Seaborn是基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形。
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
seaborn自带了一些经典的数据集，用于基本的绘制图表示例数据。在联网状态下，可通过load_dataset 接口进行获取，首次下载后即可通过缓存加载。返回数据集格式为Pandas.DataFrame对象。
seaborn.load_dataset( name , cache = True , data_home = None , ** kws )
常用的经典数据集如下：
seaborn 提供了几个用于表达双变量关系的图表，主要包括散点和线图两类，主要提供了3个 seaborn 接口：
其中relplot为figure-level（可简单理解为操作对象是matplotlib中figure），而后两者是axes-level（对应操作对象是matplotlib中的axes）。但实际上接口调用方式和传参模式都是一致的。
其核心参数主要包括以下几个：
以小费数据集为例，绘制两变量散点图如下：
tips = sns.load_dataset("tips")
sns.relplot(x="total_bill", y="tip", data=tips)
sns.relplot(x="total_bill", y="tip", hue="smoker", style="smoker",data=tips)
sns.relplot(x="total_bill", y="tip", size="size", sizes=(15, 200), data=tips)
seaborn 中折线图的默认行为是将同一x轴上的多个测量值的平均值作为折线图中的点的位置，并围绕平均值表达的 95% 置信区间。置信区间是使用 bootstrapping 计算的，对于较大的数据集可以禁用它们，也可以定义为标准差。
fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint", y="signal", kind="line", data=fmri)
sns.relplot(x="timepoint", y="signal", ci=None, kind="line", data=fmri)
sns.relplot(x="timepoint", y="signal", kind="line", ci="sd", data=fmri)
sns.relplot(x="timepoint", y="signal", hue="event", kind="line", data=fmri)
sns.relplot(x="timepoint", y="signal", hue="region", style="event",
dashes=False, markers=True, kind="line", data=fmri)
sns.relplot(x="timepoint", y="signal", hue="event", style="event",
kind="line", data=fmri)
由于 relplot 是基于FacetGrid，很容易分面可视化。
sns.relplot(x="total_bill", y="tip", hue="smoker",
col="time", data=tips);
当您想要检查变量的多个级别的影响时，最好在列上对该变量进行分面，然后将分面包装到行中，同时可能希望减小图形大小。这些可视化通常被称为点阵图或小倍数，非常有效。
sns.relplot(x="timepoint", y="signal", hue="event", style="event",
col="subject", col_wrap=5,
height=3, aspect=.75, linewidth=2.5,
kind="line", data=fmri.query("region == 'frontal'"))
变量分布可用于表达一组数值的分布趋势，包括集中程度、离散程度等。seaborn 内置接口如下
其中displot为figure-level（可简单理解为操作对象是matplotlib中figure），而后两者是axes-level（对应操作对象是matplotlib中的axes）。但实际上接口调用方式和传参模式都是一致的。
其核心参数主要包括以下几个：
直方图 seaborn.histplot 专用参数：
count: 计数frequency: 频率，样本数量除以 bin 宽度probability: or proportion，标准化使得条形高度总和为 1percent: 标准化使得条形高度总和为 100density: 标准化使得直方图的总面积等于 1默认情况下，displot()/histplot()根据数据的方差和样本数量选择默认的 bin 大小，它们取决于对数据结构的特定假设，可以用binwidth参数设置，也可指定bin的数量。shrink参数可以稍微缩小bin以强调轴的分类性质。
penguins = sns.load_dataset("penguins")
sns.displot(penguins, x="flipper_length_mm", kde = True)
sns.displot(penguins, x="flipper_length_mm", binwidth=3)
sns.displot(penguins, x="flipper_length_mm", bins=20)
tips = sns.load_dataset("tips")
sns.displot(tips, x="day", shrink=.8)
默认情况下，不同的直方图相互分层，在某些情况下，它们可能难以区分。一种选择是将直方图的视觉表示从条形图更改为阶梯图。或者，不是将每个条分层，而是可以堆叠或垂直移动。在此图中，完整直方图的轮廓展示单变量分布：
sns.displot(penguins, x="flipper_length_mm", hue="species")
sns.displot(penguins, x="flipper_length_mm", hue="species", element="step")
sns.displot(penguins, x="flipper_length_mm", hue="species", multiple="stack")
sns.displot(penguins, x="flipper_length_mm", hue="sex", multiple="dodge")
还有一点要注意，当子集的观察数量不等时，比较它们的计数分布可能并不理想。一种解决方案是使用参数对计数进行归一化。默认情况下，归一化应用于整个分布，因此这只是重新调整条形的高度。通过设置common_norm=False，每个子集将被独立标准化。密度归一化缩放条形，使它们的面积总和为 1。另一种选择是将条形标准化为它们的高度总和为 1，这在变量是离散时最有意义：
sns.displot(penguins, x="flipper_length_mm", hue="species", stat="density")
sns.displot(penguins, x="flipper_length_mm", hue="species", stat="density", common_norm=False)
sns.displot(penguins, x="flipper_length_mm", hue="species", stat="probability")
planets = sns.load_dataset("planets")
sns.displot(data=planets, x="distance", log_scale=True)
直方图旨在通过分箱和计数观察来近似生成数据的潜在概率密度函数。核密度估计 (KDE) 为同一问题提供了不同的解决方案。KDE 图不是使用离散箱，而是使用高斯核平滑观察，产生连续密度估计。
核密度 seaborn.kdeplot 专用参数：
scipy.stats.gaussian_kde.与直方图中的 bin 大小非常相似，KDE也可以调整平滑带宽 bw_adjust。如果您分配一个hue变量，将为该变量的每个级别计算单独的密度估计。
sns.displot(penguins, x="flipper_length_mm", kind="kde")
sns.displot(penguins, x="flipper_length_mm", kind="kde", bw_adjust=.25)
sns.displot(penguins, x="flipper_length_mm", hue="species", kind="kde", fill=True)
sns.displot(penguins, x="flipper_length_mm", hue="species", kind="kde", multiple="stack")
KDE 方法也不适用于离散数据或数据自然连续但特定值被过度集中的情况。要记住的重要一点是，即使数据本身并不平滑，KDE 也会始终显示平滑曲线。例如，考虑钻石重量的这种分布，可以将直方图和KDE结合起来
diamonds = sns.load_dataset("diamonds")
sns.displot(diamonds, x="carat", kde=True)
经验累积分布函数（ECDF）通过每个数据点绘制了一条单调增加的曲线。与直方图或 KDE 不同，它直接表示每个数据点。这意味着没有要考虑的 bin 大小或平滑参数。此外，由于曲线是单调递增的，因此非常适合比较多个分布。
sns.displot(penguins, x="flipper_length_mm", hue="species", kind="ecdf")
这是一个不太常用的图表类型，其绘图方式比较朴素：即原原本本的将样本出现的位置绘制在相应坐标轴上，同时忽略出现次数的影响。
tips = sns.load_dataset("tips")
sns.kdeplot(data=tips, x="total_bill")
sns.rugplot(data=tips, x="total_bill")
sns.displot(penguins, x="bill_length_mm", y="bill_depth_mm")
sns.displot(penguins, x="bill_length_mm", y="bill_depth_mm", hue="species")
sns.displot(penguins, x="bill_length_mm", y="bill_depth_mm", binwidth=(2, .5), cbar=True)
sns.displot(penguins, x="bill_length_mm", y="bill_depth_mm", kind="kde")
sns.displot(penguins, x="bill_length_mm", y="bill_depth_mm", hue="species", kind="kde")
sns.displot(penguins, x="bill_length_mm", y="bill_depth_mm", kind="kde", thresh=.2, levels=4)
Seaborn 中关系型接口 (relplot) 主要用来关注两个数值变量之间的情况，如果主要变量之一是离散变量，则使用分类图接口。
catplot：（categorical plot）图形级通用接口，依赖于 FacetGrid 类，返回该类实例。此函数始终将变量之一视为分类变量，并在相关轴上的序数位置 (0, 1, … n) 绘制数据，即使数据具有数字或日期类型也是如此。函数内置了三个不同的系列的分类接口。
分类散点图：
分类分布图：
分类估计图：
其中catplot为figure-level（可简单理解为操作对象是matplotlib中figure），而后三个系列的是axes-level（对应操作对象是matplotlib中的axes）。但实际上接口调用方式和传参模式都是一致的。
其核心参数主要包括以下几个：
相比于两列数据均为数值型数据，可以想象分类数据的散点图将会是多条竖直的散点线。绘图接口有stripplot(default)和swarmplot两种。专用参数主要包括：
stripplot 是常规的散点图接口，可通过jitter参数开启散点少量随机”抖动“调整分类轴上的点的位置。swarmplot在stripplot的基础上，不仅将散点图通过抖动来实现相对分离，而且会严格讲各散点一字排开，从而便于直观观察散点的分布聚集情况，它只适用于相对较小的数据集，有时被称为“蜂群”。
也可以使用order参数在特定于绘图的基础上控制排序。
sns.catplot(x="day", y="total_bill", data=tips)
sns.catplot(x="day", y="total_bill", kind="swarm", data=tips)
sns.catplot(x="day", y="total_bill", hue="sex", kind="swarm", data=tips)
sns.catplot(x="smoker", y="tip", order=["No", "Yes"], data=tips)
与数值型变量分布类似，seaborn也提供了几个分类型数据常用的分布绘图接口。
专用参数主要包括：
sns.catplot(x="day", y="total_bill", hue="smoker", kind="box", data=tips)
tips["weekend"] = tips["day"].isin(["Sat", "Sun"])
sns.catplot(x="day", y="total_bill", hue="weekend",
kind="box", dodge=False, data=tips)
diamonds = sns.load_dataset("diamonds")
sns.catplot(x="color", y="price", kind="boxen",
data=diamonds.sort_values("color"))
sns.catplot(x="day", y="total_bill", hue="sex",
kind="violin", split=True, data=tips)
将swarmplot()/striplot()和箱线图/小提琴图来结合绘图有时也很有用：
g = sns.catplot(x="day", y="total_bill", kind="violin", inner=None, data=tips)
sns.swarmplot(x="day", y="total_bill", color="k", size=3, data=tips, ax=g.ax)
专用参数主要包括：
titanic = sns.load_dataset("titanic")
sns.catplot(x="sex", y="survived", hue="class", kind="bar", data=titanic)
sns.catplot(x="deck", kind="count", palette="ch:.25", data=titanic)
sns.catplot(x="sex", y="survived", hue="class", kind="point", data=titanic)
sns.catplot(x="class", y="survived", hue="sex",
palette={"male": "g", "female": "m"},
markers=["^", "o"], linestyles=["-", "--"],
kind="point", data=titanic)
在查看双变量分布关系的基础上，seaborn还提供了简单的线性回归接口。
其中lmplot为figure-level（可简单理解为操作对象是matplotlib中figure），而regplot和residplot是axes-level（对应操作对象是matplotlib中的axes）。但实际上接口调用方式和传参模式都是一致的。
其核心参数主要包括以下几个：
sns.lmplot(x="total_bill", y="tip", data=tips)
# 还可以绘制离散 x 变量并添加一些抖动：
sns.lmplot(x="size", y="total_bill", data=tips, x_jitter=.1)
# 用离散 x 变量绘图，显示唯一值的均值和置信区间：
sns.lmplot(x="size", y="total_bill", data=tips,
x_estimator=np.mean)
# 拟合高阶多项式回归
ans = sns.load_dataset("anscombe")
sns.lmplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],
scatter_kws={"s": 80},
order=2, ci=None)
# 拟合稳健回归并且不绘制置信区间
sns.lmplot(x="x", y="y", data=ans.loc[ans.dataset == "III"],
scatter_kws={"s": 80},
robust=True, ci=None)
# 使用 log(x) 拟合回归模型：
sns.lmplot(x="size", y="total_bill", data=tips,
x_estimator=np.mean, logx=True)
残差图：直观来看，当残差结果随机分布于y=0上下较小的区间时，说明具有较好的回归效果。
sns.residplot(x="x", y="y", data=anscombe.query("dataset == 'I'"),
scatter_kws={"s": 80})
分面图
sns.lmplot(x="total_bill", y="tip", hue="smoker", col="time", data=tips)
矩阵图主要用于表达一组数值型数据的大小关系，在探索数据相关性时也较为实用。
heatmap：热力图，将矩形数据绘制为颜色编码矩阵。axes-level级函数（对应操作对象是matplotlib中的axes）
其核心参数主要包括以下几个：
flights = sns.load_dataset("flights")
flights = flights.pivot("month", "year", "passengers")
ax = sns.heatmap(flights)
# 使用整数格式用数值注释每个单元格
ax = sns.heatmap(flights, annot=True, fmt="d")
# 在每个单元格之间添加线条
ax = sns.heatmap(flights, linewidths=.5)
# 使用掩码仅绘制矩阵的一部分
corr = np.corrcoef(np.random.randn(10, 200))
mask = np.zeros_like(corr)
mask[np.triu_indices_from(mask)] = True
ax = sns.heatmap(corr, mask=mask, vmax=.3)
clustermap：在heatmap()基础上绘制分层聚类的热图。
其核心参数主要包括以下几个：
scipy.cluster.hierarchy.linkage()
scipy.cluster.hierarchy.linkage() 。matplotlib.collections.LineCollection 。heatmap()
如下图表展示了鸢尾花数据集聚类图，并添加彩色标签以识别观察结果：
sns.set_theme(color_codes=True)
iris = sns.load_dataset("iris")
species = iris.pop("species")
lut = dict(zip(species.unique(), "rbg"))
row_colors = species.map(lut)
g = sns.clustermap(iris, row_colors=row_colors)
在探索多维数据时，一种有用的方法是在数据集的不同子集上绘制同一图的多个实例。这种技术有时被称为分面网格绘图。Matplotlib 为制作多轴（multiple axes）图形提供了良好的支持，seaborn 在此基础上构建，将图形结构直接链接到数据集结构。
seaborn.FacetGrid 类将数据集映射到多个轴，这些轴排列在与数据集中变量级别相对应的行和列网格中。它生成的图通常被称为 分面网格。一个FacetGrid最多可以应用到三个维度：row，col 和 hue。图形级函数 （figure-level ）relplot()，displot()，catplot()和 lmplot()都会返回该对象的实例，均可以绘制分面网格。
当变量数不止2个时，pairplot是查看各变量间配对关系的首选。此函数将创建一个Axes 网格，可视化数据集中所有变量的单变量分布及其所有两两配对关系。显然，绘制结果中的上三角和下三角部分的子图是镜像的。
实际上，pairplot 旨在轻松绘制一些常见样式，依赖于PairGrid类实现，返回该类实例。如果您需要更大的灵活性，可以直接使用PairGrid。
其核心参数主要包括以下几个：
pairplot默认使用 scatterplot() 用于变量配对网格，沿对角线使用 histplot()。返回对象是 PairGrid，也可进一步自定义绘图：
penguins = sns.load_dataset("penguins")
g = sns.pairplot(penguins)
g.map_lower(sns.kdeplot, levels=4, color=".2")
分配变量到 hue，默认对角线改为核密度估计 （KDE），也可用diag_kind强制更换。
sns.pairplot(penguins, hue="species")
kind参数决定对角线和对角线外的绘图风格。选择要绘图的变量：vars，x_vars，y_vars
sns.pairplot(penguins, kind="kde",
x_vars=["bill_length_mm", "bill_depth_mm", "flipper_length_mm"],
y_vars=["bill_length_mm", "bill_depth_mm"]
)
设置为仅绘制下三角形：corner=True，并接受关键字参数的调用
sns.pairplot(penguins, corner=True, diag_kws=dict(fill=False))
jointplot是一个联合图表接口。绘图结果主要有三部分：绘图主体用于表达两个变量关系分布，在其上侧和右侧分别体现2个变量的单变量分布。与 pairplot 类似，jointplot 依赖于JointGrid类，返回该类实例。相比之下，JointGrid可以实现更为丰富的可定制绘图接口。
其核心参数主要包括以下几个：
默认情况下，绘制散点图 scatterplot() 和边缘直方图 histplot() 。同样，要在绘图上添加更多层，可利用返回的 JointGrid 对象上的方法：
penguins = sns.load_dataset("penguins")
g = sns.jointplot(data=penguins, x="bill_length_mm", y="bill_depth_mm")
g.plot_joint(sns.kdeplot, color="r", zorder=0, levels=6)
g.plot_marginals(sns.rugplot, color="r", height=-.15, clip_on=False)
与 pairplot() 类似，在 jointplot() 中设置 kind 将改变主体和边缘图：
sns.jointplot(
data=penguins,
x="bill_length_mm", y="bill_depth_mm", hue="species",
kind="kde"
)
也可使用matplotlib.axes.Axes.hexbin() 绘制六角形箱：kind=“hex”。且传递其他关键字参数到基础图。
sns.jointplot(data=penguins,
x="bill_length_mm", y="bill_depth_mm",
kind="hex",
marginal_kws=dict(bins=25, fill=False)
)
seaborn的主题设置主要分为两组，第一组是风格（style）设置，第二组是环境（context）设置，用来缩放图形的各种元素。
set_theme方法或者set方法(set_theme的别名)可以一次设置多个主题参数，每组参数都可以直接或临时设置。
seaborn.set_theme(context='notebook', style='darkgrid', palette='deep',
font='sans-serif', font_scale=1, color_codes=True, rc=None)
Parameters
seaborn设置风格的方法主要有三种：
seaborn.set_style(style=None, rc=None)
seaborn.axes_style(style=None, rc=None)
Parameters
有5种预设 seaborn风格：darkgrid (default)，whitegrid，dark，white，和ticks。它们分别适合不同的应用和个人喜好。
tips = sns.load_dataset("tips")
fig = plt.figure(figsize=(6, 4))
style = [None, 'darkgrid', 'whitegrid', 'dark', 'white', 'ticks']
for i in range(6):
with sns.axes_style(style[i]):
ax = plt.subplot(2, 3, i+1)
ax.set_title(style[i])
ax.set_xlabel(" "); ax.set_ylabel(" ")
ax.set_xticklabels([]); ax.set_yticklabels([])
sns.histplot(data=tips, x="total_bill")
plt.show()
对于white和ticks样式还可以从图中删除顶部和右侧没必要的边框线，seaborn可以调用despine()函数来实现
seaborn.despine(fig=None, ax=None,
top=True, right=True, left=False, bottom=False,
offset=None, trim=False)
tips = sns.load_dataset("tips")
fig = plt.figure(figsize=(6, 3))
sns.set_style("white")
ax = plt.subplot(1, 2, 1)
ax.set_xlabel(" "); ax.set_ylabel(" ")
sns.histplot(data=tips, x="total_bill")
sns.despine(ax=ax)
ax = plt.subplot(1, 2, 2)
sns.histplot(data=tips, x="total_bill")
ax.set_xlabel(" "); ax.set_ylabel(" ")
sns.despine(ax=ax, offset=10, trim=True)
plt.show()
设置环境的方法有三种：
seaborn.plotting_context(context=None, font_scale=1, rc=None)
Parameters
支持4种绘图环境，来控制绘图元素的比例，按相对大小的顺序，依次是paper，notebook (default)，talk，和poster
tips = sns.load_dataset("tips")
fig = plt.figure(figsize=(8, 6))
context = ['paper', 'notebook', 'talk', 'poster']
sns.set_style("darkgrid")
for i in range(4):
with sns.plotting_context(context[i]):
ax = plt.subplot(2, 2, i+1)
ax.set_title(context[i])
ax.set_xlabel(" "); ax.set_ylabel(" ")
ax.set_xticklabels([]); ax.set_yticklabels([])
sns.histplot(data=tips, x="total_bill")
plt.show()
由于我们眼睛的工作方式，可以使用三个组件定义特定颜色。我们通常通过指定 RGB 值在计算机中对颜色进行编程，RGB 值设置了显示器中红色、绿色和蓝色通道的强度。但是为了分析颜色的感知属性，最好Hue(色相)、Luminance(亮度)、Saturation(饱和度)三方面考虑。
使用调色板的通用函数包括以下两个：
seaborn.color_palette(palette=None, n_colors=None, desat=None, as_cmap=False)
seaborn.set_palette(palette, n_colors=None, desat=None, color_codes=False)
Parameters
从广义上讲，有以下三类调色板：
Seaborn支持6类matplotlib调色板：(deep, muted, bright, pastel, dark, colorblind)
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。
sns.palplot(sns.color_palette())
使用圆形颜色系统：当您有任意数量的类别时，可在圆形颜色空间中绘制均匀间隔的颜色（在保持亮度和饱和度不变的情况下，色调会发生变化）
seaborn.husl_palette，在 HUSL 色调空间中获取一组均匀间隔的颜色
seaborn.hls_palette，在 HLS 色调空间中获取一组均匀间隔的颜色
sns.color_palette("hls", 8)
sns.color_palette("husl", 6)
使用分类 Color Brewer 调色板：(Paired, Set2)
sns.color_palette("Set2")
sns.color_palette("Paired")
使用来自 xkcd 颜色名称制作调色板：
colors = ["windows blue", "amber", "greyish", "faded green", "dusty purple"]
sns.palplot(sns.xkcd_palette(colors))
顺序调色板中变化的主要维度是亮度。当您映射数字数据时，一些 seaborn 函数将默认为顺序调色板
Seaborn包括四个感知均匀连续的色彩映射表：rocket, mako, flare, crest
sns.color_palette("rocket", as_cmap=True)
sns.color_palette("mako", as_cmap=True)
sns.color_palette("flare", as_cmap=True)
sns.color_palette("crest", as_cmap=True)
与 matplotlib 中的约定一样，每个连续的颜色图都有一个反向版本，后缀为"_r"：
sns.color_palette("rocket_r", as_cmap=True)
连续的cubehelix 调色板
seaborn.cubehelix_palette，从立方体螺旋系统制作一个连续的调色板
sns.cubehelix_palette(as_cmap=True)
sns.color_palette("cubehelix", as_cmap=True) # 使用 Matplotlib 内置的cubehelix 调色板
sns.cubehelix_palette(start=.5, rot=-.5, as_cmap=True)
sns.color_palette("ch:start=.2,rot=-.3", as_cmap=True)
seaborn cubehelix_palette() 函数返回的默认调色板与 matplotlib 的默认值略有不同。
自定义顺序调色板
seaborn.dark_palette 制作一个从深色到单一color的调色板
seaborn.light_palette 制作一个从浅色到单一color的调色板
sns.light_palette("seagreen", as_cmap=True)
sns.dark_palette("#69d", reverse=True, as_cmap=True)
sns.color_palette("light:b", as_cmap=True)
顺序 Color Brewer 调色板
sns.color_palette("Blues", as_cmap=True)
sns.color_palette("YlOrBr", as_cmap=True)
Seaborn 预设两个感知上统一的发散调色板：vlag 和 icefire 。它们的两极都使用蓝色和红色，许多人直观地将其处理为冷和热。
sns.color_palette("vlag", as_cmap=True)
sns.color_palette("icefire", as_cmap=True)
自定义发散调色板：seaborn 函数 diverging_palette 在两种 HUSL 颜色之间制作一个发散的调色板。
sns.diverging_palette(220, 20, as_cmap=True)
matplotlib 内置的 Color Brewer 发散调色板
sns.color_palette("Spectral", as_cmap=True)
sns.color_palette("coolwarm", as_cmap=True)
| 工具 | 说明 |
|---|---|
seaborn.choose_colorbrewer_palette( data_type , as_cmap = False ) |
从 ColorBrewer 集中选择一个调色板。 |
seaborn.choose_cubehelix_palette( as_cmap = False ) |
启动交互式小部件以创建顺序立方体螺旋调色板。 |
seaborn.choose_light_palette( input = 'husl' , as_cmap = False ) |
启动交互式小部件以创建轻量级顺序调色板。 |
seaborn.choose_dark_palette( input = 'husl' , as_cmap = False ) |
启动交互式小部件以创建深色顺序调色板。 |
seaborn.choose_diverging_palette( as_cmap = False ) |
启动交互式小部件以选择不同的调色板。 |
seaborn中的绘图接口大多依赖于相应的类实现，但却并未开放所有的类接口。实际上，可供用户调用的类只有3个：JointGrid、PairGrid和FacetGrid，而FacetGrid是seaborn中很多其他绘图接口的基类。
FacetGrid类将数据集映射到多个轴，这些轴排列在与数据集中变量级别相对应的行和列网格中。它生成的图通常被称为分面网格。一个FacetGrid最多可以应用到三个维度：row，col 和 hue。每一个relplot()，displot()，catplot()和 lmplot()都会返回该类的实例。
class seaborn.FacetGrid(**kwargs)
其初始化核心参数主要包括以下几个：
FacetGrid 的基本工作流程：
FacetGrid.map()或FacetGrid.map_dataframe()。使用自定义函数时请遵循官网规则。例如，假设我们想检查 tips数据集中午餐和晚餐之间的差异：
在大多数情况下，使用图形级函数（例如
relplot()或catplot()）比FacetGrid直接使用更好。
g = sns.FacetGrid(tips, col="sex", hue="smoker")
g.map(sns.scatterplot, "total_bill", "tip", alpha=.7)
g.add_legend()
要在每个面上添加水平或垂直参考线，请使用FacetGrid.refline()：
g = sns.FacetGrid(tips, col="time", margin_titles=True)
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip")
g.refline(y=tips["tip"].median())
该FacetGrid对象还有一些其他有用的参数和方法来调整绘图：
g = sns.FacetGrid(tips, col="sex", row="time", margin_titles=True)
g.map_dataframe(sns.scatterplot, x="total_bill", y="tip")
g.set_axis_labels("Total bill ($)", "Tip ($)")
g.set_titles(col_template="{col_name} patrons", row_template="{row_name}")
g.set(xlim=(0, 60), ylim=(0, 12), xticks=[10, 30, 50], yticks=[2, 6, 10])
g.tight_layout()
g.savefig("facet_plot.png")
| Methods | 说明 |
|---|---|
__init__(self, data, *[, row, col, hue, …]) |
初始化 matplotlib 图和 FacetGrid 对象 |
add_legend(self[, legend_data, title, …]) |
绘制一个图例 |
despine(self, **kwargs) |
删除刻面边框 |
facet_axis(self, row_i, col_j[, modify_state]) |
激活由这些索引标识的轴并返回它 |
facet_data(self) |
每个刻面的名称索引和数据子集的生成器 |
map(self, func, *args, **kwargs) |
将绘图函数应用于数据的每个刻面的子集 |
map_dataframe(self, func, *args, **kwargs) |
类似 .map，但是将 args 作为字符串传递，并在 kwargs 中插入数据。 |
refline(self, *[, x, y, color, linestyle]) |
为每个面添加参考线 |
savefig(self, *args, **kwargs) |
保存绘图 |
set(self, **kwargs) |
设置属性通用方法 |
set_axis_labels(self[, x_var, y_var, …]) |
在网格的左列和底行上设置轴标签 |
set_titles(self[, template, row_template, …]) |
在每个面上方或网格边距上绘制标题 |
set_xlabels(self[, label, clear_inner]) |
在网格的底行标记 x 轴 |
set_xticklabels(self[, labels, step]) |
设置网格的 x 轴刻度标签 |
set_ylabels(self[, label, clear_inner]) |
在网格的底行标记 y 轴 |
set_yticklabels(self[, labels]) |
设置网格的 y 轴刻度标签 |
tight_layout(self, *args, **kwargs) |
在排除图例的矩形内调用 fig.tight_layout |
| Attributes | 说明 |
|---|---|
ax |
The matplotlib.axes.Axes when no faceting variables are assigned. |
axes |
matplotlib.axes.Axes网格中的对象数组 |
axes_dict |
刻面名称到相应matplotlib.axes.Axes的映射 |
figure |
访问matplotlib.figure.Figure网格下的对象 |
legend |
访问matplotlib.legend.Legend对象 |
PairGrid 用于在数据集中绘制配对关系的子图网格。不同的axes-level绘图函数可用于绘制上下三角形中的双变量图，并且每个变量的单变量分布可以显示在对角线上。
其初始化核心参数主要包括以下几个：
PairGrid 的基本工作流程：
例如，如下案例调用了PairGrid类实现，与标准pairplot不同的是效果更为丰富。
将双变量函数传递给 PairGrid.map() ：
penguins = sns.load_dataset("penguins")
g = sns.PairGrid(penguins)
g.map(sns.scatterplot)
将不同的函数分别传递对角线 (map_diag) 和非对角线 (map_offdiag) 上来显示不同图：
g = sns.PairGrid(penguins, hue="species")
g.map_diag(sns.histplot)
g.map_offdiag(sns.scatterplot, size=penguins["sex"])
g.add_legend(title="", adjust_subtitles=True)
也可以在上下三角形和对角线上使用不同的函数：
g = sns.PairGrid(penguins, diag_sharey=False, corner=True)
g.map_lower(sns.scatterplot)
g.map_diag(sns.kdeplot)
默认情况下，数据集中的每个数字列都会使用。可用参数精确控制使用哪些变量：
x_vars = ["body_mass_g", "bill_length_mm", "bill_depth_mm", "flipper_length_mm"]
y_vars = ["body_mass_g"]
g = sns.PairGrid(penguins, hue="species", x_vars=x_vars, y_vars=y_vars)
g.map_diag(sns.histplot, multiple="stack", element="step")
g.map_offdiag(sns.scatterplot)
g.add_legend()
| Methods | 说明 |
|---|---|
__init__(self, data, *[, hue, hue_order, …])
|
初始化 matplotlib 图和 PairGrid 对象 |
add_legend(self[, legend_data, title, …]) |
绘制一个图例 |
map(self, func, **kwargs) |
每个子图中绘制相同函数的图 |
map_diag(self, func, **kwargs) |
对角线子图上单变量分布图 |
map_offdiag(self, func, **kwargs) |
非对角线子图上双变量分布图 |
map_upper(self, func, **kwargs) |
上三角形子图上双变量分布图 |
map_lower(self, func, **kwargs) |
下三角形子图上双变量分布图 |
savefig(self, *args, **kwargs) |
保存绘图 |
set(self, **kwargs) |
设置属性通用方法 |
tight_layout(self, *args, **kwargs) |
在排除图例的矩形内调用 fig.tight_layout |
| Attributes | 说明 |
|---|---|
figure |
访问matplotlib.figure.Figure网格下的对象 |
legend |
访问matplotlib.legend.Legend对象 |
JointGrid 用于绘制带有边缘分布的双变量图。不同的axes-level绘图函数可用于绘制联合图和边缘图。
其初始化核心参数主要包括以下几个：
JointGrid 的基本工作流程：
最简单的绘图方法，JointGrid.plot() 方法接收一对函数（一个用于联合图，一个用于两个边缘图）
g = sns.JointGrid(data=penguins, x="bill_length_mm", y="bill_depth_mm", hue="species")
g.plot(sns.scatterplot, sns.histplot)
如果您需要将不同的关键字参数传递给每个函数，则必须调用 JointGrid.plot_joint() 和JointGrid.plot_marginals()：
g = sns.JointGrid(data=penguins, x="bill_length_mm", y="bill_depth_mm")
g.plot_joint(sns.scatterplot, s=100, alpha=.5)
g.plot_marginals(sns.histplot, kde=True)
还可以通过访问 JointGrid 子图（ax_joint, ax_marg_x, ax_marg_y）的形式来绘图
g = sns.JointGrid()
x, y = penguins["bill_length_mm"], penguins["bill_depth_mm"]
sns.scatterplot(x=x, y=y, ec="b", fc="none", s=100, linewidth=1.5, ax=g.ax_joint)
sns.histplot(x=x, fill=False, linewidth=2, ax=g.ax_marg_x)
sns.kdeplot(y=y, linewidth=2, ax=g.ax_marg_y)
JointGrid 可接受任何seaborn绘图函数
g = sns.JointGrid(data=penguins, x="bill_length_mm", y="bill_depth_mm")
g.plot(sns.regplot, sns.boxplot)
| Methods | 说明 |
|---|---|
__init__(self, *[, x, y, data, height, …]) |
初始化 matplotlib 图和 JointGrid 对象 |
plot(self, joint_func, marginal_func, **kwargs) |
传递联合图函数和边缘图函数 |
plot_joint(self, func, **kwargs) |
传递联合图函数 |
plot_marginals(self, func, **kwargs) |
传递边缘图函数 |
refline(self, *[, x, y, joint, marginal, …]) |
添加参考线 |
savefig(self, *args, **kwargs) |
保存绘图 |
set(self, **kwargs) |
设置属性通用方法 |
set_axis_labels(self[, xlabel, ylabel]) |
设置坐标轴标签 |
| Attributes | 说明 |
|---|---|
figure |
访问matplotlib.figure.Figure网格下的对象 |