seaborn同matplotlib一样，也是Python进行数据可视化分析的重要第三方包。但seaborn是在 matplotlib的基础上进行了更高级的API封装，使得作图更加容易，图形更加漂亮。
参数 特别多的几十种参数
虽然seaborn可以满足大部分情况下的数据分析需求，但是针对一些特殊情况，还是需要用到matplotlib的。换句话说，matplotlib更加灵活，可定制化，而seaborn像是更高级的封装，使用方便快捷。
seaborn学习内容：
seaborn学习内容主要包含以下几个部分：
风格管理
绘图风格设置 颜色风格设置
绘图方法
1. 数据集的分布可视化
2. 分类数据可视化
3. 线性关系可视化
数据识别网络绘图
import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
# 通过代码绘制图的时候直接把图显示出来 用在juyper notebook 中作用是当你调用matplotlib.pyplot的绘图函数plot()进行绘图的时候
# 或者生成一个figure画布的时候，可以直接在你的pychon console里面生成图像
%matplotlib inline
def sinplot(flip=1):
# 在1-14之间找到100个点
x=np.linspace(0,14,100)
print(x.shape)
for i in range(1,7):
# 绘制6条线 (7-i)*flip振幅 正弦×几 就是-几到几之间
plt.plot(x,np.sin(x+i*0.5)*(7-i)*flip)
print(type(i))#int
sinplot()
# plt.show()
图一
# 使用seaborn默认的风格来绘制转换为seaborn默认绘图，可以简单的用set()方法。
sns.set()
sinplot()
图二
Seaborn 将 matplotlib 的参数划分为两个独立的组合。第一组是设置绘图的外观风格的，第二组主要将绘图的各种元素按比例缩放的，以至可以嵌入到不同的背景环境中。
操控这些参数的接口主要有两对方法：
控制风格：axes_style(), set_style() 缩放绘图：plotting_context(), set_context() 每对方法中的第一个方法（axes_style(), plotting_context()）会返回一组字典参数，而第二个方法（set_style(), set_context()）会设置matplotlib的默认参数。
Seaborn的五种绘图风格
有五种seaborn的风格，它们分别是：darkgrid, whitegrid, dark, white, ticks。它们各自适合不同的应用和个人喜好。默认的主题是darkgrid。
sns.set_style('whitegrid')
sinplot()
图三
sns.set_style('dark')
sinplot()
sns.set_style('white')
sinplot()
sns.set_style('ticks')
sinplot()
white和ticks两种风格都可以移除顶部和右侧的不必要的轴脊柱。使用matplotlib是做不到这一点的，但是你可以使用seaborn的despine()方法来移除它们。
sns.set_style('whitegrid')
sinplot()
# 用despine()移除上边和右边的轴去掉
sns.despine()
一些绘图也可以针对数据将轴脊柱进行偏置，当然也是通过调用despine()方法来完成。而当刻度没有完全覆盖整个轴的范围时，trim参数可以用来限制已有脊柱的范围。
sinplot()
# offset是绘图偏移周的距离
sns.despine(offset=100)
虽然来回切换风格很容易，但是你也可以在一个with语句中使用axes_style()方法来临时的设置绘图参数。这也允许你用不同风格的轴来绘图：
# 单独为子图指定样式风格
with sns.axes_style("white"):
# 当前风格的图形
plt.subplot(211)#两行一列的子图 相当于2,2,1
sinplot()
sns.set_style("whitegrid")
plt.subplot(212)
sinplot(-1)
sns.set()
如果你想定制化seaborn风格，你可以将一个字典参数传递给axes_style()和set_style()的参数rc。而且你只能通过这个方法来覆盖风格定义中的部分参数。
如果你想要看看这些参数都是些什么，可以调用这个方法，且无参数，这将会返回下面的设置：
sns.axes_style()
'''
{'axes.axisbelow': True,
'axes.edgecolor': 'white',
'axes.facecolor': '#EAEAF2',
'axes.grid': True,
'axes.labelcolor': '.15',
'axes.linewidth': 0.0,
'figure.facecolor': 'white',
'font.family': ['sans-serif'],
'font.sans-serif': ['Arial',
'DejaVu Sans',
'Liberation Sans',
'Bitstream Vera Sans',
'sans-serif'],
'grid.color': 'white',
'grid.linestyle': '-',
'image.cmap': 'rocket',
'legend.frameon': False,
'legend.numpoints': 1,
'legend.scatterpoints': 1,
'lines.solid_capstyle': 'round',
'text.color': '.15',
'xtick.color': '.15',
'xtick.direction': 'out',
'xtick.major.size': 0.0,
'xtick.minor.size': 0.0,
'ytick.color': '.15',
'ytick.direction': 'out',
'ytick.major.size': 0.0,
'ytick.minor.size': 0.0}
'''
#whitegrid风格axes.axes.edgecolor表格颜色
sns.set_style("whitegrid",{
'axes.edgecolor':"0.9"})
# print(help(sns))
sinplot()
绘图元素比例 我们可以通过一套参数控制绘图元素的比例。 首先，我们通过set()方法重置默认的参数：
sns.set()
plt.figure(figsize=(10,6))#子图的操作 宽10英尺 高6英尺
sinplot()
有四个预置的环境，按大小从小到大排列分别为：paper, notebook, talk, poster