Python数据可视化之Seaborn

Seaborn简介

Seaborn是一个基于Python的数据可视化库，它建立在Matplotlib库之上，提供了更高级的接口用于绘制统计图形。Seaborn的目标是使复杂的数据可视化工作变得更加简单和直观，同时生成具有吸引力、信息丰富的图形。它特别适合于探索性和解释性数据分析任务。下面是一些Seaborn的关键特性和功能：

• 数据集的高级接口：Seaborn设计了许多高级函数，可以直接从Pandas DataFrame中读取数据并进行绘图，这使得数据准备和可视化流程更加流畅。
• 内置主题和颜色 palette：Seaborn提供了一系列预设的主题（如darkgrid, whitegrid, dark, white, ticks），以及精心设计的颜色调色板，帮助用户轻松地提升图表的视觉效果和专业度。
• 复杂统计图形：与Matplotlib相比，Seaborn更侧重于统计图形的绘制，如热力图、联合分布图、箱线图、小提琴图、 Swarm Plot（散点分布图）、Pair Plot（成对关系图）等，这些图形有助于展示数据的分布、相关性和复杂关系。
• Faceting（分面）：Seaborn允许用户轻松地通过数据的一个或多个维度创建分面图，即根据不同的变量将数据分成多个子集，并为每个子集绘制一个图形。这对于探索数据中的模式和差异非常有用。
• Categorical Plotting（分类数据绘图）：提供了多种针对分类数据的绘图方法，如条形图、点图、箱线图等，可以清晰地展示类别间的比较和分布情况。
• Regression Plotting（回归绘图）：支持绘制带有回归线的散点图，以及更复杂的回归模型可视化，如残差图，这有助于分析变量间的关系和模型拟合情况。
• 分布估计和核密度图：Seaborn能够绘制数据的核密度估计图，帮助理解数据的连续分布特征。
• 与Pandas和Matplotlib的紧密集成：Seaborn能够很好地与Pandas的DataFrame对象配合使用，同时也保留了对Matplotlib的底层访问能力，这意味着用户可以在Seaborn的基础上进一步定制图形。

Seaborn的使用

Seaborn 一共拥有 50 多个 API 类，相比于 Matplotlib 数千个的规模，可以算作是短小精悍了。其中，根据图形的适应场景，Seaborn 的绘图方法大致分类 6 类，分别是：关联图、类别图、分布图、回归图、矩阵图和组合图。而这 6 大类下面又包含不同数量的绘图函数。

Relational plots(关联图)

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。

当我们需要对数据进行关联性分析时，可能会用到 Seaborn 提供的以下几个 API。

• scatterplot多维度分析散点图
• lineplot多维度分析线形图
• relplot绘制关系图

scatterplot(散点图)

Seaborn的scatterplot函数用于绘制散点图，是数据可视化中一种非常常用的图表类型。散点图通过在二维平面上绘制数据点来展示两个变量之间的关系。Seaborn的scatterplot提供了许多强大的功能，使用户能够轻松地对数据进行分组、着色和标记。以下是对scatterplot的一些详细介绍：

seaborn.scatterplot(data=None, *, x=None, y=None, hue=None, size=None, style=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, legend='auto', 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。

data（数据）：pandas.DataFrame、numpy.ndarray、映射或序列。输入的数据结构。可以是一个长格式的向量集合，可以分配给命名变量，也可以是一个宽格式的数据集，内部将自动重塑。

• x, y（x和y）：向量或数据中的键。指定x轴和y轴位置的变量。
• hue（色调）：向量或数据中的键。分组变量，将根据不同的颜色生成点。可以是分类变量或数值变量，尽管在后者情况下颜色映射的行为会有所不同。
• size（大小）：向量或数据中的键。分组变量，将根据不同的大小生成点。可以是分类变量或数值变量，尽管在后者情况下大小映射的行为会有所不同。
• style（样式）：向量或数据中的键。分组变量，将根据不同的标记生成点。可以具有数值dtype，但始终被视为分类变量。
• palette（调色板）：字符串、列表、字典或colors.Colormap。选择在映射色调语义时使用的颜色的方法。字符串值传递给color_palette()。列表或字典值意味着分类映射，而颜色图对象意味着数值映射。
• hue_order（色调顺序）：字符串向量。指定色调语义的分类级别的处理和绘图顺序。
• hue_norm（色调归一化）：元组或colors.Normalize。可以是一对设置数据单位内归一化范围的值，或一个将数据单位映射到[0, 1]区间的对象。使用这个参数意味着数值映射。
• sizes（尺寸）：列表、字典或元组。当使用size时，决定如何选择尺寸的对象。列表或字典参数应为每个唯一的数据值提供一个尺寸，强制进行分类解释。参数也可以是(min, max)元组。
• size_order（尺寸顺序）：列表。指定尺寸变量级别出现的顺序，否则由数据决定。当尺寸变量为数值时不相关。
• size_norm（尺寸归一化）：元组或Normalize对象。以数据单位进行归一化，用于在尺寸变量为数值时缩放绘图对象。
• markers（标记）：布尔值、列表或字典。决定如何为不同级别的样式变量绘制标记的对象。设置为True将使用默认标记，或者可以传递标记列表或将样式变量级别映射到标记的字典。设置为False将绘制无标记线。标记的指定方式与matplotlib相同。
• style_order（样式顺序）：列表。指定样式变量级别出现的顺序，否则由数据决定。当样式变量为数值时不相关。
• legend（图例）：“auto”、“brief”、“full”或False。决定如何绘制图例。如果为“brief”，则会用均匀间隔的值样本来表示数值色调和大小变量。如果为“full”，则每个组都会在图例中获得一个条目。如果为“auto”，则根据级别数量在“brief”和“full”表示之间进行选择。如果为False，则不会添加图例数据，也不会绘制图例。
• ax（坐标轴）：axes.Axes。用于绘图的预先存在的轴。否则，内部调用matplotlib.pyplot.gca()。
• kwargs（关键字参数）：键值映射。其他关键字参数传递给axes.Axes.scatter()。

使用演示，由于seaborn的load_dataset需要请求境外地址，无法下载数据集，这里的数据从mwaskom/seaborn-data: Data repository for seaborn examples (github.com) 手动获取。

首先是加载数据集：

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

# tips = sns.load_dataset('tips')
tips = pd.read_csv("seaborn-data/tips.csv")
tips.head()

示例：

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

lineplot(线图)

Seaborn的lineplot函数用于绘制线图，是用于观察时间序列数据、展示变量间相对关系和趋势的非常有用的工具。线图通过在平面上连接数据点来显示数据的变化趋势。Seaborn的lineplot功能强大，提供了许多选项来处理数据的不同方面。以下是对lineplot的一些详细介绍：

seaborn.lineplot(data=None, *, x=None, y=None, hue=None, size=None, style=None, units=None, weights=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, estimator='mean', errorbar=('ci', 95), n_boot=1000, seed=None, orient='x', sort=True, err_style='band', err_kws=None, legend='auto', ci='deprecated', ax=None, **kwargs)

由于lineplot参数差不多，以下为独有参数：

• units：向量或数据中的键。识别采样单元的分组变量。使用时，将为每个单元绘制一条单独的线条，但不会添加图例条目。适用于不需要精确身份时显示实验重复的分布。
• weights：向量或数据中的键。用于计算加权估计的数据值或列。注意，使用权重会限制统计量的选择，仅为“均值”估计器和“ci”误差条。
• dashes：布尔值、列表或字典。确定如何为style变量的不同级别绘制线条的对象。设置为True将使用默认虚线代码，或者可以传递虚线代码的列表或将style变量级别映射到虚线代码的字典。设置为False将为所有子集使用实线。虚线的指定方法与matplotlib中相同：一个（段、间隙）长度的元组，或一个空字符串绘制实线。
• estimator：pandas方法名、可调用对象或None。在同一x水平上跨多个y变量观测值进行聚合的方法。如果为None，将绘制所有观测值。
• errorbar：字符串、（字符串，数字）元组或可调用对象。误差条方法的名称（可以是“ci”、“pi”、“se”或“sd”），或包含方法名称和级别参数的元组，或从向量映射到（最小值，最大值）区间的函数，或None以隐藏误差条。有关详细信息，请参阅误差条教程。
• n_boot：整数。用于计算置信区间的自助法次数。
• seed：整数、random.Generator或numpy.random.RandomState。可重复的自助法的种子或随机数生成器。
• orient：“x”或“y”。数据排序/聚合的维度。等效于结果函数的“自变量”。
• sort：布尔值。如果为True，数据将按x和y变量排序，否则线条将按数据集中出现的顺序连接点。
• err_style：“band”或“bars”。是否使用半透明误差带或离散误差条绘制置信区间。
• err_kws：关键字参数的字典。用于控制误差条美学的其他参数。根据err_style，这些参数传递给axes.Axes.fill_between()或matplotlib.axes.Axes.errorbar()。

使用示例：

fmri = pd.read_csv("seaborn-data/fmri.csv")
fmri.head()

示例：

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

、

relplot(关系图)

Seaborn的relplot是一个用于绘制关系图的高级接口，它可以生成散点图（scatter plot）或线图（line plot）。relplot的核心优势在于它建立在FacetGrid之上，允许轻松创建多图布局以探索数据集中不同变量之间的关系。它是一个通用的关系图函数，能够根据需求显示不同类型的关系。

seaborn.relplot(data=None, *, x=None, y=None, hue=None, size=None, style=None, units=None, weights=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='auto', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)

参数说明：

• row, col：数据中的向量或键。 定义要在不同面上绘制的子集的变量。
• col_wrap：整数。 根据该宽度“折叠”列变量，以便列面跨越多行。与行面不兼容。
• row_order, col_order：字符串列表。 按照指定顺序组织网格的行和/或列，否则顺序从数据对象中推断。
• style_order：列表。 指定style变量级别的外观顺序，否则从数据中确定。当style变量是数值时不相关。
• kind：字符串。 绘制的图类型，对应于seaborn关系图。选项有“scatter”或“line”。
• height：标量。 每个面板的高度（以英寸为单位）。另请参见：aspect。
• aspect：标量。 每个面板的纵横比，以便aspect * height给出每个面板的宽度（以英寸为单位）。
• facet_kws：字典。 传递给FacetGrid的其他关键字参数的字典。

使用示例：

iris = pd.read_csv("seaborn-data/iris.csv")
iris.head()

示例：

sns.relplot(data=iris, x="sepal_length", y="sepal_width", hue="species", style="species")

更换展示类型：

sns.relplot(data=iris, x="sepal_length", y="petal_length",hue="species", style="species", kind="line")

拆分多图展示：

sns.relplot(data=iris, x="sepal_length", y="petal_length",hue="species", style="species", kind="line",col="species")

Categorical plots(类别图)

与关联图相似，类别图的 Figure-level 接口是 catplot，其为 categorical plots 的缩写。而 catplot 实际上是如下 Axes-level 绘图 API 的集合：

• 分类散点图:
  • stripplot()(kind=”strip”)
  • swarmplot()(kind=”swarm”)
• 分类分布图:
  • boxplot()(kind=”box”)
  • violinplot()(kind=”violin”)
  • boxenplot()(kind=”boxen”)
• 分类估计图:
  • pointplot()(kind=”point”)
  • barplot()(kind=”bar”)
  • countplot()(kind=”count”)

stripplot(分布散点图)

Seaborn的stripplot是用于绘制分类数据的单变量散点图的函数。它通过在一个分类轴上沿另一数值轴绘制数据点，展示每个类别的分布情况。stripplot是一个简单而直观的工具，适合用于显示小型数据集的分布或查看数据的离群点。

seaborn.stripplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, jitter=True, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor=<default>, linewidth=0, hue_norm=None, log_scale=None, native_scale=False, formatter=None, legend='auto', ax=None, **kwargs)

特殊参数说明：

• jitter：浮点数，True/1是特例 要应用的抖动量（仅沿分类轴）。当有许多点并且它们重叠时，这可能很有用，以便更容易看到分布。您可以指定抖动量（均匀随机变量支持的一半宽度），或使用True以获得一个不错的默认值。
• dodge：布尔值 当分配了hue变量时，将其设置为True会在分类轴上为不同的hue级别分离条带，并缩小每个条带分配的空间。否则，每个级别的点将绘制在同一条带中。
• orient：“v” | “h” | “x” | “y” 图的方向（垂直或水平）。这通常根据输入变量的类型推断，但当x和y都是数值或绘制宽格式数据时，它可以用于解决歧义。
• edgecolor：matplotlib颜色，“gray”是特例 每个点周围线的颜色。如果传递”gray”，亮度由用于点主体的调色板决定。注意，stripplot默认linewidth=0，因此只有在线宽非零时边缘颜色才可见。
• log_scale：布尔值或数值，或成对的布尔值或数值 设置轴比例为对数。单个值为图中任何数值轴设置数据轴。成对的值独立设置每个轴。数值被解释为所需的底数（默认10）。当为None或False时，seaborn遵循现有Axes比例。
• native_scale：布尔值 当为True时，分类轴上的数值或日期时间值将保持其原始比例，而不是转换为固定索引。
• formatter：可调用对象 用于将分类数据转换为字符串的函数。影响分组和刻度标签。

使用示例：

sns.stripplot(data=tips, x="day", y="total_bill", hue="smoker",jitter=True, palette="Set2", dodge=False)

swarmplot(分布密度散点图)

Seaborn的swarmplot是用于绘制分类数据的单变量散点图的函数，与stripplot类似，但通过调整数据点的位置来避免重叠。swarmplot是一种增强型的散点图，通过在分类轴上对数据点进行“蜂群”排列，使得每个数据点都可见，即使在数据点密集的情况下也不例外。这使得swarmplot特别适合用于可视化小型数据集的分布和查看离群点。

seaborn.swarmplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor=None, linewidth=0, hue_norm=None, log_scale=None, native_scale=False, formatter=None, legend='auto', warn_thresh=0.05, ax=None, **kwargs)

使用示例：

sns.swarmplot(data=tips, x="day", y="total_bill", hue="smoker", palette="Set2", dodge=True)

boxplot(箱型图)

Seaborn的boxplot是用于显示数据分布的统计图表，通常用于可视化数据集的中位数、四分位数、以及潜在的异常值。箱线图是一种有效的工具，可以快速总结数据的主要特征，并帮助识别数据中的异常值和分布形态。

seaborn.boxplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, fill=True, dodge='auto', width=0.8, gap=0, whis=1.5, linecolor='auto', linewidth=None, fliersize=None, hue_norm=None, native_scale=False, log_scale=None, formatter=None, legend='auto', ax=None, **kwargs)

参数说明：

• saturation：浮点数。用于绘制填充颜色的原始饱和度比例。较大的色块通常在去饱和颜色下看起来更好，但如果希望颜色与输入值完全匹配，请将此设置为1。
• fill：布尔值。如果为True，使用实心色块。否则，绘制为线条艺术。
• width：浮点数。在orient轴上分配给每个元素的宽度。当native_scale=True时，相对于本地尺度中两个值之间的最小距离。
• gap：浮点数。按此因子在orient轴上缩小以在错位元素之间添加间隙。
• whis：浮点数或浮点数对。控制须长度的参数。如果为标量，须将绘制到距最近铰链的whis * IQR的最远数据点。如果为元组，则解释为须表示的百分位数。
• linecolor：颜色。用于线条元素的颜色，当fill为True时。
• fliersize：浮点数。用于指示异常观察的标记大小。

使用示例：

sns.boxplot(data=tips, x="day", y="total_bill", hue="time",linewidth=0.5,saturation=1,width=1,fliersize=3)

boxplot+swarmplot(箱线图+分布密度散点图)：

sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
sns.swarmplot(x="tip", y="day", data=tips, color="c")

violinplot(小提琴图)

Seaborn 的 violinplot 是一种用于可视化数据分布的统计图表，它结合了箱线图和核密度估计的特点。这种图表通过显示数据的分布密度来提供比箱线图更多的信息，特别是在数据集较大时更为明显。下面详细介绍 violinplot 的使用方法和主要特性。

seaborn.violinplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, fill=True, inner='box', split=False, width=0.8, dodge='auto', gap=0, linewidth=None, linecolor='auto', cut=2, gridsize=100, bw_method='scott', bw_adjust=1, density_norm='area', common_norm=False, hue_norm=None, formatter=None, log_scale=None, native_scale=False, legend='auto', scale=<deprecated>, scale_hue=<deprecated>, bw=<deprecated>, inner_kws=None, ax=None, **kwargs)

参数说明：

• inner：{“box”, “quart”, “point”, “stick”, None}。小提琴内部的数据表示。以下之一：
  • “box”：绘制一个小型箱线图
  • “quart”：显示数据的四分位数
  • “point” 或 “stick”：显示每个观察值
• split：布尔值。显示未镜像的分布，在使用 hue 时交替显示。
• cut：浮点数。以带宽为单位的距离，将密度延伸到极端数据点之外。设置为 0 以将小提琴限制在数据范围内。
• gridsize：整数。用于评估 KDE 的离散网格中的点数。
• bw_method：{“scott”, “silverman”, float}。参考规则的名称或计算核带宽时使用的比例因子。实际的核大小将通过将比例因子乘以每组数据的标准差来确定。
• bw_adjust：浮点数。缩放带宽的因子，以使用更多或更少的平滑。
• density_norm：{“area”, “count”, “width”}。用于规范化每个密度以确定小提琴宽度的方法。如果是 area，每个小提琴将具有相同的面积。如果是 count，宽度将与观察次数成比例。如果是 width，每个小提琴将具有相同的宽度。
• common_norm：布尔值。当为 True 时，规范化所有小提琴的密度。
• inner_kws：键值映射的字典。用于 “inner” 图的关键字参数，传递给以下之一：
  • collections.LineCollection（与 inner=”stick” 一起使用）
  • axes.Axes.scatter()（与 inner=”point” 一起使用）
  • axes.Axes.plot()（与 inner=”quart” 或 inner=”box” 一起使用）
  • 此外，对于 inner=”box”，关键字 box_width、whis_width 和 marker 对 “box” 图的组件进行特殊处理。

一般呈现：

sns.violinplot(data=tips, x="day", y="total_bill")

设置按性别分类，调色为“Set2”，分割，以计数的方式，不表示内部：

sns.violinplot(data=tips, x="day", y="total_bill", hue="sex", palette="Set2", split=True, density_norm='count', inner=None)

violinplot+stripplot(小提琴图+分布散点图)：

sns.violinplot(data=tips, x="tip", y="day", inner=None, hue="day")
sns.stripplot(data=tips, x="tip", y="day", jitter=True, color="c")

violinplot+swarmplot(小提琴图+分布密度散点图)：

sns.violinplot(data=tips, x="tip", y="day", inner=None, hue="day")
sns.swarmplot(data=tips, x="tip", y="day", color="c")

boxenplot

Seaborn 的 boxenplot 是一种用于可视化数据分布的图表，特别适用于大数据集。它是一种增强版的箱线图（boxplot），通过显示更多的分位数来提供更详细的数据分布信息。boxenplot 通过绘制多个箱体来展示数据的不同分位数，因此在分析大数据集时，能够更清晰地观察数据的分布情况。

seaborn.boxenplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, fill=True, dodge='auto', width=0.8, gap=0, linewidth=None, linecolor=None, width_method='exponential', k_depth='tukey', outlier_prop=0.007, trust_alpha=0.05, showfliers=True, hue_norm=None, log_scale=None, native_scale=False, formatter=None, legend='auto', scale=<deprecated>, box_kws=None, flier_kws=None, line_kws=None, ax=None, **kwargs)

参数说明：

• width_method：{“exponential”, “linear”, “area”}。用于字母值箱宽度的方法：
  • “exponential”：表示相应的百分位数
  • “linear”：每个箱体减少一个常量量
  • “area”：表示该箱体中数据点的密度
• k_depth：{“tukey”, “proportion”, “trustworthy”, “full”} 或整数。计算和绘制每个尾部的级别数量：
  • “tukey”：使用 log2(n) – 3 级别，覆盖与箱线图须相似的范围
  • “proportion”：留下大约outlier_prop 的异常值
  • “trusthworthy”：扩展到至少trust_alpha 置信度的级别
  • “full”：使用 log2(n) + 1 级别并扩展到最极端的点
• outlier_prop：浮点数。预期为异常值的数据比例；在k_depth=”proportion” 时使用。
• trust_alpha：浮点数。最极端级别的置信度阈值；在k_depth=”trustworthy” 时使用。
• showfliers：布尔值。如果为 False，抑制异常值的绘制。
• line_kws：字典。用于表示中位数的线的关键字参数；传递给axes.Axes.plot()。
• flier_kws：字典。用于表示异常值观察的散点的关键字参数；传递给axes.Axes.scatter()。

使用示例：

sns.boxenplot(data=tips, x="day", y="total_bill")

barplot(条形图)

Seaborn 的 barplot 是一种用于展示分类数据和数值数据之间关系的统计图表。它主要用于展示不同类别的数值的平均值，并可以显示数值分布的置信区间。这种图表在比较不同类别的平均值时非常有用。

seaborn.barplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, estimator='mean', errorbar=('ci', 95), n_boot=1000, seed=None, units=None, weights=None, orient=None, color=None, palette=None, saturation=0.75, fill=True, hue_norm=None, width=0.8, dodge='auto', gap=0, log_scale=None, native_scale=False, formatter=None, legend='auto', capsize=0, err_kws=None, ci=<deprecated>, errcolor=<deprecated>, errwidth=<deprecated>, ax=None, **kwargs)

参数说明：

• capsize：浮点数。相对于条形间距的误差条“帽子”的宽度。

使用示例：

sns.barplot(data=tips, x="day", y="total_bill",hue='sex', estimator=np.median,capsize=0.2, err_kws={'color': 'c'})

countplot(计数图)

Seaborn 的 countplot 是一种用于显示分类数据中每个类别出现频率的图表。它通过条形图的形式展示数据集中不同类别的计数，因此非常适合用于可视化类别型变量的分布情况。

seaborn.countplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, fill=True, hue_norm=None, stat='count', width=0.8, dodge='auto', gap=0, log_scale=None, native_scale=False, formatter=None, legend='auto', ax=None, **kwargs)

参数说明：

• stat：{‘count’, ‘percent’, ‘proportion’, ‘probability’}。要计算的统计量；当不为 ‘count’ 时，条形的高度将被标准化，使它们在整个图中相加为 100（对于 ‘percent’）或 1（对于其他情况）。

使用示例：

# 加载数据
titanic = pd.read_csv("seaborn-data/titanic.csv")
titanic.head()

sns.countplot(x="class",hue="who", data=titanic)

pointplot(点图)

Seaborn 的 pointplot 是一种用于显示类别数据中点估计及其置信区间的图表。它通常用于比较不同类别之间的平均值或其他汇总统计量，并可以显示这些估计值的不确定性。

seaborn.pointplot(data=None, *, x=None, y=None, hue=None, order=None, hue_order=None, estimator='mean', errorbar=('ci', 95), n_boot=1000, seed=None, units=None, weights=None, color=None, palette=None, hue_norm=None, markers=<default>, linestyles=<default>, dodge=False, log_scale=None, native_scale=False, orient=None, capsize=0, formatter=None, legend='auto', err_kws=None, ci=<deprecated>, errwidth=<deprecated>, join=<deprecated>, scale=<deprecated>, ax=None, **kwargs)

参数说明：

• linestyles：字符串或字符串列表。用于每个 hue 级别的线条样式。

使用示例：

sns.pointplot(data=tips, x="time", y="total_bill", hue="smoker", estimator=np.median, dodge=True, palette="Set2",markers=["o", "x"],linestyles=["-", "--"])

catplot

seaborn.catplot 是 Seaborn 库中一个非常灵活且强大的函数，用于绘制类别数据的多种类型的图表。它的设计目的是简化类别数据的可视化，并提供一致的 API 来创建不同类型的图表。通过使用 catplot，你可以轻松地创建条形图、点图、箱线图、提琴图等多种类别图表。

seaborn.catplot(data=None, *, x=None, y=None, hue=None, row=None, col=None, kind='strip', estimator='mean', errorbar=('ci', 95), n_boot=1000, seed=None, units=None, weights=None, order=None, hue_order=None, row_order=None, col_order=None, col_wrap=None, height=5, aspect=1, log_scale=None, native_scale=False, formatter=None, orient=None, color=None, palette=None, hue_norm=None, legend='auto', legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, ci=<deprecated>, **kwargs)

参数说明：

• kind：字符串。要绘制的图的类型，对应于分类轴级绘图函数的名称。选项包括：“strip”（条形图）、“swarm”（蜂群图）、“box”（箱线图）、“violin”（小提琴图）、“boxen”（增强箱线图）、“point”（点图）、“bar”（柱状图）或 “count”（计数图）。
• legend_out：布尔值。如果为 True，则图形的大小将会扩展，并且图例会被绘制在图形的右中心位置之外。
• share{x,y}：布尔值, ‘col’, 或 ‘row’（可选）。如果为 True，则面板会在列间共享 y 轴（如果 sharey 为 True），和/或在行间共享 x 轴（如果 sharex 为 True）。
• margin_titles：布尔值。如果为 True，则行变量的标题会绘制在最后一列的右侧。此选项处于实验阶段，可能在所有情况下都无法正常工作。

使用示例：

sns.catplot(data=tips, x="day", y="total_bill", hue="time", kind="swarm")

Distribution plots(分布图)

分布图主要是用于可视化变量的分布情况，一般分为单变量分布和多变量分布。当然这里的多变量多指二元变量，更多的变量无法绘制出直观的可视化图形。Seaborn 提供的分布图绘制方法一般有这几个：jointplot，pairplot，distplot，kdeplot。Seaborn 快速查看单变量分布的方法是 distplot。默认情况下，该方法将会绘制直方图并拟合核密度估计图。

histplot(直方图)

seaborn.histplot 是 Seaborn 库中的一个函数，用于绘制直方图和密度图。它能够有效地显示单变量或双变量数据的分布情况，是探索性数据分析中常用的工具。

seaborn.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)

参数说明：

• bins：字符串、数字、向量或成对的这些值。通用区间参数，可以是参考规则的名称、区间数量或区间的断点。传递给histogram_bin_edges()。
• binwidth：数字或数字对。每个区间的宽度，覆盖 bins，但可以与 binrange 一起使用。
• binrange：数字对或成对的数字对。区间边界的最低和最高值；可以与 bins 或 binwidth 一起使用。默认为数据的极值。
• discrete：布尔值。如果为 True，默认 binwidth=1，并将条形绘制为居中于其对应的数据点。这避免了使用离散（整数）数据时可能出现的“间隙”。
• cumulative：布尔值。如果为 True，绘制累积计数，随着区间增加。
• common_bins：布尔值。如果为 True，当语义变量生成多个图时使用相同的区间。如果使用参考规则确定区间，将使用完整数据集计算。
• common_norm：布尔值。如果为 True 且使用归一化统计量，则归一化将应用于整个数据集。否则，分别归一化每个直方图。
• multiple：{“layer”, “dodge”, “stack”, “fill”}。当语义映射创建子集时解决多个元素的方法。仅与单变量数据相关。
• element：{“bars”, “step”, “poly”}。直方图统计量的视觉表示。仅与单变量数据相关。
• shrink：数字。按此因子相对于区间宽度缩放每个条形的宽度。仅与单变量数据相关。
• kde：布尔值。如果为 True，计算核密度估计以平滑分布并在图中显示为一条或多条线。仅与单变量数据相关。
• kde_kws：字典。控制 KDE 计算的参数，如在 kdeplot() 中。
• line_kws：字典。控制 KDE 可视化的参数，传递给axes.Axes.plot()。
• thresh：数字或 None。统计量小于或等于此值的单元格将是透明的。仅与双变量数据相关。
• pthresh：数字或 None。类似于 thresh，但在 [0, 1] 范围内的值，使得总和达到此比例的单元格将是透明的。
• pmax：数字或 None。在 [0, 1] 范围内的值，设置颜色映射的饱和点，使得低于此比例的单元格构成总计数（或使用时的其他统计量）。
• cbar：布尔值。如果为 True，添加颜色条以注释双变量图中的颜色映射。注意：当前不支持带有 hue 变量的图形。
• cbar_ax：axes.Axes。颜色条的预先存在的轴。
• cbar_kws：字典。传递给figure.Figure.colorbar() 的附加参数。

使用示例：

penguins = pd.read_csv("seaborn-data/penguins.csv")
penguins.head()

sns.histplot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack")

kdeplot(核密度图)

seaborn.kdeplot 是 Seaborn 库中的一个函数，用于绘制核密度估计（KDE）图。KDE 是一种用于估计数据分布的非参数方法，它通过在每个数据点上放置一个核（通常是高斯核）来平滑数据分布，从而生成连续的概率密度函数。kdeplot 可以用于单变量和双变量数据的可视化。

seaborn.kdeplot(data=None, *, x=None, y=None, hue=None, weights=None, palette=None, hue_order=None, hue_norm=None, color=None, fill=None, multiple='layer', common_norm=True, common_grid=False, cumulative=False, bw_method='scott', bw_adjust=1, warn_singular=True, log_scale=None, levels=10, thresh=0.05, gridsize=200, cut=3, clip=None, legend=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)

参数说明：

• multiple：{“layer”, “stack”, “fill”}。当语义映射创建子集时，用于绘制多个元素的方法。仅与单变量数据相关。
• common_grid：布尔值。如果为 True，为每个核密度估计使用相同的评估网格。仅与单变量数据相关。
• cumulative：布尔值，可选。如果为 True，估计累积分布函数。需要 scipy。
• warn_singular：布尔值。如果为 True，当尝试估计方差为零的数据的密度时发出警告。
• levels：整数或向量。等高线的数量或绘制等高线的值。向量参数必须在 [0, 1] 范围内递增。等级对应于密度的等比例：例如，20% 的概率质量将位于为2 绘制的等高线以下。仅与双变量数据相关。
• clip：数字对或 None，或成对的这些对。不要在这些限制之外评估密度。
• cbar：布尔值。如果为 True，添加颜色条以注释双变量图中的颜色映射。注意：当前不支持带有 hue 变量的图形。
• cbar_ax：axes.Axes。颜色条的预先存在的轴。
• cbar_kws：字典。传递给figure.Figure.colorbar() 的附加参数。

使用示例：

sns.kdeplot(data=tips, x="total_bill", hue="size", fill=True, common_norm=False, palette="crest", alpha=.5, linewidth=0)

ecdfplot(累积分布图)

seaborn.ecdfplot 是 Seaborn 库中的一个函数，用于绘制经验累积分布函数（Empirical Cumulative Distribution Function, ECDF）。ECDF 是一种用来描述数据分布的图形方法，通过展示数据中每个值的累积概率，可以直观地看到数据的分布情况。

seaborn.ecdfplot(data=None, *, x=None, y=None, hue=None, weights=None, stat='proportion', complementary=False, palette=None, hue_order=None, hue_norm=None, log_scale=None, legend=True, ax=None, **kwargs)

参数说明：

• complementary：布尔值。如果为 True，则使用补充累积分布函数（1 – CDF）。

使用示例：

sns.ecdfplot(data=penguins, x="bill_length_mm", hue="species", stat="count")

jointplot(联合分布图)

seaborn.jointplot 是 Seaborn 库中的一个强大函数，用于同时可视化两个变量之间的关系及其各自的单变量分布。它在一个图中结合了散点图或其他双变量图和两个边际单变量图（通常是直方图或密度图），提供了全面的数据分布和关系的视角。

seaborn.jointplot(data=None, *, x=None, y=None, hue=None, kind='scatter', height=6, ratio=5, space=0.2, dropna=False, xlim=None, ylim=None, color=None, palette=None, hue_order=None, hue_norm=None, marginal_ticks=False, joint_kws=None, marginal_kws=None, **kwargs)

参数说明：

• kind：{ “scatter” | “kde” | “hist” | “hex” | “reg” | “resid” }。绘制的图类型。请参阅示例以了解底层函数的引用。
• space：数字。主图和边际图之间的空间。
• dropna：布尔值。如果为 True，删除 x 和 y 中缺失的观测值。
• {x, y}lim：数字对。在绘图之前设置的轴限制。
• marginal_ticks：布尔值。如果为 False，抑制边际图中计数/密度轴上的刻度。
• {joint, marginal}_kws：字典。图形组件的附加关键字参数。

使用示例：

sns.jointplot(data=penguins, x="bill_length_mm", y="bill_depth_mm")

sns.jointplot(data=penguins, x="bill_length_mm", y="bill_depth_mm", hue="species")

sns.jointplot(data=penguins, x="bill_length_mm", y="bill_depth_mm", kind="hex")

pairplot(变量关系组图)

seaborn.pairplot 是 Seaborn 库中的一个非常有用的函数，用于在一个图中可视化多变量数据集的变量对之间的关系。它通过创建一个矩阵图，其中每个变量对都有一个子图，来帮助分析变量之间的关系和单变量分布。

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, corner=False, dropna=False, plot_kws=None, diag_kws=None, grid_kws=None, size=None)

参数说明：

• vars：变量名列表。要使用的数据中的变量，否则使用所有数值类型的列。
• {x, y}_vars：变量名列表。数据中分别用于图形行和列的变量；即用于创建非正方形图。
• kind：{‘scatter’, ‘kde’, ‘hist’, ‘reg’}。要创建的图类型。
• diag_kind：{‘auto’, ‘hist’, ‘kde’, None}。对角线子图的图类型。如果为 ‘auto’，则根据是否使用 hue 进行选择。
• aspect：标量。宽度（以英寸为单位）为 aspect * height 的每个子图。
• corner：布尔值。如果为 True，则不在网格的上三角（非对角线）添加轴，使其成为“角落”图。
• {plot, diag, grid}_kws：字典。关键字参数的字典。plot_kws 传递给双变量绘图函数，diag_kws 传递给单变量绘图函数，grid_kws 传递给 PairGrid 构造函数。

使用示例：

sns.pairplot(penguins, hue="species")

Regression plots(回归图)

回归图的绘制函数主要有：lmplot 和 regplot。

regplot(回归图)

seaborn.regplot 是 Seaborn 库中的一个函数，用于绘制散点图以及一个线性回归拟合线，以帮助分析两个连续变量之间的关系。它不仅可以展示原始数据点，还可以显示这些数据点之间的趋势，从而有助于理解变量之间的线性关系。

seaborn.regplot(data=None, *, x=None, y=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)

参数说明：

• x_estimator：可调用对象，将向量映射为标量，可选。对 x 的每个唯一值应用此函数并绘制结果估计值。当 x 是离散变量时，这很有用。如果提供了 x_ci，则此估计值将进行自助法抽样，并绘制置信区间。
• x_bins：整数或向量，可选。将 x 变量分箱为离散箱，然后估计中心趋势和置信区间。此分箱仅影响散点图的绘制方式；回归仍然适用于原始数据。此参数可解释为等大小（不必等间距）箱的数量或箱中心的位置。当使用此参数时，默认的 x_estimator 为mean。
• x_ci：”ci”、”sd”、[0, 100] 之间的整数或 None，可选。用于绘制 x 离散值中心趋势的置信区间大小。如果为 “ci”，则依赖于 ci 参数的值。如果为 “sd”，则跳过自助法抽样，并显示每个箱中的观测标准差。
• scatter：布尔值，可选。如果为 True，则绘制带有基础观测值（或 x_estimator 值）的散点图。
• fit_reg：布尔值，可选。如果为 True，则估计并绘制 x 和 y 变量之间的回归模型。
• ci：在 [0, 100] 之间的整数或 None，可选。回归估计的置信区间大小。这将使用回归线周围的半透明带绘制。置信区间使用自助法估计；对于大型数据集，建议通过将此参数设置为 None 来避免该计算。
• logistic：布尔值，可选。如果为 True，假设 y 是二元变量，并使用 statsmodels 来估计逻辑回归模型。注意，这比线性回归计算量大得多，因此您可能希望减少自助法重采样次数 (n_boot) 或将 ci 设置为 None。
• lowess：布尔值，可选。如果为 True，使用 statsmodels 来估计非参数 lowess 模型（局部加权线性回归）。注意，目前无法为这种模型绘制置信区间。
• robust：布尔值，可选。如果为 True，使用 statsmodels 来估计稳健回归。这将减轻异常值的影响。注意，这比标准线性回归计算量大得多，因此您可能希望减少自助法重采样次数 (n_boot) 或将 ci 设置为 None。
• logx：布尔值，可选。如果为 True，估计形式为 y ~ log(x) 的线性回归，但在输入空间中绘制散点图和回归模型。注意，x 必须为正数才能工作。
• {x,y}_partial：数据中的字符串或矩阵。在绘图前从 x 或 y 变量中回归出的混杂变量。
• truncate：布尔值，可选。如果为 True，回归线受数据限制。如果为 False，则延伸到 x 轴的限制。
• {x,y}_jitter：浮点数，可选。向 x 或 y 变量添加此大小的均匀随机噪声。噪声在拟合回归后添加到数据的副本中，仅影响散点图的外观。当绘制离散值的变量时，这可能很有帮助。
• {scatter,line}_kws：字典。传递给scatter 和 plt.plot 的其他关键字参数。

使用示例：

sns.regplot(x="total_bill", y="tip",data=tips)

lmplot(网格+回归图)

seaborn.lmplot 是 Seaborn 库中的一个函数，用于绘制线性模型图。它结合了散点图和回归线，帮助用户分析两个连续变量之间的关系。与 regplot 不同，lmplot 是一个基于 FacetGrid 的高级接口，支持根据一个或多个分类变量分割数据，从而在多个子图中展示不同组的回归关系。

seaborn.lmplot(data, *, x=None, y=None, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=None, sharey=None, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, facet_kws=None)

参数说明：

• x_ci: “ci”, “sd”, [0, 100] 之间的整数或 None，可选。用于绘制 x 的离散值的中心趋势的置信区间的大小。如果为 “ci”，则延迟到 ci 参数的值。如果为 “sd”，则跳过自举并显示每个箱中观测值的标准差。
• truncate: 布尔值，可选。如果为 True，回归线由数据限制。如果为 False，则扩展到 x 轴限制。
• {scatter,line}_kws: 字典。传递给scatter 和 plt.plot 的其他关键字参数。

使用示例：

sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)

sns.lmplot(x="total_bill", y="tip", col="day", hue="day", data=tips, col_wrap=2, height=4)

residplot(残差图)

seaborn.residplot 是 Seaborn 库中的一个函数，用于绘制残差图（Residual Plot）。残差图是分析回归模型的重要工具，通过绘制预测值与实际值之间的差异（即残差），可以帮助识别模型拟合中的潜在问题。

seaborn.residplot(data=None, *, x=None, y=None, x_partial=None, y_partial=None, lowess=False, order=1, robust=False, dropna=True, label=None, color=None, scatter_kws=None, line_kws=None, ax=None)

参数说明：

• x_partial, y_partial：数组或字符串，可选。指定在计算残差之前要从 x 或 y 中部分回归出去的变量。

使用示例：

sns.residplot(x="total_bill", y="tip", data=tips, lowess=True, color="g")

Matrix plots(矩阵图)

heatmap(热力图)

seaborn.heatmap 是 Seaborn 库中的一个函数，用于绘制矩阵形式的数据的热图。热图是一种数据可视化技术，它通过颜色编码来表示数据的值，特别适合展示二维数据的分布和模式。

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)

参数说明：

• vmin, vmax: 浮点数，可选。用于锚定颜色映射的值，否则将从数据和其他关键字参数推断。
• cmap: Matplotlib 颜色映射名称或对象，或颜色列表，可选。数据值到颜色空间的映射。如果未提供，默认值将取决于是否设置了 center 参数。
• center: 浮点数，可选。在绘制发散数据时用于居中颜色映射的值。使用此参数会更改默认的 cmap（如果未指定）。
• robust: 布尔值，可选。如果为 True 且 vmin 或 vmax 缺失，则使用稳健分位数而不是极值来计算颜色映射范围。
• annot: 布尔值或矩形数据集，可选。如果为 True，则在每个单元格中写入数据值。如果提供了与数据形状相同的类似数组，则使用此数组来注释热图而不是数据。注意，DataFrames 将按位置匹配，而不是索引。
• fmt: 字符串，可选。添加注释时使用的字符串格式代码。
• annot_kws: 关键字-值映射的字典，可选。当 annot 为 True 时，传递给axes.Axes.text() 的关键字参数。
• linewidths: 浮点数，可选。分隔每个单元格的线的宽度。
• square: 布尔值，可选。如果为 True，则将轴的纵横比设置为“相等”，以便每个单元格将是正方形。
• xticklabels, yticklabels: “auto”、布尔值、类列表或整数，可选。如果为 True，则绘制数据框的列名。如果为 False，则不绘制列名。如果为类列表，则绘制这些替代标签作为 x 轴标签。如果为整数，则使用列名但只绘制每隔 n 个标签。如果为 “auto”，则尝试密集绘制不重叠的标签。
• mask: 布尔数组或 DataFrame，可选。如果传递，则在 mask 为 True 的单元格中不显示数据。具有缺失值的单元格会自动被掩盖。

使用示例：

glue = pd.read_csv("seaborn-data/glue.csv")
glue.head()

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
sns.heatmap(glue)

sns.heatmap(glue, annot=True, fmt=".1f")

clustermap(聚类图)

seaborn.clustermap 是 Seaborn 库中的一个函数，用于创建热图的层次聚类图。它不仅展示了数据的热图视图，还通过应用层次聚类算法来揭示数据中的结构和模式。这对于识别数据中的相关性和群组非常有用。

seaborn.clustermap(data, *, pivot_kws=None, method='average', metric='euclidean', z_score=None, standard_scale=None, figsize=(10, 10), cbar_kws=None, row_cluster=True, col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, mask=None, dendrogram_ratio=0.2, colors_ratio=0.03, cbar_pos=(0.02, 0.8, 0.05, 0.18), tree_kws=None, **kwargs)

参数说明：

• pivot_kws: 字典，可选。如果数据是一个整洁的数据框，可以提供关键字参数用于 pivot，以创建一个矩形的数据框。
• method: 字符串，可选。用于计算聚类的链接方法。有关更多信息，请参阅cluster.hierarchy.linkage() 的文档。
• metric: 字符串，可选
  用于数据的距离度量。有关更多选项，请参阅spatial.distance.pdist() 的文档。要对行和列使用不同的度量（或方法），可以自行构建每个链接矩阵并将其作为 {row,col}_linkage 提供。
• z_score: 整数或 None，可选。0（行）或 1（列）。是否计算行或列的 z 分数。z 分数的计算公式为：z = (x – mean)/std，因此每行（列）的值将减去该行（列）的平均值，然后除以该行（列）的标准差。这确保每行（列）的平均值为 0，方差为 1。
• standard_scale: 整数或 None，可选
  0（行）或 1（列）。是否标准化该维度，意味着对每行或列减去最小值，然后除以最大值。
• figsize: (宽, 高) 元组，可选
  图形的整体大小。
• {row,col}_cluster: 布尔值，可选
  如果为 True，对 {行, 列} 进行聚类。
• {row,col}_linkage: numpy.ndarray，可选
  行或列的预计算链接矩阵。有关特定格式，请参阅cluster.hierarchy.linkage()。
• {row,col}_colors: 类列表或 Pandas DataFrame/Series，可选
  用于标记行或列的颜色列表。用于评估组内样本是否聚集在一起。可以使用嵌套列表或 DataFrame 进行多层次的颜色标记。如果给定为DataFrame 或 pandas.Series，颜色的标签将从 DataFrame 的列名或 Series 的名称中提取。DataFrame/Series 的颜色也将根据其索引与数据匹配，确保颜色以正确顺序绘制。
• mask: 布尔数组或 DataFrame，可选
  如果传递，则在 mask 为 True 的单元格中不显示数据。具有缺失值的单元格会自动被掩盖。仅用于可视化，不用于计算。
• {dendrogram,colors}_ratio: 浮点数或浮点数对，可选
  分配给两个边际元素的图形大小比例。如果给定一对，它们对应于（行，列）比例。
• cbar_pos: (左, 底, 宽, 高) 元组，可选
  颜色条轴在图形中的位置。设置为 None 将禁用颜色条。
• tree_kws: 字典，可选。用于绘制树形图的线条的 collections.LineCollection 的参数。

使用示例：

species = iris.pop("species")
sns.clustermap(iris)

FacetGrid()

seaborn.FacetGrid 是 Seaborn 库中的一个强大工具，用于创建多面板（facet）图形。通过在不同的面板中绘制数据的子集，可以帮助我们在多个维度上可视化数据。这对于比较不同组的分布、趋势或关系特别有用。

FacetGrid() 用于初始化网格对象，每一个子图都称为一个格子。它其实就是我们之前学的relplot()，catplot()以及lmplot()这几个函数的一个上层类，我们可以根据自己的需求定制每个格子中画什么样的图形，使用更加自由。

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。

class 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=False, legend_out=True, despine=True, margin_titles=False, xlim=None, ylim=None, subplot_kws=None, gridspec_kws=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。

sns.FacetGrid(tips, col="time", row="smoker") # 2*2

g = sns.FacetGrid(tips, col="time", row="smoker")
g = g.map(plt.scatter, "total_bill", "tip", color="c") # g.map()需要传入一个绘图函数

对比一下FacetGrid.map()绘图与relplot()、catplot()、lmplot()绘图的区别（这里只比较relplot()来绘制散点图）：

sns.relplot(x="total_bill", y="tip", color="c",col="time",  hue="smoker",data=tips)

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。

PairGrid()

seaborn.PairGrid 是 Seaborn 库中的一个工具，用于创建成对变量的多面板网格图。它提供了一种方便的方法来可视化多个变量之间的关系，尤其是在进行探索性数据分析（EDA）时。

PairGrid() 用于绘制数据集中成对关系的子图网格。它的原理和我们之前的pairplot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，而PairGrid则可修改上、下三角形和主对角线的图像形状。

class seaborn.PairGrid(data, *, hue=None, vars=None, x_vars=None, y_vars=None, hue_order=None, palette=None, hue_kws=None, corner=False, diag_sharey=True, height=2.5, aspect=1, layout_pad=0.5, despine=True, dropna=False)

使用示例：

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)#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

JointGrid()

seaborn.JointGrid 是 Seaborn 库中的一个类，用于创建显示两个变量之间关系的图形网格。它允许在主轴上绘制两个变量的联合分布，同时在边缘轴上展示每个变量的单独分布。这种可视化方式有助于深入理解变量之间的关系和各自的分布特性。

JointGrid 提供了一个灵活的界面来创建带有联合分布和边缘分布的图形。用户可以自定义主图和边缘图的类型。

class seaborn.JointGrid(data=None, *, x=None, y=None, hue=None, height=6, ratio=5, space=0.2, palette=None, hue_order=None, hue_norm=None, dropna=False, xlim=None, ylim=None, marginal_ticks=False)

使用示例：

g = sns.JointGrid(data=tips, x="total_bill", y="tip")
g.plot(sns.scatterplot, sns.histplot)

主题和颜色

风格(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

例子：

plt.subplot(231)
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.title('style=matplotlib')

with sns.axes_style('darkgrid'):
    plt.subplot(232)
    sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
    plt.title('style=darkgrid')

with sns.axes_style('whitegrid'):
    plt.subplot(233)
    sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
    plt.title('style=whitegrid')

with sns.axes_style('ticks'):
    plt.subplot(234)
    sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
    plt.title('style=ticks')

with sns.axes_style('dark'):
    plt.subplot(235)
    sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
    plt.title('style=dark')

with sns.axes_style('white'):
    plt.subplot(236)
    sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
    plt.title('style=white')

plt.tight_layout()
plt.show()

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。

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

预设上下文

Seaborn 提供了四种预设的上下文选项：

• paper：适合嵌入在学术论文中，缩放比例较小。
• notebook：适合在 Jupyter Notebook 中使用，默认上下文。
• talk：适合用于演讲或展示，缩放比例较大。
• poster：适合用于海报展示，缩放比例最大。

使用示例：

fig, axes = plt.subplots(2, 2, figsize=(12, 10))
# 定义上下文列表和对应的标题
contexts = ["notebook", "paper", "talk", "poster"]
titles = ["Notebook (default)", "Paper", "Talk", "Poster"]
# 循环遍历每个上下文，设置并绘制相应的图形
for ax, context, title in zip(axes.flatten(), contexts, titles):
    sns.set_context(context)
    sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time", ax=ax)
    ax.set_title(title)

# 调整布局以避免重叠
plt.tight_layout()

自定义上下文

除了使用预设选项，你还可以通过传递 rc 参数来自定义上下文设置。rc 参数是一个字典，允许你覆盖特定的 rc 参数（Matplotlib 的配置参数），例如字体大小、线宽等。

sns.set_context("notebook", rc={"font.size": 12, "axes.titlesize": 14, "axes.labelsize": 12})

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。

color_palette() 函数可以生成多种类型的调色板，适合不同的数据和视觉需求。它可以返回一个颜色列表，这些颜色可以直接用于绘图，也可以通过 sns.set_palette() 设置为全局调色板。

主要参数

• palette：字符串或列表。指定调色板的类型或颜色列表。常见的预设选项包括 “deep”, “muted”, “bright”, “pastel”, “dark”, “colorblind” 等。
• n_colors：整数，可选。指定调色板中的颜色数量。默认为 6。
• desat：浮点数，可选。调整颜色的饱和度，范围在 0 和 1 之间。1 表示原始饱和度。

默认调色板：

• “deep”：颜色鲜明，对比度高。
• “muted”：颜色柔和。
• “bright”：颜色鲜艳。
• “pastel”：颜色浅淡。
• “dark”：颜色深沉。
• “colorblind”：色盲友好调色板。

定性调色板：

• 使用color_palette(“husl”, n_colors=8) 可以生成一个定性的调色板。

连续调色板：

• 使用color_palette(“viridis”, as_cmap=True) 可以生成一个连续调色板。

自定义调色板：

• 可以传递自定义颜色列表，如 [“#FF5733”, “#33FF57”, “#3357FF”]。

示例代码：

palette = sns.color_palette("deep", n_colors=6)
sns.set_palette(palette)
tips = sns.load_dataset("tips")
sns.barplot(x="day", y="total_bill", data=tips, palette=palette)

# 自定义颜色列表
custom_palette = ["#FF5733", "#33FF57", "#3357FF"]
# 使用自定义调色板
sns.set_palette(custom_palette)
# 绘制图形
sns.scatterplot(x="total_bill", y="tip", data=tips, hue="day")

主题（theme）

set_theme() 是 Seaborn 0.11.0 引入的一个更高级的函数，它不仅可以设置样式，还可以设置调色板和上下文。set_theme() 提供了一种更为全面的方法来配置 Seaborn 图形的外观。

参数：

• style：同 set_style()，用于设置背景和网格样式。
• palette：用于设置颜色调色板。
• context：用于设置上下文（如 “paper”, “notebook”, “talk”, “poster”），以控制图形元素的缩放。
• rc：同样可以传递 rc 参数进行进一步自定义。

# 示例 1: 使用默认设置
sns.set_theme()
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="day")
plt.title("Default Theme")
plt.show()

# 示例 2: 使用自定义主题
sns.set_theme(style="whitegrid", palette="pastel", context="talk")
sns.barplot(data=tips, x="day", y="total_bill", hue="sex")
plt.title("Custom Theme: Whitegrid, Pastel, Talk")
plt.show()

# 示例 3: 使用深色背景和亮色调色板
sns.set_theme(style="dark", palette="bright", context="notebook")
sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
plt.title("Dark Theme with Bright Palette")
plt.show()

# 示例 4: 使用色盲友好调色板
sns.set_theme(style="ticks", palette="colorblind", context="paper")
sns.violinplot(data=tips, x="day", y="total_bill", hue="sex", split=True)
plt.title("Colorblind Palette")
plt.show()

参考链接：

• 数据可视化之核密度估计 – 标点符 (biaodianfu.com)
• seaborn: statistical data visualization — seaborn 0.13.2 documentation (pydata.org)
• Python数据可视化方法之Seaborn – Heywhale.com