二.分类图
1. 分类散点图
（1）散点图striplot（kind='strip'）
方法1：
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)方法2：catplot的kind默认=striplot
sns.catplot(x="sepal_length", y="species", data=iris)
（2）带分布的散点图swarmplot（kind='swarm'）
方法1：
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)方法2：
sns.catplot(x="sepal_length", y="species", kind="swarm", data=iris)
2. 分类分布图
（1）箱线图boxplot（kind='box'）
方法1：
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)方法2：
sns.catplot(x="sepal_length", y="species", data=iris)
（2）小提琴图violinplot（kind='violin'）
方法1：
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)方法2：
sns.catplot(x="sepal_length", y="species", kind="violin", data=iris)
（3）boxenplot（kind='boxen'）
方法1：
seaborn.boxenplot(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, k_depth='proportion', linewidth=None, scale='exponential', outlier_prop=None, ax=None, **kwargs)方法2：
sns.catplot(x="species", y="sepal_length", kind="boxen", data=iris)
3. 分类估计图
（1）pointplot（kind='point'）
方法1：
seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, 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)方法2：
sns.catplot(x="sepal_length", y="species", kind="point", data=iris)
（2）直方图barplot（kind='bar'）
方法1：
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)方法2：
sns.catplot(x="sepal_length", y="species", kind="bar", data=iris)
（3）计数的直方图countplot（kind='count'）
方法1：
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)方法2：
sns.catplot(x="species", kind="count", data=iris)
三.分布图
包括单变量核密度曲线，直方图，双变量多变量的联合直方图，和密度图
1.单分布
（1）distpot
方法：
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)- 设置
kde=False则可以只绘制直方图，或者hist=False只绘制核密度估计图
举例：
sns.distplot(iris["sepal_length"])
（2）kdeplot
方法：
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)kdeplot可以专门用于绘制核密度估计图，其效果和distplot(hist=False)一致，但kdeplot拥有更多的自定义设置
举例：
sns.kdeplot(iris["sepal_length"])
2.双分布
（1）jointplot二元变量分布图
方法：
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)jointplot并不是一个 Figure-level 接口，但其支持kind=参数指定绘制出不同样式的分布图。例如，绘制出核密度估计对比图 kind = 'kde'。- kind='hex'绘制六边形计数图
- kind='reg'绘制回归拟合图
举例：
例如，我们探寻 sepal_length 和 sepal_width 二元特征变量之间的关系。
sns.jointplot(x="sepal_length", y="sepal_width", data=iris)
（2）pairpot
支持将数据集中的特征变量两两对比绘图，默认情况下，对角线上是单变量分布图，而其他是二元变量分布图
方法：
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)举例：
sns.pairplot(iris, hue="species")
（3）rugplot
方法：
seaborn.rugplot(a, height=0.05, axis='x', ax=None, **kwargs)
四.回归图
回归图只要探讨两连续数值变量的变化趋势情况，绘制x-y的散点图和回归曲线。
1.lmplot
方法：
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)- seaborn.lmplot
lmplot同样是用于绘制回归图，但lmplot支持引入第三维度进行对比，例如我们设置hue="species"。
举例：
sns.lmplot(x="sepal_length", y="sepal_width", hue="species", data=iris)
2.regplot
方法：用线性回归模型对数据做拟合
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)- seaborn.regplot
regplot绘制回归图时，只需要指定自变量和因变量即可，regplot会自动完成线性回归拟合。
举例：
sns.regplot(x="sepal_length", y="sepal_width", data=iris)
3.residplot
方法：展示线性回归模型拟合后各点对应的残值
seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None, order=1, robust=False, dropna=True, label=None, color=None, scatter_kws=None, line_kws=None, ax=None)
举例：可以对以年为单位的地震记录作线性回归拟合。以下两张图分别对应一阶线性回归拟合、拟合后残值分布情况图。
plt.figure(figsize=(12,6))
plt.subplot(121)
sns.regplot(x="Year", y="ID",
data=temp,order=1) # default by 1plt.ylabel(' ')
plt.title('Regression fit of earthquake records by year,order = 1')
plt.subplot(122)
sns.residplot(x="Year", y="ID",
data=temp)
plt.ylabel(' ')
plt.title('Residual plot when using a simplt regression
model,order=1')
plt.show()
五.矩阵图
1.热力图heatmap
方法：用颜色矩阵去显示数据在两个维度下的度量值
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)- 热力图在某些场景下非常实用，例如绘制出变量相关性系数热力图。
举例：
import numpy as np
sns.heatmap(np.random.rand(10, 10))
2.聚类图clustermap
方法：
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)- 除此之外，
clustermap支持绘制层次聚类结构图。如下所示，我们先去掉原数据集中最后一个目标列，传入特征数据即可。当然，你需要对层次聚类有所了解，否则很难看明白图像多表述的含义。
举例：
iris.pop("species")
sns.clustermap(iris)
六.时间序列图
1.时间序列图tsplot
用时间维度序列去展现数据的不确定性
2.网格时序图plot_ts_d , plot_ts_m
七.多绘图网格
1.小平面网格
1.1 FaceGrid
1.2 FacetGrid.map
1.3 FacetGrid.map_dataframe
2.配对网格
2.1 PairGrid
2.2 PairGrid.map
2.3 PairGrid.map_diag
2.4 PairGrid.map_offdiag
2.5 PairGrid.map_lower
2.6 PairGrid.map_upper
3.联合网格
3.1 JointGrid
3.2 JointGrid.plot
3.3 JointGrid.plot_joint
3.4 JointGrid.plot_marginals
参考文献：
【2】5种方法教你用Python玩转histogram直方图
【4】python可视化进阶---seaborn1.7 分类数据可视化 - 统计图 barplot() / countplot() / pointplot()
【5】seaborn官网
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
