seaborn seaborn绘制统计直方图、散点图（三）

#%%

%matplotlib inline
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib.pyplot as plt

import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "distributions")))

#%%

x = np.random.normal(size=100)
sns.displot(x,kde=False)     # 其为统计直方图   kde：表示是否进行和密度估计

#%%

sns.displot(x, bins=20, kde=False)   # bins：即将x轴平均分成多少等份

#%% md

### 数据分布情况  ###

#%%

np.random.seed(20180514)
x = np.random.normal(size=100)
sns.distplot(x, kde=False,fit=stats.gamma)   # fit：指定统计的指标

#%% md

根据均值和协方差生成数据

#%%

mean, cov = [0, 1], [(1, .5), (.5, 1)]
data = np.random.multivariate_normal(mean, cov, 200)   # 传入均值与协方差，生成200组数据
df = pd.DataFrame(data, columns=["x", "y"])   # 利用pandas转换成DataFrame的格式
df[:10]

#%% md

###  观测两个变量之间的分布关系最好用散点图 ###

#%%

sns.jointplot(x="x", y="y", data=df)      # 绘制散点图

#%%

x, y = np.random.multivariate_normal(mean, cov, 1000).T
with sns.axes_style("white"):   # 指定风格
    sns.jointplot(x=x, y=y, kind="hex", color="k")

#%% md

## 绘图分析特征与特征间的分布情况

#%%

iris = sns.load_dataset("iris")
iris

#%%

sns.pairplot(iris)

#%%