python数据可视化之Seaborn（四）：相关数据可视化

写在开头：今天分享的是关于数据相关性的绘图方法，参考文献会附在文章最后的链接。

前文回顾：
第一节分享了Seaborn绘图的整体颜色与风格比例调控，可点击链接查看。
python数据可视化之Seaborn（一）
第二节分享了连续、分类、离散数据的绘图颜色的方法，可点击链接查看。
python数据可视化之Seaborn（二）
第三节分享了对于数据分布的绘图方法，可点击链接查看。
python数据可视化之Seaborn（三）

Seaborn可视化内容安排

在Seaborn的学习中安排如下，
一、画风设置：会简单介绍一下绘图风格（一）与颜色风格（二）的设置；
二、绘图技巧：这里会介绍数据集（三）、相关数据（四）、分类数据（五）、线性关系（六）可视化的相关内容；
三、结构网络：本节主要介绍数据识别结构网络的绘图（七）。

二、Seaborn绘图技巧

相关数据

在统计分析中最常用的一个步骤去理解数据就是去了解数据的相关性，比如一般在建立回归模型之前，会建立一个二维散点图来观察数据之间表现的一种关系，进行初步判断，所以上一节说了查看数据分布的方法，这一节再来讲一讲查看数据相关的办法。本节使用的函数主要是relplot()，这个函数可以通过FacetGrid方法进行调参，内置在其中的比较方便。下面首先加载这次需要使用到的包和整体参数。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
sns.set_style("whitegrid")
np.random.seed(42)

散点图绘制
散点图是了解两变量数据最直接的方法，可以快速查看到变量之间的相关性、异常值与杠杆值等等，所以在探究变量之间关系的时候绘制个散点图还是很有必要的，利用seaborn自带数据集tips进行绘制。

tips = sns.load_dataset("tips")
sns.relplot(x="tip", y="total_bill", data=tips)
#tips.head() 可以先查看一下数据变量有哪些

在relplot函数中有hue（当输入为离散值那么就改变类别颜色，如果是连续值那么就用连续型的颜色变化）、size和style三个控制参数，控制图形不同类别的形状颜色或者大小。

sns.relplot(x="tip", y="total_bill", hue="sex", style="smoker", data=tips)

上图的颜色分别代表男性和女性，标记形代表是否是烟民，虽然这张图涵盖大量的信息，但是有时一张图信息过多往往难以阅读。还有一个参数是size，在将size参数前，我们还可以根据hue输入连续值来绘制连续颜色图，这里可以在palette里面直接调节cubehelix色板旋转，