seaborn库的使用

seaborn库

 

0.设置seaborn风格

• sns.set(style="darkgrid")
  • 5种风格：darkgrid（默认）, whitegrid,dark, white, ticks
• sns.set_context(context=None, font_scale=1)：设置绘图背景参数，涉及标签、线条和其他元素大小，但与整体风格无关
  • context参数包括：paper,talk,poster or a dict or None
  • font_scale参数用于放缩字体大小
• .set_axis_labels(xlabel,ylabel)：设置轴标签

import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
sns.set_context("talk")
sns.set(style="ticks")
df = sns.load_dataset('anscombe')

 
 

一、Relational plots 关系类图表

1.relplot() 关系类图，散点图和线图的集合

• seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)：线图或散点图
  • data：数据，必须是DataFrame类型
  • x/y：变量名或向量
  • hue/size/style：用不同颜色/大小/样式对元素进行分组
  • row，col：形成多个图（按行/列出现图），为数据的变量名
  • col_wrap：可以将多列以多行的形式展现
  • kind：散点图或线图{‘scatter’,‘line’}
  • height：每个图的高度
  • aspect：每个图的长宽比
  • legend：指定图例的形式。{‘brief’,‘full’,or False}

fmri = sns.load_dataset("fmri")
sns.relplot(x="timepoint", y="signal",hue="event", style="event", col="region",
            kind="line", data=fmri)
plt.show()

如图，

 
 

2.scatterplot() 散点图

• seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)：散点图
  • x，y，hue：输入数据或变量名
  • data：DataFrame类型
  • hue/size/style：变量名或向量。根据变量或向量对不同类别的数值用不同颜色/大小的点/标记物显示
  • palette：调色板
  • hue_order/size_order/style_order：当hue/size/style是分类变量时指定分类变量的顺序排列，用一个列表指定（当hue/size/style是输入向量时，此项不起作用）
  • hue_norm/size_norm：当hue是输入向量时，对hue/size中涉及的数据单元进行标准化。tuple或Normalize object
  • sizes：当size使用时，用于指定不同类别的点的大小。可以是list（里面是size值）或dict（每个等级对应的size）。当size是向量时，可以是一个tuple，规定最大最小的size，使其他值限定在这个范围内
  • markers：当使用style变量来使不同类别用不同标志物显示时，markers用于指定哪些类别用哪些标记。若为True，默认的标记；False则用实线、无标记来显示；可以输入list或dict指定不同等级不同标记
  • estimator，ci，n_boot,alpha,legend：同上下文

sns.set(style="dark")
tips = sns.load_dataset("tips")
cmap = sns.cubehelix_palette(dark=.3, light=.8, as_cmap=True)
ax = sns.scatterplot(x="total_bill", y="tip",hue="size", size="size",
                    sizes=(20, 200), hue_norm=(0, 7), legend="full", data=tips)
plt.show()

如图，

 
 

3.lineplot() 折线图（时间序列图）

• seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)：绘制线段，所传数据必须为一个pandas数组
  • data：pandas中的DataFrame类型的
  • x,y：输入数据或变量名(hue：在同一张图上分类)
  • hue：对生成的不同颜色的线段进行分组，data中的变量名或向量
  • size：对生成的不同宽度的线段进行分组，data中的变量名或向量
  • style：对生成的不同线段、标记等的变量进行分组，data中的变量名或向量
  • palette：设置hue指定变量不同级别的颜色，一般是seaborn内置调色板名称或列表字典
  • hue_order/size_order：指定hue/size变量出现的顺序
  • hue_norm/size_norm：hue/size变量为数值型时，对应用了不同颜色级别/不同大小的数据进行标准化处理；当hue变量是类别时，则不处理。tuple或Normalize对象
  • sizes：当size使用时，确定size对象，可以是size值的列表或size到sizes映射级别的字典。当size是数值型时，可以是一个元组，指定最大最小值，对范围外的其他值进行标准化。
  • dasher/markers：指定使用不同风格时线段/标记的样式，True默认风格或可以用list/dict指定，False则使用实线段/无标记的线段
  • units：用于不需要精确标识的情况下显示实验重复的分布。根据抽样单元对变量进行分组，为每个单元绘制一个单独的行
  • ci：指定置信区间

sns.set(style="darkgrid")
fmri = sns.load_dataset("fmri")
sns.lineplot(x="timepoint", y="signal",
             hue="region", style="event",
             data=fmri)
plt.show()

如图，

 
 

二、Categorical plots 分类图表

1.catplot() 分类图表:分类散点图、分布密度散点图、箱图、小提琴图、增强箱图、点图、条形图、计数图

• seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='strip', height=5, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)：指定kind参数可以画出分类散点图、分布密度散点图、箱图、小提琴图、增强箱图、点图、条形图、计数图。
  • x,y,hue：输入数据或变量名(hue：在同一张图上分类)
  • data：DataFrame
  • row，col：data中的变量名。用于确定分类变量（根据变量名分为不同图，row按行显示，col按列显示）
  • col_wrap：指定图每行的张数，该参数最大只能等于col参数对应的不同类别的数量
  • estimator：指定每个分类bin中估计的统计函数。
  • ci：{float,‘sd’,None}。在估计值附近绘制置信区间大小。若为float，进行bootstrapping并指定置信水平；若为’sd’，不进行bootstrapping且绘制观测值的标准差；若为None，不绘制error bar且不进行bootstraping
  • n_boot：计算置信区间时bootstrapping的迭代次数
  • units：data中的变量名或数据的向量。当需要多层bootstrap抽样时指定用于抽样的单元
  • order,hue_order：指定分类变量绘制顺序
  • row_order,col_order：指定行/列变量的绘制顺序
  • kind：指定绘图了类型，{‘count’：计数图，‘point’：点图,‘bar’：条形图,‘strip’：分类散点图,‘swarm’：分布密度散点图,‘box’：箱线图,‘violin’：小提琴图,‘boxen’：增强箱线图}
  • height，aspect（纵横比），orient（图的方向v|h），color，palette，legend（图例）
  • legend_out：若为True，则扩展图形尺寸，图例将绘制在中间右侧的图形之外
  • share{x,y}：是否共享x/y轴。{True,False,‘col’,‘row’}。若为True，则共享x轴，y轴
  • margin_titles：若为True，则行变量标题将绘制在最后一列的右侧

# 第一张图：条形图
sns.set(style="whitegrid")
titanic = sns.load_dataset("titanic")
# a nested barplot
ax=sns.catplot(x="class", y="survived", hue="sex", data=titanic,
                height=6, kind="bar", palette="muted")
ax.despine(left=True)
ax.set_ylabels("survival probability")
plt.show()

# 第二张图
sns.set(style="whitegrid")
df = sns.load_dataset("exercise")
# 点图
ax = sns.catplot(x="time", y="pulse", hue="kind", col="diet",
                capsize=.2, palette="YlGnBu_d", height=6, aspect=.75,
                kind="point", data=df)
ax.despine(left=True)
plt.show()

图：

 
 

2.stripplot() 分类散点图

• 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)：分类散点图。
  • x，y，hue，data，order，hue_order：同上
  • jitter：True则有一个默认值。float指定数量。当散点太多且重叠时，这个参数就很有用，更容易看清楚分布。
  • dodge：当使用hue时，若为True，则在分类的轴上根据不同分类等级将点分离。否则，每一等级的点将绘制在其他等级的上面
  • orient，color，palette：同上
  • size：点的标记的大小（直径）
  • edgecolor：点周围线条的颜色
  • linewidth：构图元素灰线的宽度

import seaborn as sns
import matplotlib.pyplot as plt

sns.set()
tips = sns.load_dataset("tips")
ax = sns.stripplot("day", "total_bill", "smoker", data=tips, palette="Set2",
                   size=20, marker="D", edgecolor="gray", alpha=.25)

plt.show()

图，

 
 

3.swarmplot() 能够显示分布密度的分类散点图

• 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)：能够显示分布密度的分类散点图，像蜂巢一样。类似于stripplot的图，不同在于这些点被调整过不会重叠。可以更好表现数据的分布。但是不能很好地适用于大数据集。
  • x，y，hue，data，order，hue_order，dodge，orient，color，palette，linewidth：同上
  • size：标记点的直径大小
  • edgecolor：每个点旁边的线的颜色

sns.set(style="whitegrid", palette="muted")
iris = sns.load_dataset("iris")
iris = pd.melt(iris, "species", var_name="measurement")
sns.swarmplot(x="measurement", y="value", hue="species",palette=["g", "c", "y"], data=iris)
plt.show()

如图，

 
 

4.boxplot() 箱图

• 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)：箱线图
  • x，y，hue：指定变量名进行分组
  • data：DataFrame类型，数组等
  • order,hue_orde：指定分类变量绘制顺序
  • orient：绘图方向，{‘v’,‘h’}垂直或水平
  • saturation：控制颜色的原始饱和度
  • width：元素宽度或主要分组变量一个级别所有元素的宽度
  • fliersize：指定对异常值的标记的大小
  • linewidth：指定元素的灰线宽度
  • whis：指定超过两个四分位数时IQR的比例，超过此范围的点被识别为异常值
  • notch：是否使矩形框凹陷来显示中位数

sns.set(style="ticks", palette="pastel")
tips = sns.load_dataset("tips")

sns.boxplot(x="day", y="total_bill",
            hue="smoker", palette=["m", "g"],
            data=tips)
sns.despine(offset=10, trim=True)
plt.show()

如图，

 
 

5.violinplot() 小提琴图

• 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)：小提琴图和箱线图都是显示数据在多个层次上的分布，小提琴图以基础分布的核密度为特征。可以单次显示多个数据分布
  • x，y，hue：变量名
  • data：DataFrame类型，数组等
  • order，hue_order：同上
  • bw：核密度的带宽，{‘scott’,‘silverman’,float}
  • cut：以带宽大小为单位的距离，来控制小提琴图外壳延伸超过内部极端数据点的密度
  • scale：缩放图的宽度，{‘area’,‘count’, ‘width’}。area是每张图相同面积；count：宽度根据观察点的数量进行缩放；width：相同宽度
  • scale_hue：缩放比例是在分组变量上还是所有小提琴图上
  • width：设置宽度
  • inner：{“box”, “quartile”, “point”, “stick”, None}。box：微型箱线图；quartils：显示四分卫数线；point/stick：显示具体数据点；None，没有修饰
  • split：当有两种颜色的变量时，若为True则半边小提琴图对应一种颜色
  • orient：{‘v’,‘h’}，垂直或水平绘图
  • linewidth，saturation同上

sns.set(style="whitegrid", palette="pastel", color_codes=True)
tips = sns.load_dataset("tips")

sns.violinplot(x="day", y="total_bill", hue="smoker",split=True, inner="quart",
               palette={"Yes": "y", "No": "b"},data=tips)
sns.despine(left=True)
plt.show()

如图，

 
 

6.boxenplot() 增强箱图

• 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)：它类似于箱形图，在箱形图中绘制一个分布的非参数表示，其中所有特征都对应于实际观测值。通过绘制更多的分位数，它提供了关于分布形状的更多信息，特别是在尾部。
  • x，y，hue，data，order，hue_order，orient，color，palette，saturation（颜色饱和度）：同上
  • width：不分类时，指定所有元素的宽度；分类时，是主要分类变量的一个级别中所有元素的宽度
  • dodge：当使用hue时，元素是否与分类的轴一起移动
  • k_depth：通过分位数的数量来确定箱子数{‘proportion’,‘tukey’,‘trustworthy’}。
  • linewidth：线宽
  • scale:{‘linear’,‘exponential’,‘area’}。确定箱子宽度的方法，视觉上结果相似。'linear’通过一个线性常数因子减少宽度；'exponential‘用未被涉及的数据的比例；'area’与涉及的数据比例成正比
  • outlier_prop：指定被认为是离群值的比例。与k_depth一起使用来确定分位数的数量。范围应当在[0,1]之间。

sns.set(style="whitegrid")
tips = sns.load_dataset("tips")
sns.boxenplot(x="day", y="total_bill", hue="smoker",data=tips, palette="Set3")
plt.show()

图，

 
 

7.pointplot() 点图

• 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)：点图代表散点图位置的数值变量的中心趋势的估计，并使用误差线给出该估计的不确定性的衡量。比条形图更能比较一个或多个分类变量的不同级别。
  • x,y,hue：同上
  • data：同上
  • order，hue_order：同上
  • estimator，ci，n_boot，units：同上
  • marker：用于标记分类变量不同等级
  • linestyles：线的样式，可以给不同等级的分类变量用不同线的样式
  • dodge：当hue参数使用时，元素是否和分类轴一同移动。
  • join：若为True，同一等级的分类变量值将连线
  • scale：大小，float
  • orient，color，palette：同上
  • errwidth：error bar的宽度
  • capsize：error bar上caps的宽度

sns.set(style="darkgrid")
tips = sns.load_dataset("tips")
ax = sns.pointplot(x="time", y="total_bill", hue="smoker",data=tips,
                   markers=["o", "x"],linestyles=["-", "--"])
plt.show()

如图，

 
 

8.barplot() 条形图

• 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)：条形图显示数值变量与每个矩形高度的中心趋势的估计值，并使用误差线提供关于不确定性的衡量。
  • x,y,hue：data的变量名（或者x，y是输入的数据），hue用于分组
  • data：DataFrame，array，list of arrays
  • order，hue_order：指定分类的顺序，列表的形式
  • estimator：用来估计的统计函数，标量的形式
  • ci：置信区间大小，{float,‘sd’,or None }.若是浮点值，则是置信水平值；若为’sd’，不进行bootstraping抽样，而绘制出标准差
  • n_boot：整数。需要计算置信区间时的bootstrap抽样的迭代次数
  • units：data中的变量名或数据的向量。当需要多层bootstrap抽样时指定用于抽样的单元
  • orient：{’v‘，’h‘}，纵向或横向显示图
  • color，palette，saturation（颜色的原始饱和度）
  • errcolor，errwidth：代表置信区间的线的颜色/宽度
  • capsize：浮点数，在误差条上的’cap’的宽度
  • dodge：当hue参数使用时，元素是否和分类轴一同移动。

sns.set(style="whitegrid")

crashes = sns.load_dataset("car_crashes").sort_values("total", ascending=False)
f, ax = plt.subplots(figsize=(6, 15))
sns.set_color_codes("pastel")
# 条形图
sns.barplot(x="total", y="abbrev", data=crashes,
            label="Total", color="b")
sns.set_color_codes("muted")
sns.barplot(x="alcohol", y="abbrev", data=crashes,
            label="Alcohol-involved", color="b")
# 图例和轴的一些设置
ax.legend(ncol=2, loc="lower right", frameon=True)
ax.set(xlim=(0, 24), ylabel="",
       xlabel="Automobile collisions per billion miles")
sns.despine(left=True, bottom=True)

plt.show()

图，

 
 

9.countplot() 计数图

• 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)：用bars显示每个类别观测值的数量。计数图可以被认为是分类的直方图。
• 参数意义同上

sns.set()
titanic = sns.load_dataset("titanic")
ax = sns.countplot(x="class", hue="who", data=titanic, palette="Set3")
plt.show()

如图，

 
 

三、Distribution plot 分布图

1.jointplot() 双变量关系图

• 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)：双变量图，提供了几个类型的图
  • x，y：输入数据或变量名
  • data：当x，y指定的是变量名时，输入类型为DataFrame
  • kind：指定图的类型，{‘scatter’,‘reg’,‘resid’,‘kde’,‘hex’}，hex是hexbin图的缩写，显示落在六边形仓内的观测数
  • color，height，ratio（轴高与边缘轴高之比），space（两轴之间空间，默认0.2）
  • dropna：若为True，剔除x，y上的缺失值
  • {x，y}lim：限制轴的值，两元素的元组
  • {joint，marginal，annot}_kws：其他参数的设置

# first，核函数图
sns.set(style="white")
rs = np.random.RandomState(5)
mean = [0, 0]
cov = [(1, .5), (.5, 1)]
x1, x2 = rs.multivariate_normal(mean, cov, 500).T
x1 = pd.Series(x1, name="$X_1$")
x2 = pd.Series(x2, name="$X_2$")
sns.jointplot(x1, x2, kind="kde", height=7, space=0)

# second，hexbin图
sns.set(style="ticks")
rs = np.random.RandomState(11)
x = rs.gamma(2, size=1000)
y = -.5 * x + rs.normal(size=1000)
sns.jointplot(x, y, kind="hex", color="#4CB391")

# third,回归图
sns.set(style="darkgrid")
tips = sns.load_dataset("tips")
sns.jointplot("total_bill", "tip", data=tips, kind="reg",
              xlim=(0, 60), ylim=(0, 12), color="m", height=7)
plt.show()

图：

 
 

2.pairplot() 变量关系组图

• 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)：显示变量关系的一组图
  • data：DataFrame类型
  • hue：变量名。用不同颜色显示不同类别
  • hue_order：确定变量等级的顺序。list of strings
  • palette：颜色板
  • vars：指定要使用的data中的变量
  • {x,y}_vars：图中行和列分别使用的变量
  • kind：绘制不同关系的图的类型。{‘scatter’,‘reg’}
  • diag_kind：绘制对角线上子图的类型。{’auto’,‘hist’,‘kde’}
  • markers：所有点的标记（string）或指定分类的每个等级不同标记（list）
  • height，aspect（宽：高），dropna（绘制前去除缺失值）

sns.set(style="ticks")
df = sns.load_dataset("iris")
sns.pairplot(df, hue="species")
plt.show()

 
 

3.distplot() 直方图，质量估计图

• 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)：绘制单变量分布图
  • a：数据，series、一维数组或列表
  • bins：直方图柱的数目，默认为None（系统指定数量）
  • hist/kde：是否绘制直方图/高斯核密度图
  • rug：是否在横轴上绘制rugplot图
  • {hist, kde, rug, fit}_kws：一些关键词参数
  • color：指定除曲线外的颜色
  • vertical：若为True，则x-y轴互换/显示在y轴
  • norm_hist：若为True，则直方图的高度显示密度而不是频数；核函数图默认为True
  • axlabel：横轴标签
  • ax：在参数设定的轴上绘图

sns.set(style="white", palette="muted", color_codes=True)
rs = np.random.RandomState(10)

# 设置一个2×2的画布
f, axes = plt.subplots(2, 2, figsize=(7, 7), sharex=True)
sns.despine(left=True)
# 生成数据
d = rs.normal(size=100)

# 第一张图：简单的直方图，蓝色（ax指定哪张图）
sns.distplot(d, kde=False, color="b", ax=axes[0, 0])

# 第二张图：核密度图，显示rug，红色
sns.distplot(d, hist=False, rug=True, color="r", ax=axes[0, 1])

# 第三张图：核密度图，填充阴影
sns.distplot(d, hist=False, color="g", kde_kws={"shade": True}, ax=axes[1, 0])

# 第四张图：直方图和核密度图
sns.distplot(d, color="m", ax=axes[1, 1])

plt.setp(axes, yticks=[])
plt.show()

如图，

 
 

4.kdeplot() 核函数密度估计图

• 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)
  • data：一维数组，单变量时作为唯一变量；data2：一维数组，在单变量时不输入，双变量作为第二个变量输入
  • shade：在曲线下方增加阴影（true/false）
  • shade_lowest：若为True，为核密度最低的范围着色，可以比较不同分布总体
  • kernel：核函数{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }，默认’gau’高斯核，双变量只能使用高斯核
  • vertical：若为True，密度图显示在x轴，即交换x-y轴
  • bw：用于确定双变量图每个核的大小、标量因子
  • cut：从极端数据点切割*bw
  • cmap：控制核密度区域的递进色彩方案
  • legend：若为True，添加图例
  • ax：坐标轴的一些设置
  • cbar：若为True且是双变量，那么添加颜色条；cbar_ax：指定绘制颜色条的坐标轴，若为空，则在主轴绘制
  • cumulative：若为True，绘制累计分布

sns.set(style="darkgrid")
iris = sns.load_dataset("iris")

# 根据iris数据集species属性划分子集
setosa = iris.query("species == 'setosa'")
virginica = iris.query("species == 'virginica'")

f, ax = plt.subplots(figsize=(8, 8))
ax.set_aspect("equal")

# 两个核函数图
ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length,
                 cmap="Reds", shade=True, shade_lowest=False)
ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length,
                 cmap="Blues", shade=True, shade_lowest=False)

# 添加注释
red = sns.color_palette("Reds")[-2]
blue = sns.color_palette("Blues")[-2]
ax.text(2.5, 8.2, "virginica", size=16, color=blue)
ax.text(3.8, 4.5, "setosa", size=16, color=red)

plt.show()

如图：

 
 

5.rugplot() 将数组中的数据点绘制为轴上的数据

• seaborn.rugplot(a, height=0.05, axis='x', ax=None, **kwargs)：将一个array上的数据点绘制在轴上
  • a：array向量。输入观测值
  • height：高度
  • axis：绘制在x或y轴上

sns.set()
titanic = sns.load_dataset("titanic")
ax = sns.rugplot(a=titanic['age'],height=0.2,axis='y')
plt.show()

图，

 
 

四、Regression plots 回归图

1.lmplot() 回归模型图

• sns.lmplot(x,y,data,row=None,col=None,……)
  • 必要参数 x/y：变量名或向量，data：数据
  • row/col：根据原数据某属性在行/列上分类（不同的图）
  • col_wrap：指定图每行的张数，该参数最大只能等于col参数对应的不同类别的数量
  • aspect：长宽比，长：宽=aspect，默认为1
  • sharex/sharey：共享x/y轴，默认为true
  • hue：根据hue值分类显示
  • ci：控制回归的置信区间，ci=置信水平
  • x_jitter/y_jitter：给x/y轴随机增加噪声点，不影响回归直线
  • order：回归幂次，默认为一元线性回归，如=2是二元回归。
  • palette：调色板，seaborn的颜色色板或颜色的字典。

# dataset为上面导入的数据集anscombe
sns.lmplot(x="x", y="y", col="dataset", hue="dataset", data=df,
           col_wrap=2, ci=None, palette="muted", height=4,
           scatter_kws={"s": 50, "alpha": 1})
plt.show()

下图为一个例子：

 
 

2.regplot() 线性回归图

• 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)：拟合一个线性回归图
  • x，y，data：同下
  • x_estimator：将该函数应用在x的值上，绘制出估计值（如，numpy.mean）
  • x_bins：将x变量绘制成分离的bins，然后估计中心趋势和置信区间。形成的直方只会影响图上的散点而不会影响回归线的绘制，回归线仍然拟合的是原数据。当这个参数使用时，x_estimator默认是numpy.mean。参数可以是大小相同的bins的数量（int）或bin中心的位置（vector）
  • x_ci：{‘ci’,‘sd’,int in [0,100] ,None}。‘ci’，使用ci参数的值；‘sd’，显示标准差（不会进行bootstrap）；int，置信水平
  • scatter：若为True，则绘制散点图
  • fit_reg：若为True，绘制x和y之间的回归模型
  • ci：（通过bootstrap得到的）置信水平，int in [0,100]。
  • n_boot：bootstrap抽样次数以估计
  • units：data中的变量名或数据的向量。当需要多层bootstrap抽样时指定用于抽样的单元
  • order：多项式的阶数
  • logistic：若为True，假设y是二元变量，估计一个逻辑回归模型
  • lowess：若为True，估计一个非参数lowess（局部加权线性回归）模型。
  • robust：若为True，估计鲁棒回归
  • logx：若为True，估计y和log(x)的线性回归。（x必须为正数）
  • {x,y}_partial：矩阵（与x相同的维度）或变量名。这些变量将在绘图前被去除
  • truncate：若是False，则在绘制完散点图后将回归线填满x轴。若为True，将受到数据限制。
  • x_jitter/y_jitter：给x/y轴随机增加噪声点，不影响回归直线

sns.set()
tips = sns.load_dataset("tips")
ax = sns.regplot(x="total_bill", y="tip", data=tips,marker="+",x_estimator=np.mean,x_bins=4)
plt.show()

图，

 
 

3.residplot() 线性回归残差图

• 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)：线性回归残差图。绘制残差的散点图和y与x的回归
  • x,y：向量或变量名
  • data：DataFrame
  • lowess：若为True，则拟合局部加权线性回归的残差散点图
  • {x,y}_partial：矩阵（与x相同的维度）或变量名。这些变量将在绘图前被去除
  • order：计算残差时拟合的多项式的阶数
  • robust：若为True，拟合一个鲁棒线性回归
  • dropna：若为True，拟合和绘图时忽略缺失值
  • label：图例标签

sns.set(style="whitegrid")
rs = np.random.RandomState(7)
x = rs.normal(2, 1, 75)
y = 2 + 1.5 * x + rs.normal(0, 2, 75)
sns.residplot(x, y, lowess=True, color="g")
plt.show()

如图，

 
 

五、Matrix plots 矩阵图

1.heatmap() 热力图

• 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)：绘制颜色编码矩阵，即热力图
  • data：输入数据。可以是numpy包的array，或pandas的DataFrame（index和column会对应于热力图的rows和columns）
  • vmin，vmax：确定色彩映射的最大最小值，同时颜色条会显示出最大最小值。
  • cmap：数据值到颜色的映射
  • center：用于设置颜色条的分界线，可以调整整体图像的深浅。
  • robust：若为True且vmin，vmax其中一个为空值，那么使用分位数而不是极值来计算色彩映射范围
  • annot：是否在热力图单元格中显示数值（True or False）。也可以输入数组代替data中的数值
  • fmt：上面的数值的格式
  • annot_kws：annot为True时，一些对它的设置
  • linewidths：指定隔开每个单元格的线宽度
  • linecolor：指定隔开每个单元格的线的颜色
  • cbar：是否绘制颜色条
  • cbar_kws：颜色条的一些设置
  • cbar_ax：指定绘制颜色条的轴，不指定则从主轴选择
  • square：若为Ture，则使每个单元格为方形
  • xticklabels/yticklabels：可以是{True,False,‘auto’,list,int}。若为True/False，绘制/不绘制列名称；若是列表，则用列表的值作为轴标签；若是整数，则使用列名称且之显示整数值个标签；若是’auto’，密集绘制不重叠的标签。
  • mask：输入一个布尔值的数组，在为True的单元格中，屏蔽具有缺失值的单元格。

sns.set()
flights_long = sns.load_dataset('flights')
flights = flights_long.pivot('month', 'year', 'passengers')
f, ax = plt.subplots(figsize=(9, 6))
sns.heatmap(flights, annot=True, fmt="d", linewidths=0.5,
            linecolor='white', ax=ax)
plt.show()

下图为一个例子：

 
 

2.clustermap() 聚集图

• 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)：将矩阵数据集绘制成分层聚类的热力图
  • data：二维数据
  • pivot_kws：可以为pivot提供关键字参数来创建一个矩形数组
  • method：计算clusters的方法
  • metric：数据所用的距离矩阵
  • z_score：{0，1，None}.是否给行（0）或列（1）计算z分数（=(x-mean)/std）
  • standard_scale：{0，1，None}。行/列是否标准化（=(x-min)/max）
  • figsize：图的大小，含有两个元素的tuple
  • cbar_kws：颜色条的一些设置
  • {row,col}_cluster：若为True，将行/列聚集在一起
  • {row,col}_linkage：为行/列预先计算连接矩阵。输入为numpy.array
  • {row,col}_color：用于评估一个组内的样本是否聚集在一起。可以使用嵌套列表或DataFrame进行多种颜色级别的标记。如果以DataFrame或Series的形式给出，则颜色的标签将从DataFrames列名或Series的名称中提取。DataFrame/Series颜色也通过它们的索引与数据匹配，以确保按正确的顺序绘制颜色。
  • mask：输入一个布尔值的数组，在为True的单元格中，屏蔽具有缺失值的单元格。

sns.set()
iris = sns.load_dataset("iris")
ax = sns.clustermap(iris,  cmap="mako")
plt.show()

图，

 
 

六、子图网格

1.FacetGrid()多图网格

  FacetGrid是一个绘制多个图标的接口。步骤：

• 实例化对象
• 映射到具体seaborn图表类型（map）
• 添加图例
• seaborn.FacetGrid(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=True, height=3, aspect=1, palette=None, row_order=None, col_order=None, hue_order=None, hue_kws=None, dropna=True, legend_out=True, despine=True, margin_titles=False, xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)
  • data：DataFrame数据
  • row，col，hue：data中的变量名
  • {row，col，hue}_order：给指定级别排序
  • col_wrap：限制网格的列维度，以便列面跨越多行
  • sharex/sharey：是否共享x/y轴
  • height，aspect（宽：高），palette
  • legend_out：如果为True，则图形尺寸将被扩展，图例将绘制在中间右侧的图形之外。
  • despine：若为True，将移除顶部和右侧边缘框架
  • margin_titles：若为True，则行变量标题将绘制在最后一列的右侧
  • xlim/ylim：当sharex和sharey为True时，可以对轴进行限制

sns.set()
tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips, col="time",  hue="smoker")
g = (g.map(plt.scatter, "total_bill", "tip", edgecolor="w").add_legend())
plt.show()

sns.set(style='white')
tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips, col="size", col_wrap=3,sharey=False,sharex=False)
g = (g.map(plt.hist, "tip", bins=np.arange(0, 13), color="c").set_titles("{col_name} diners"))
plt.show()

图，

 
 

2.PariGrid()成对关系的网格

• seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, diag_sharey=True, height=2.5, aspect=1, despine=True, dropna=True, size=None)：绘制成对关系的网格
  • vars：变量名的list。将使用这些变量；否则使用data中所有数值型变量
  • x_vars/y_vars：变量名的list。分别用于行/列的变量
  • dropna：在绘制前删除缺失值

sns.set(style='darkgrid')
iris = sns.load_dataset("iris")
g = sns.PairGrid(iris)
g = g.map_diag(plt.hist, edgecolor="w")
g = g.map_offdiag(plt.scatter, edgecolor="w", s=40)
plt.show()

sns.set(style='darkgrid')
iris = sns.load_dataset("iris")
g = sns.PairGrid(iris)
g = g.map_upper(plt.scatter)
g = g.map_lower(sns.kdeplot, cmap="Blues_d")
g = g.map_diag(sns.kdeplot, lw=3, legend=False)
plt.show()

图，