一、环境准备

1.seaborn数据集下载地址：https://github.com/mwaskom/seaborn-data

2.下载后解压放到C:\Users\014xxx\seaborn-data内，可以通过命令行sns.getdir来获取sns.utils.get_data_home()

二、数据导入

三、Relational plots(关系图)

数据分析中就是理解变量如何相互关联，当这些关系被正确可视化时，我们往往可以从中获取某种关系或模式。

Relational plots 主要讨论三个函数：

• scatterplot(散点图)
• lineplot(线图)
• relplot(关系图)

3.1 scatterplot(散点图)

散点图是利用散点来描述两个变量的联合分布，scatterplot 适用于变量都是数字的情况。在后面的Categorical plots(分类图)中，我们将会看到使用散点图可视化分类数据的专门工具。

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)

Seaborn函数中的参数特别多，但是其实大部分都是相同的，因此，我们可以很容易类推到其他函数的使用。下面简单介绍这些参数的含义。

• x,y: 传入的特征名字或Python/Numpy数据，x表示横轴，y表示纵轴，一般为dataframe中的列。如果传入的是特征名字，那么需要传入data，如果传入的是Python/Numpy数据，那么data不需要传入。因为Seaborn一般是用来可视化Pandas数据的，如果我们想传入数据，那使用Matplotlib也可以。
• hue: 分组变量，将产生不同颜色的点。可以是分类的，也可以是数字的。被视为类别。
• data: 传入的数据集，可选。一般是dataframe
• style: 分组变量，将产生不同标记点的变量分组。被视为类别。
• size: 分组变量，将产生不同大小的点。可以是分类的，也可以是数字的。
• palette: 调色板，后面单独介绍。
• markers: 绘图的形状，后面单独介绍。
• 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。

例1：

import matplotlib.pyplot as plt
tips=sns.load_dataset("tips")
sns.scatterplot(x="total_bill",y="tip",data=tips)
plt.show()

例2：

sns.scatterplot(x="total_bill",y="tip",hue="day",style="time",size="size",data=tips)
plt.show()

3.2 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)

参数和散点图差不多

例1：

fmri = sns.load_dataset("fmri")
sns.lineplot(x="timepoint", y="signal", data=fmri)

#阴影是默认的置信区间，可设置ci将其去掉

例2：

ax = sns.lineplot(x="timepoint", y="signal", hue="event",style="event",markers=True,dashes=False,data=fmri)

#markers=True,表示使用不同的标记
#dashes=True，表示一条实线一条虚线

3.3 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)

相当于lineplot和scatterplot的归约，可以通过kind参数指定画什么图形，参数解释如下：

• kind: 默认是’scatter’，也可以选择kind=‘line’
• sizes: List、dict或tuple，可选，说白了就是图片大小，注意和size区分；
• col、row: col指定列的分组变量，row指定行的分组变量，具体看下面例子

tips=sns.load_dataset("tips")
g=sns.relplot(x="total_bill",y="tip",data=tips)
#两者效果一模一眼
ax=sns.scatterplot(x="total_bill",y="tip",data=tips)

4. Categorical plots(分类图)

Categorical plots(分类图) 具体可以分为下main三种类型，11种图形：

• Categorical scatterplots(分类散点图)
  • stripplot(分布散点图)
  • swarmplot(分布密度散点图)
• Categorical distribution plots(分类分布图)
  • boxplot(箱型图)
  • violinplot(小提琴图)
  • violinplot+stripplot(小提琴图+分布散点图)
  • violinplot+swarmplot(小提琴图+分布密度散点图)
  • boxplot+stripplot(箱线图+分布散点图)
• Categorical estimate plots(分类估计图)
  • barplot(条形图)
  • countplot(计数图)
  • piontplot(点图)
  • catplot()

4.1.1 stripplot(分布散点图)

stripplot(分布散点图) 就是其中一个变量是分类变量的scatterplot(散点图)。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。

参数：

• 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，可以是float，或者True。如果不抖动的话，那么散点就会呈现一条直线了，并不利于可视化
• 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；

4.1.2 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)，使每个点都不会重叠。这更好地表示了值的密度分布，但显然，不适用大量观测的可视化。

4.2.1 boxplot(箱型图)

boxplot(箱型图) 就是描述变量关于不同类别的分布情况。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

参数：

• 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；
•  

4.2.2 violinplot(小提琴图)

violinplot(小提琴图) 就是绘制箱线图和核密度估计的组合。通过箱线图，我们可以得到数据对于分类变量的分位数，通过核密度估计，我们可以知道哪些位置的密度大。

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)

参数：

• 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；
• 

4.3.1 barplot(条形图)

barplot(条形图) 用矩形条表示估计点和置信区间，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。

seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, 
estimator=<function mean>, 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)

参数：

• 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：设置特征值的顺序，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；
• capsize：设置误差棒帽条（上下两根横线）的宽度，float；
• 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

4.3.2 countplot(计数图)

countplot(计数图) 用条形图显示每个分类的观察次数，实际就是一个分类直方图。因为是用来计数的，count是一个轴，然后特征是一个轴，因此不能同时输入x和y。

seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, 
hue_order=None, orient=None, color=None, palette=None, saturation=0.75, 
dodge=True, ax=None, **kwargs)

4.3.4 catplot()

catplot() 说白了就是对前面几个分类估计图的归约，通过kind参数来选择具体的图形。

• kind：默认strip（分布散点图），也可以选择“point”, “bar”, “count”,

5. Distribution plots(分布图)

5.1 histplot(直方图)

histplot(直方图) 绘制单变量或双变量直方图，以显示数据集的分布。该函数可以对每个bin内计算的统计量进行归一化估计频率、密度或概率质量，它可以添加一个平滑的曲线得到使用内核密度估计。

histplot(
    data=None, *, x=None, y=None, hue=None, weights=None, 
    stat="count", bins="auto", binwidth=None, binrange=None, 
    discrete=None, cumulative=False, common_bins=True, 
    common_norm=True, multiple="layer", element="bars", 
    fill=True, shrink=1, kde=False, kde_kws=None, line_kws=None, 
    thresh=0, pthresh=None, pmax=None, cbar=False, cbar_ax=None, cbar_kws=None, palette=None, hue_order=None, hue_norm=None, 
    color=None, log_scale=None, legend=True, ax=None, **kwargs,)

参数：

• 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；
• kde：是否显示核密度估计曲线；
• common_norm：若为True，则直方图高度显示频率而非计数

5.2 pairplot(变量关系组图)

pairplot(变量关系组图) 描述数据集中的成对关系。默认情况下，该函数将创建一个轴网格，对角线图 描述该变量的直方图分布，非对角线图描述两个变量之间的联合分布。

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)

• vars：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’}。对角线的图样。默认情况取决于是否使用“hue”。

6. Regression plots(回归图)

6.1 regplot(回归图)

regplot(回归图) 在绘制图时自动进行线性回归模型拟合。

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)

• 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；
• 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；

6.2 lmplot(网格+回归图)

lmplot(网格+回归图) 相当于regplot(回归图)和网格的组合。

7. 主题和颜色

7.1 主题(style)

seaborn设置风格的方法主要有三种：

• set，通用设置接口
• set_style，风格专用设置接口，设置后全局风格随之改变
• 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

7.2 环境(context)

设置环境的方法也有3种：

• set，通用设置接口
• set_context，环境设置专用接口，设置后全局绘图环境随之改变
• 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")

7.3 颜色(color_plette())

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：

• color_palette，基于RGB原理设置颜色的接口，可接收一个调色板对象作为参数，同时可以设置颜色数量
• hls_palette，基于Hue(色相)、Luminance(亮度)、Saturation(饱和度)原理设置颜色的接口，除了颜色数量参数外，另外3个重要参数即是hls

同时，为了便于查看调色板样式，seaborn还提供了一个专门绘制颜色结果的方法palplot。