python数据可视化之Seaborn（七|终）：FacetGrid与PairGrid操作

写在开头：今天分享的是关于FacetGrid与PairGrid绘制多结构绘图的内容，同样参考文献放置在本章的最后，这也是本系列的最后一节希望自己继续加油。

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）
第四节分享了关于数据相关性的一些绘图展示，可点击链接查看。
python数据可视化之Seaborn（四）
第五节分享了关于分类数据的一些绘图展示方法，可点击链接查看。
python数据可视化之Seaborn（五）
第六节分享了关于回归如何进行绘图的一些方法，可点击链接查看。
python数据可视化之Seaborn（六）

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）。

三、Seaborn结构网络

在我们通常画图的时候，希望能够将图进行多图结合对比，这样能够将数据的信息最大程度的展现出来，特别对于多维数据的时候这样构建一个结构网络进行绘图就显得尤为重要，下面我们首先加载今天需要的包，

import seaborn as sns
import matplotlib.pyplot as plt
sns.set_style("whitegrid")

快速分格绘图
在我们希望绘制一个多类别数据可视化的时候，FacetGrid十分有用，他能够通过row、col、hue三个参数快速实现图像的分隔，在这里我们的绘图代码思路是，先用sns.FacetGrid进行参数的调整，然后使用map的功能，直接绘制图像，

tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips, col="time", size=6)
g.map(plt.hist, "tip");

当然可以通过添加hue可以使得不同类别进行展示，

g = sns.FacetGrid(tips, col="sex", hue="smoker", palette="Set2", size=4)
g.map(plt.scatter, "total_bill", "tip", alpha=.4)
g.add_legend()

还可以有一些参数可以调节绘图，

g = sns.FacetGrid(tips, row="smoker", col="time", margin_titles=True)
g.map(sns.regplot, "size", "total_bill", color="g", fit_reg=True, x_jitter=.5)

对于margin_title这个参数并不能和matplotilb很好的对接，尤其是在外绘制类别标签的时候。控制画布大小的主要是height和aspect参数，

g = sns.FacetGrid(tips, col="day", height=4, aspect=.7)
g.map(sns.barplot, "sex"