【实验楼/Seaborn】Seaborn概览

Seaborn简介

matplotlib可能是基于Python最优秀的绘图库了。但是它的api数目比较多，较为复杂。
Seaborn基于matplotlib的核心库进行了更高级的封装。可以绘制出更高级的图形。

Seaborn的基本使用

由于Seaborn是基于matplotlib进行开发的。因此我们使用seaborn时只需正常使用matplotlib的api。外加简单的几句Seaborn函数即可：

import seaborn as sns
sns.set()

Seaborn绘图API概览

当然sns也自带绘图的API，你可以直接使用sns的API。
首先你要知道Seaborn绘图的API主要可以分为两类：

1. Figure-level的，比如relplot。
2. Axes-level的，比如scatterplot和lineplot。

这两个level的区别在于，figure-level像是懒人函数，适合于快速应用。而axes-plot的可以实现与matplotlib实现更加灵活和紧密的结合。
不过这些API的使用方法是大同小异的。比如说他们都有相同的属性：

1. data属性：选择什么样的对象。
2. x和y属性：选择哪些数据在图上当做x和y轴展示。
3. hue：给每一个线段或者散点染色。
4. style：设置每一个线段或者散点的格式。

---

关联图

涉及到关联性分析的时候，我们可以使用一下API

1. replot：绘制关系图（即可以画散点，可以画线型图， 默认是画散点，你可以指定kind属性来选择话什么图形）
2. scatterplot：专门绘制散点图。
3. lineplot: 专门绘制线型图。
   
   

---

类别图

（我感觉这些图都差不多。。）

1. 分类散点图:

   • stripplot()(kind="strip")
     
   • swarmplot()(kind="swarm")
     

2. 分类分布图:

   • boxplot() (kind="box")
     
   • violinplot() (kind="violin")
     
   • boxenplot()(kind="boxen")
     

3. 分类估计图:

   • pointplot()(kind="point")
     
   • barplot() (kind="bar")
     
   • countplot() (kind="count")
     

---

分布图

我们可以通过分布图查看变量的分布情况。一般分为单变量分布（这个好像没什么用），还有一个多变量分布（基本上都是两个变量，两个以上的变量很难绘制出直观的可视化图形）
不过说实话下面几个图并不是分布函数（CDF）的图，而是离散型随机变量PMF的图片。因为CDP必然是非降的。

一. 查看单变量分布

sns.distplot(iris["sepal_length"])

查看多变量分布我们一般适用jointplot函数：

二. 核密度估计函数

sns.jointplot(x="sepal_length", y="sepal_width", data=iris, kind="kde")

三. 六边形计数图

sns.jointplot(x="sepal_length", y="sepal_width", data=iris, kind="hex")

四. pairplot

这个应该是seaborn中最为强大的api了。它能够把所有特征两两分布图全部都画出来：

sns.pairplot(iris, hue="species")

---

矩阵图

矩阵图里最常用的两个图是heatmap和clustermap
其中：

1. heatmap是用来画热力图，用来研究各个变量之间的相关性的。
2. clustermap是用来使用层次聚类方法的。