Set2", split=True,scale="count", inner=None)
scale：默认值area表示所有小提琴面积相等，可选项count表示小提琴面积与对应样本数成正比，width表示小提琴图的最大宽度相等。
2.2.3 violinplot+stripplot（小提琴图+分布散点图）
ax = sns.violinplot(x="tip", y="day", data=tips, inner=None,whis=np.inf)
ax = sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")
2.2.4 violinplot+swarmplot（小提琴图+分布密度散点图）
ax = sns.violinplot(x="tip", y="day", data=tips,inner=None, whis=np.inf)
ax = sns.swarmplot(x="tip", y="day", data=tips, color="c")
2.2.5 boxplot+stripplot（箱线图+分布散点图）
ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
ax = sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")
2.2.6 boxplot+swarmplot（箱线图+分布密度散点图）
ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
ax = sns.swarmplot(x="tip", y="day", data=tips, color="c")
emmm以我浅显的理解的话，我画图会把whis=np.inf去掉，以及把抖动项关闭，这样可以更好的看到异常值和分布
2.3 Categorical estimate plots（分类估计图）
2.3.1 barplot（条形图）
条形图表示数值变量与每个矩形高度的中心趋势的估计值，用矩形条表示点估计和置信区间，并使用误差线提供关于该估计值附近的不确定性的一些指示。
具体用法如下：
seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
estimator=, ci=95, n_boot=1000, units=None, orient=None,
color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None,
capsize=None, dodge=True, ax=None, **kwargs)
- estimator：用于估计每个分类箱内的统计函数，默认为mean。当然你也可以设置estimator=np.median/np.std/np.var……
- order：选择和空值顺序，例如：order=[‘Sat’,‘Sun’]；
- ci：允许的误差的范围（控制误差棒的百分比，在0-100之间）,若填写"sd",则用标准误差(默认为95)，也可设置ci=None；
- apsize：设置误差棒帽条（上下两根横线）的宽度，float；
- saturation：饱和度；
- errcolor：表示置信区间的线条的颜色；
- errwidth：float，设置误差条线(和帽)的厚度。
基本的图
ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips)
设置estimator为中位数（numpy的统计函数都可以，只要你觉得有意义），设置误差棒的宽度，误差棒的颜色为“c”。
ax = sns.barplot(x="day", y="total_bill",hue='sex', data=tips,
estimator=np.median,capsize=0.2,errcolor='c')
2.3.2 countplot（计数图）
一个计数图可以被认为是一个分类直方图，而不是定量的变量。基本的api和选项与barplot（）相同，因此您可以比较嵌套变量中的计数。
这里参数并没有太多改变，orient就是改变方向。但是，值得注意的是缺少了一些参数，而且countplot中不能同时输入x和y，却可以使用hue
titanic = pd.read_csv("F:/hellopython/数据分析/seaborn/titanic.csv")
ax = sns.countplot(x="class",hue='who', data=titanic)
分别统计出来third的man woman child有多少人，first的…有多少人，second的…有多少人
2.3.3 piontplot（点图）
用散点图符号表示点估计和置信区间，点图代表散点图位置的数值变量的中心趋势估计，并使用误差线提供关于该估计的不确定性的一些指示。点图可能比条形图（barplot）更有用于聚焦一个或多个分类变量的不同级别之间的比较。他们尤其善于表现交互作用：一个分类变量的层次之间的关系如何在第二个分类变量的层次之间变化。连接来自相同色调等级的每个点的线允许交互作用通过斜率的差异进行判断，这比对几组点或条的高度比较容易。
具体用法如下：
seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, estimator=, ci=95, n_boot=1000,
units=None, markers='o', linestyles='-', dodge=False, join=True,
scale=1, orient=None, color=None, palette=None, errwidth=None,
capsize=None, ax=None, **kwargs)
- join：默认两个均值点会相连接，若不想显示，可以通过join=False参数实现；
- scale：float，均值点（默认）和连线的大小和粗细。
这个图的具体意思呢就是，比如x=time,y=total_bill,它会把每个时间的total_bill算平均值当作一个点，然后把他们连起来
ax = sns.pointplot(x="time", y="total_bill", data=tips)
当然你也可以用hue分类，以及用中位数作为函数，分开显示，使用调色板，修改标记类型和线条类型（很多参数都不是必要的，这里只是尽量充分介绍其用法）。
ax = sns.pointplot(x="time", y="total_bill", hue="smoker",data=tips,estimator=np.median,
dodge=True, palette="Set2",markers=["o", "x"],linestyles=["-", "--"])
2.3.4 catplot（）
该函数提供了对几个轴级函数的访问，这些函数使用几种可视化表示形式之一显示一个数字变量和一个或多个分类变量之间的关系。其实说白了就是利用kind参数来画前面Categorical plots（分类图）中的任意8个图形。
3 Distribution plots（分布图）
3.1 distplot（直方图）
直方图又称质量分布图，它是表示资料变化情况的一种主要工具。用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对于资料分布状况一目了然，便于判断其总体质量分布情况。直方图表示通过沿数据范围形成分箱（好像是等距分箱？），然后绘制条以显示落入每个分箱的观测次数的数据分布。
具体参数如下：
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,
hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None,
vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
- bins：int或list，控制直方图的划分，设置矩形图（就是块儿的多少）数量，除特殊要求一般默认；
- hist：是否显示方块；
- kde：是否显示核密度估计曲线；
- rug：控制是否生成观测数值的小细条（边际毛毯）；
- fit：控制拟合的参数分布图形，能够直观地评估它与观察数据的对应关系(黑色线条为确定的分布)；
-{hist, kde, rug, fit}_kws ：参数接收字典类型，可以自行定义更多高级的样式； - norm_hist：若为True, 则直方图高度显示密度而非计数(含有kde图像中默认为True)；
- vertical：放置的方向，如果为真，则观测值位于y-轴上（默认False，x轴上）；
- axlabel : string, False, or None, 设置标签。
设置随机种子（666），随机生成1000个符合正态分布的数：
np.random.seed(666)
x = np.random.randn(1000)
ax = sns.distplot(x,kde=True)
修改更多参数，设置方块的数量，方块、密度曲线和边际毛毯都显示，颜色为‘k’，axlabel=‘norm’。
np.random.seed(666)
x = np.random.randn(1000)
ax = sns.distplot(x, bins=100,hist=True, kde=True, rug=True,color='k',axlabel='norm')
3.2 kdeplot（核密度图）
核密度估计(kernel density estimation)是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。通过核密度估计图可以比较直观的看出数据样本本身的分布特征。
具体用法如下：
seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel='gau',
bw='scott', gridsize=100, cut=3, clip=None, legend=True, cumulative=False,
shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)
- data、data2：表示可以输入双变量，绘制双变量核密度图；
- shade：是否填充阴影，默认不填充；
- vertical：放置的方向，如果为真，则观测值位于y轴上（默认False，x轴上）；
- kernel：{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }。默认高斯核（‘gau’）二元KDE只能使用高斯核。至于什么是核函数，这个学问就大了，建议多看看论文；
- bw：{‘scott’ | ‘silverman’ | scalar | pair of scalars }。四类核密度带方法，默认scott (斯考特带宽法），建议下来了解一下这四种方法的区别；
- gridsize：这个参数指的是每个格网里面，应该包含多少个点，越大，表示格网里面的点越多（觉得电脑OK的可以试试，有惊喜），越小表示格网里面的点越少；
- cut：参数表示，绘制的时候，切除带宽往数轴极限数值的多少，这个参数可以配合bw参数使用；
- cumulative：是否绘制累积分布；
- shade_lowest：是否有最低值渲染，这个参数只有在二维密度图上才有效；
- clip：表示查看部分结果，是一个区间；
- cbar：参数若为True，则会添加一个颜色棒(颜色帮在二元kde图像中才有)；
核密度曲线类似于概率密度曲线，其曲线下的面积是1，因此其y轴上的单位通常是小于1的核密度分布值。对这个核密度曲线求积分的结果为1，也就是其曲线下的面积为1。实质是一种对直方图的抽象。
mean, cov = [0, 2], [(1, .5), (.5, 1)]
#这是一个多元正态分布
x, y = np.random.multivariate_normal(mean, cov, size=50).T
ax = sns.kdeplot(x)
接下来绘制双变量核密度图①：
ax=sns.kdeplot(x,y,shade=True,shade_lowest=False,cbar=True,color='r')
接下来绘制双变量核密度图②：二色二元密度图，使用大名鼎鼎的鸢尾花数据集
iris = sns.load_dataset("iris")
setosa = iris.loc[iris.species == "setosa"]
virginica = iris.loc[iris.species == "virginica"]
ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,cmap="Reds",
shade=True, shade_lowest=False)
ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length,cmap="Blues",
shade=True, shade_lowest=False)
核密度函数我还没有学，跟我目前的关系不太大，我就没有详细的去了解是什么意思
3.3 jointplot（联合分布图）
联合概率分布简称联合分布，是两个及以上随机变量组成的随机向量的概率分布。根据随机变量的不同，联合概率分布的表示形式也不同。对于离散型随机变量，联合概率分布可以以列表的形式表示，也可以以函数的形式表示；对于连续型随机变量，联合概率分布通过一非负函数的积分表示。
具体参数如下：
seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None,
height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None,
marginal_kws=None, annot_kws=None, **kwargs)
- x,y：为DataFrame中的列名或者是两组数据，data指向dataframe；
- kind : { “scatter” | “reg” | “resid” | “kde” | “hex” }。默认散点图；
- stat_func：用于计算统计量关系的函数；
- ratio：中心图与侧边图的比例，越大、中心图占比越大；
- dropna：去除缺失值；
- height：图的尺度大小（正方形）；
- space：中心图与侧边图的间隔大小；
- xlim，ylim：x，y的范围
简单一些的图
g = sns.jointplot(x="total_bill", y="tip", data=tips,height=5)
就是在旁边会显示你单个变量的分布图
用密度估计替换散点图和直方图，调节间隔和比例：
iris = pd.read_csv("iris.csv")
g = sns.jointplot("sepal_width", "petal_length", data=iris,kind="kde", space=0,ratio=6 ,color="r")
还是不懂核密度图…
3.4 pairplot（变量关系组图）
在数据集中绘制成对关系的图。默认情况下，该函数将创建一个轴网格，这样数据中的每个变量都将通过跨一行的y轴和跨单个列的x轴共享。对对角线轴的处理方式不同，绘制的图显示该列中变量的数据的单变量分布。此外，还可以在行和列上显示变量子集或绘制不同的变量。
具体如下：
seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None,
x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None,
height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None,
grid_kws=None, size=None)
- var：data中的子集，否则使用data中的每一列；
- x_vars / y_vars：可以具体细分，谁与谁比较；
- kind：{‘scatter’, ‘reg’}；
- diag_kind：{‘auto’, ‘hist’, ‘kde’}。单变量图（自己与自己比较）的绘图，对角线子图的图样。默认情况取决于是否使用“hue”。
还是用Iris来做一个简单的图
g = sns.pairplot(iris)
就是观察iris中每两列的散点图
使用hue="species"对不同种类区分颜色绘制，并使用不同标记：
g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"])
4 Regression plots（回归图）
4.1 lmplot（回归图）
许多数据集都有着众多连续变量。数据分析的目的经常就是衡量变量之间的关系，lmplot() 是一个非常有用的方法，它会在绘制二维散点图时，自动完成回归拟合。
具体参数如下：
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None,
col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True,
hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True,
x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95,
n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False,
logx=False, x_partial=None, y_partial=None, truncate=False, x_jitter=None,
y_jitter=None, scatter_kws=None, line_kws=None, size=None)
- col，row：和前面一样，根据所指定属性在列，行上分类；
- col_wrap：指定每行的列数，最多等于col参数所对应的不同类别的数量；
- aspect：控制图的长宽比；
- x_jitter，y_jitter：给x，y轴随机增加噪音点，设置这两个参数不影响最后的回归直线；
- order：多项式回归，控制进行回归的幂次，设定指数，可以用多项式拟合；
- logistic：逻辑回归；
- robust：如果是True，使用statsmodels来估计一个稳健的回归（鲁棒线性模型）。这将减少异常值。请注意 logistic回归和robust回归相较于简单线性回归需要更大的计算量，其置信区间的产生也依赖于bootstrap采样，你可以关掉置信区间估计来提高速度（ci=None）；
- lowess：如果是True，使用statsmodels来估计一个非参数的模型(局部加权线性回归)。这种方法具有最少的假设，尽管它是计算密集型的，但目前无法为这类模型绘制置信区间；
- logx：转化为log(x)
- truncate：默认情况下，绘制散点图后绘制回归线以填充x轴限制。如果为True，则它将被数据限制所限制；
先画一个简单的回归图（带分类）
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)
将变量分为多行，并改变大小：
g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",data=tips,
col_wrap=2, height=4)
4.2 regplot（）
regplot()和lmplot()都可以绘制线性回归曲线。这两个函数非常相似，甚至共有一些核心功能。
具体参数如下：
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci',
scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False,
lowess=False, robust=False, logx=False, x_partial=None, y_partial=None,
truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None,
marker='o', scatter_kws=None, line_kws=None, ax=None)
至于两者有什么具体的区别，我也不清楚，但是感觉lmplot()要比regplot()强大一点……
简单绘图
g = sns.regplot(x="total_bill", y="tip",data=tips)
5.Matrix plots（矩阵图）
## 5.1 heatmap（热力图）
利用热力图可以看数据表里多个特征两两的相似度，类似于色彩矩阵。
具体参数如下
seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None,
robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white',
cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto',
yticklabels='auto', mask=None, ax=None, **kwargs)
- data：矩阵数据集，可以使numpy的数组（array），如果是pandas的dataframe，则df的index/column信息会分别对应到heatmap的columns和rows；
- vmax,vmin：图例中最大值和最小值的显示值，没有该参数时默认不显示；
- cmap：从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；
- center：数据表取值有差异时，设置热力图的色彩中心对齐值。通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变 ；
- robust：默认取值False；如果是False，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定；
- annot(annotate的缩写)：默认取值False；如果是True，在热力图每个方格写入数据；如果是矩阵，在热力图每个方格写入该矩阵对应位置数据；
- fmt：字符串格式代码，矩阵上标识数字的数据格式，比如保留小数点后几位数字；
- annot_kws:默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体；
- square:设置热力图矩阵小块形状，默认值是False；
- xticklabels, yticklabels:控制每行列标签名的输出。默认值是auto，自动选择标签的标注间距，将标签名不重叠的部分(或全部)输出。如果是True，则以DataFrame的列名作为标签名；
- mask:控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉。
绘制一个简单的numpy数组的热力图
x = np.random.rand(10, 12)
ax = sns.heatmap(x)
显示数字和保留几位小数，并修改数字大小字体颜色格式： -
x= np.random.rand(10, 10)
ax = sns.heatmap(x,annot=True,annot_kws={'size':9,'weight':'bold', 'color':'w'},fmt='.2f')
5.2 clustermap（聚类图）
clustermap() 可以将矩阵数据集绘制为层次聚类热图。
具体参数如下：
seaborn.clustermap(data, pivot_kws=None, method='average', metric='euclidean',
z_score=None, standard_scale=None, figsize=None, cbar_kws=None, row_cluster=True,
col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None,
mask=None, **kwargs)
说实在的这个我也不太懂，就抛砖引玉的画一下图。
iris = pd.read_csv(r"F:/hellopython/数据分析/seaborn/iris.csv")
species = iris.pop("species") #这一步必不可少，不知道为啥
g = sns.clustermap(iris)
6 FacetGrid（）
在探索中多维数据时，一种有用的方法是在数据集的不同子集上绘制同一类型图的多个子图。该类将数据集映射到与数据集中变量级别相对应的行和列网格中排列的多个轴上。它生成的图形通常被称为“格子”或“格子”绘图，它可以使查看者快速观察到有关复杂数据的大量信息。
FacetGrid当您想要在数据集的子集中分别可视化变量的分布或多个变量之间的关系时，该类非常有用。一个FacetGrid可以与多达三个维度可以得出：row，col，和hue。前两个与得到的轴阵列有明显的对应关系; 将hue变量视为沿深度轴的第三个维度，其中不同的级别用不同的颜色绘制。通过使用FacetGrid数据框初始化对象以及将形成网格的行，列或hue维度的变量名称来使用该类。这些变量（hue）应该是分类的或离散的，然后变量的每个级别的数据将用于沿该轴的小平面。此外，每个的relplot()，catplot()以及lmplot()在内部使用这些对象。
在大多数情况下，与直接使用FacetGrid相比，使用图形级函数(例如relplot()或catart()要好得多。
具体参数如下
seaborn.FacetGrid(data, row=None, col=None, hue=None, col_wrap=None,
sharex=True, sharey=True, height=3, aspect=1, palette=None,
row_order=None, col_order=None, hue_order=None, hue_kws=None,
dropna=True, legend_out=True, despine=True, margin_titles=False,
xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)
FacetGrid并不能直接绘制我们想要的图像，它的基本工作流程是FacetGrid使用数据集和用于构造网格的变量初始化对象。然后，可以通过调用FacetGrid.map()或将一个或多个绘图函数应用于每个子集 FacetGrid.map_dataframe()，最后，可以使用其他修改参数的方法调整绘图。
下面展示具体实例：使用TIPS数据集初始化2x2个面网格:
g = sns.FacetGrid(tips, col="time", row="smoker")#2*2
然后，在每个方面上绘制一个二元函数：
g = g.map(plt.scatter, "total_bill", "tip", color="c")
在大多数情况下，与直接使用FacetGrid相比，使用图形级函数(例如relplot()或catart()要好得多。
7、PairGrid（）
用于绘制数据集中成对关系的子图网格。该类将数据集中的每个变量映射到多轴网格中的列和行。不同的轴级绘图函数可用于绘制上、下三角形的二元图解，并可在对角线上显示每个变量的边缘分布。读到这里你就会发现，它和pairplot（）有什么区别呢？
其实PairGrid和pairplot从原理来说是一样的，但是前面我们可以发现pairplot绘制的图像上、下三角形是关于主对角线对称的，
PairGrid则可修改上、下三角形和主对角线的图像形状。
具体事例如下：
iris=pd.read_csv('F:/hellopython/数据分析/seaborn/iris.csv')
g = sns.PairGrid(iris,hue="species")
g = g.map_upper(sns.scatterplot)#在上对角线子图上用二元函数绘制的图
g = g.map_lower(sns.kdeplot,color='r')#在下对角线子图上用二元函数绘制的图
g = g.map_diag(sns.kdeplot)#对角线单变量子图
8 主题和颜色
## 8.1 主题（style）
seaborn设置风格的方法主要有三种
1.set，通用设置接口
2.set_style，风格专用设置接口，设置后全局风格随之改变
3.axes_style，设置当前图（axes级）的风格，同时返回设置后的风格系列参数，支持with关键字用法
seaborn中主要有以下几个主题
sns.set_style("whitegrid") # 白色网格背景
sns.set_style("darkgrid") # 灰色网格背景
sns.set_style("dark") # 灰色背景
sns.set_style("white") # 白色背景
sns.set_style("ticks") # 四周加边框和刻度
相比matplotlib绘图风格，seaborn绘制的直方图会自动增加空白间隔，图像更为清爽。而不同seaborn风格间，则主要是绘图背景色的差异。
8.2 环境（context）
设置环境的方法也有3种：
1.set，通用设置接口
2.set_context，环境设置专用接口，设置后全局绘图环境随之改变
3.plotting_context，设置当前图（axes级）的绘图环境，同时返回设置后的环境系列参数，支持with关键字用法
sns.plotting_context("notebook") # 默认
sns.plotting_context("paper")
sns.plotting_context("talk")
sns.plotting_context("poster")
可以看出，4种默认绘图环境最直观的区别在于字体大小的不同，而其他方面也均略有差异
8.3 颜色（color_palette()）
seaborn风格多变的另一大特色就是支持个性化的颜色配置。颜色配置的方法有多种，常用方法包括以下两个：