I. Introduction
Python is based seaborn matplotlib drawing module having features more and more beautiful visual style drawing, when we want to explore the features of a single or a pair of data distribution, the distribution may be used a number of functions built seaborn data carried out a wide range of visualization, jupyter notebook paper as editor for seaborn in kdeplot, rugplot, distplot and jointplot, a detailed description of its parameters and specific usage.
Two, kdeplot
seaborn kdeplot may be used in the univariate and bivariate nuclear density estimation and visualization, the main parameters are as follows:
data: one-dimensional array, as the only univariate variables
data2: DATA2 format is the same, no input univariate, bivariate as a second input variable
shade: bool variable, for controlling whether the area under the curve kernel density estimation fill color, fill for True
vertical: bool variables, input variables in a single effective to control whether the reverse position xy axis
kernel: character input, for controlling the kernel density estimation methods, defaults 'gau', i.e. Gaussian kernel, in particular in the case of 2-dimensional Gaussian kernel supports only variable method
legend: bool variable, for controlling whether to add the image on the legend
cumulative: bool variable to control whether to draw a cumulative distribution kernel density estimation, the default is False
shade_lowest: bool variable, for controlling whether the estimated lowest range of colored nucleation density, mainly for comparison with a plurality of coordinate axes of different populations, the default is True
cbar: bool variable controls whether the two-dimensional drawing in FIG kernel density estimation while adding color chart on the right image
color: character variable for controlling the color density curve core, with the Color parameters plt.plot () is, as 'r' for red
cmap: variable character, the color scheme for controlling the progressive nucleation density region, with plt.plot cmap parameter () is, as 'Blues' Representative Blue
n_levels: int type, and is in a valid variable, for controlling the number of kernel density estimation section, the image reflected in the closed loop layers
Let's look at a few examples to actually use kdeplot familiar with the above parameters:
First, we need to prepare the data, as used herein seaborn comes iris data as the sample data, as the run code jupyter notebook, so plus magic% matplotlib inline command so that an image to be displayed in the notebook
Import Seaborn AS SNS sns.set (color_codes = True) Import matplotlib.pyplot AS PLT % matplotlib inline # loading Seaborn comes iris data set, the data frame format of IRIS = sns.load_dataset ( ' IRIS ' ) # separated setosa flower attribute value corresponding to the class setosa = iris.loc [iris.species == " setosa " ] .reset_index (drop = True) # separated virginica class attribute value of the corresponding flower virginica = iris.loc [iris.species = = " virginica " ] .reset_index (drop = True)
First, we do not modify the other parameters passed to observe only the image data to map out:
# Kernel density estimation iris plotted in FIG petal_width parameters ax = sns.kdeplot (iris.petal_width)
加上红色填充颜色，并禁止图例显示：
ax = sns.kdeplot(iris.petal_width,shade=True,color='r')
修改为核密度分布：
ax = sns.kdeplot(iris.petal_width, shade=True, color='r', cumulative=True)
交换x-y轴位置：
ax = sns.kdeplot(iris.petal_width, shade=True, color='r', vertical=True)
下面我们来绘制双变量联合核密度估计图：
#绘制setosa花的petal_width与petal_length的联合核密度估计图 ax = sns.kdeplot(setosa.petal_width, setosa.petal_length)
修改调色方案为蓝色，并设置shade_lowest=True：
ax = sns.kdeplot(setosa.petal_width, setosa.petal_length, cmap='Blues', shade=True, shade_lowest=True)
在上图基础上修改shade_lowest=False：
ax = sns.kdeplot(setosa.petal_width, setosa.petal_length, cmap='Blues', shade=True, shade_lowest=False)
可以看到这时最低密度估计曲线之外的区域没有被调色方案所浸染。
将核密度曲线区间个数修改为5：
ax = sns.kdeplot(setosa.petal_width, setosa.petal_length, cmap='Blues', shade=True, shade_lowest=False, n_levels=5)
可以看到这时的核密度区间要粗略很多。
在同一个子图中绘制两个不同一维总体的核密度估计图，这里为了把它们区分开分别定义了label参数以显示在图例中：
ax1 = sns.kdeplot(setosa.petal_width,label='setosa.petal_width') ax2 = sns.kdeplot(virginica.petal_width,label='virginica.petal_width')
在同一个子图中绘制两个不同二维总体的核密度估计图：
ax1 = sns.kdeplot(setosa.sepal_width,setosa.sepal_length, cmap='Blues', shade=True, shade_lowest=False) ax2 = sns.kdeplot(virginica.sepal_width,virginica.sepal_length, cmap='Greens', shade=True, shade_lowest=False)
三、rugplot
rugplot的功能非常朴素，用于绘制出一维数组中数据点实际的分布位置情况，即不添加任何数学意义上的拟合，单纯的将记录值在坐标轴上表现出来，相对于kdeplot，其可以展示原始的数据离散分布情况，其主要参数如下：
a：一维数组，传入观测值向量
height：设置每个观测点对应的小短条的高度，默认为0.05
axis：字符型变量，观测值对应小短条所在的轴，默认为'x'，即x轴
使用默认参数进行绘制：
ax = sns.rugplot(iris.petal_length)
调换所处的坐标轴：
ax = sns.rugplot(iris.petal_length,axis='y')
修改小短条高度和颜色：
ax = sns.rugplot(iris.petal_length, color='r', height=0.2)
三、distplot
seaborn中的distplot主要功能是绘制单变量的直方图，且还可以在直方图的基础上施加kdeplot和rugplot的部分内容，是一个功能非常强大且实用的函数，其主要参数如下：
a：一维数组形式，传入待分析的单个变量
bins：int型变量，用于确定直方图中显示直方的数量，默认为None，这时bins的具体个数由Freedman-Diaconis准则来确定
hist：bool型变量，控制是否绘制直方图，默认为True
kde：bool型变量，控制是否绘制核密度估计曲线，默认为True
rug：bool型变量，控制是否绘制对应rugplot的部分，默认为False
fit：传入scipy.stats中的分布类型，用于在观察变量上抽取相关统计特征来强行拟合指定的分布，下文的例子中会有具体说明，默认为None，即不进行拟合
hist_kws,kde_kws,rug_kws：这几个变量都接受字典形式的输入，键值对分别对应各自原生函数中的参数名称与参数值，在下文中会有示例
color：用于控制除了fit部分拟合出的曲线之外的所有对象的色彩
vertical：bool型，控制是否颠倒x-y轴，默认为False，即不颠倒
norm_hist：bool型变量，用于控制直方图高度代表的意义，为True直方图高度表示对应的密度，为False时代表的是对应的直方区间内记录值个数，默认为False
label：控制图像中的图例标签显示内容
使用默认参数进行绘制：
ax = sns.distplot(iris.petal_length)
修改所有对象的颜色，绘制rugplot部分，并修改bins为20：
ax = sns.distplot(iris.petal_length,color='r', rug=True, bins=20)
在上图的基础上强行拟合卡方分布并利用参数字典设置fit曲线为绿色：
from scipy.stats import chi2 ax = sns.distplot(iris.petal_length,color='r', rug=True, bins=20, fit=chi2, fit_kws={'color':'g'})
修改norm_hist参数为False使得纵轴显示的不再是密度而是频数（注意这里必须关闭kde和fit绘图的部分，否则纵轴依然显示密度），利用hist_kws传入字典调整直方图部分色彩和透明度，利用rug_kws传入字典调整rugplot部分小短条色彩：
ax = sns.distplot(iris.petal_length,color='r', rug=True, kde=False, bins=20, fit=None, hist_kws={'alpha':0.6,'color':'orange'}, rug_kws={'color':'g'}, norm_hist=False)
四、jointplot
之所以按照kdeplot-rugplot-distplot的顺序来介绍是因为distplot中涉及到kdeplot与rugplot中的相关内容，而本文最后要介绍的函数jointplot中聚合了前面所涉及到的众多内容，用于对成对变量的相关情况、联合分布以及各自的分布在一张图上集中呈现，其主要参数如下：
x,y：代表待分析的成对变量，有两种模式，第一种模式：在参数data传入数据框时，x、y均传入字符串，指代数据框中的变量名；第二种模式：在参数data为None时，x、y直接传入两个一维数组，不依赖数据框
data：与上一段中的说明相对应，代表数据框，默认为None
kind：字符型变量，用于控制展示成对变量相关情况的主图中的样式
color：控制图像中对象的色彩
height：控制图像为正方形时的边长
ratio：int型，调节联合图与边缘图的相对比例，越大则边缘图越矮，默认为5
space：int型，用于控制联合图与边缘图的空白大小
xlim,ylim：设置x轴与y轴显示范围
joint_kws,marginal_kws,annot_kws：传入参数字典来分别精细化控制每个组件
在默认参数设置下绘制成对变量联合图：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa)
值得一提的是，jointplot还贴心的在图像上说明了成对变量之间的皮尔逊简单相关系数以及相关性检验的p值结果。
将kind参数设置为'reg'，为联合图添加线性回归拟合直线与核密度估计结果：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='reg')
修改kind为'hex'来为联合图生成六边形核密度估计：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='hex')
修改kind为'kde'来将直方图和散点图转换为核密度估计图，并将边际轴的留白大小设定为0：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='kde', space=0, color='g')
jointplot还支持图层叠加，如下面的例子，我们首先绘制出的联合图中kind限制为拟合线性回归直线，在此基础上利用.plot_joint方法叠加核密度估计图层：
ax = (sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, color='g', kind='reg')).plot_joint(sns.kdeplot, zorder=0, n_levels=10)
根据你的具体需要还可以叠加出更加丰富的图像。
调大ratio参数使得边缘图更加小巧：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='kde', space=0, color='g', ratio=15)
利用边缘图形参数字典为边缘图形添加rugplot的内容，并修改直方个数为15：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, marginal_kws=dict(bins=15, rug=True), linewidth=1,space=0)
实际上，如果你足够了解matplotlib与seaborn，可以通过各种组合得到信息量更丰富特别的图像！
以上就是本文的全部内容，如有笔误望指出！