seaborn（2）---画分类图/分布图/回归图/矩阵图

二.分类图

1. 分类散点图

（1）散点图striplot（kind='strip'）

方法1：

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)

• seaborn.stripplot

方法2：catplot的kind默认=striplot

sns.catplot(x="sepal_length", y="species", data=iris)

　　

（2）带分布的散点图swarmplot（kind='swarm'）

方法1：

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)

• seaborn.swarmplot

方法2：

 sns.catplot(x="sepal_length", y="species", kind="swarm", data=iris) 　　

2. 分类分布图

（1）箱线图boxplot（kind='box'）

方法1：

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)

• seaborn.boxplot

方法2：

sns.catplot(x="sepal_length", y="species", data=iris)

　　

（2）小提琴图violinplot（kind='violin'）

方法1：

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)

• seaborn.violinplot

方法2：

sns.catplot(x="sepal_length", y="species", kind="violin", data=iris)

　

（3）boxenplot（kind='boxen'）

方法1：

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)

• seaborn.boxenplot

方法2：

sns.catplot(x="species", y="sepal_length", kind="boxen", data=iris)

　　

3. 分类估计图

（1）pointplot（kind='point'）

方法1：

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)

• seaborn.pointplot

方法2：

sns.catplot(x="sepal_length", y="species", kind="point", data=iris)

　　

（2）直方图barplot（kind='bar'）

方法1：

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)

• seaborn.barplot

方法2：

sns.catplot(x="sepal_length", y="species", kind="bar", data=iris)

　　

（3）计数的直方图countplot（kind='count'）

方法1：

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)

• seaborn.countplot

方法2：

sns.catplot(x="species", kind="count", data=iris)

　　

三.分布图

包括单变量核密度曲线，直方图，双变量多变量的联合直方图，和密度图

1.单分布

（1）distpot

方法：

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)

• seaborn.distplot

• 设置 kde=False 则可以只绘制直方图，或者 hist=False 只绘制核密度估计图

举例：

sns.distplot(iris["sepal_length"])

　　

（2）kdeplot

方法：

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)

• kdeplot 可以专门用于绘制核密度估计图，其效果和 distplot(hist=False) 一致，但 kdeplot 拥有更多的自定义设置

• seaborn.kdeplot

举例：

sns.kdeplot(iris["sepal_length"])

　　

2.双分布

（1）jointplot二元变量分布图

方法：

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)

• seaborn.jointplot

• jointplot 并不是一个 Figure-level 接口，但其支持 kind= 参数指定绘制出不同样式的分布图。例如，绘制出核密度估计对比图 kind = 'kde'。
• kind='hex'绘制六边形计数图
• kind='reg'绘制回归拟合图

举例：

例如，我们探寻 sepal_length 和 sepal_width 二元特征变量之间的关系。

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

　　

（2）pairpot

支持将数据集中的特征变量两两对比绘图，默认情况下，对角线上是单变量分布图，而其他是二元变量分布图

方法：

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)

• seaborn.pairplot

举例：

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

　　

（3）rugplot

 方法：

seaborn.rugplot(a, height=0.05, axis='x', ax=None, **kwargs)

　　

四.回归图

回归图只要探讨两连续数值变量的变化趋势情况，绘制x-y的散点图和回归曲线。

1.lmplot

方法：

seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, 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, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, size=None)

• seaborn.lmplot
• lmplot 同样是用于绘制回归图，但 lmplot 支持引入第三维度进行对比，例如我们设置 hue="species"。

举例：

sns.lmplot(x="sepal_length", y="sepal_width", hue="species", data=iris)

　　

2.regplot

方法：用线性回归模型对数据做拟合

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)

• seaborn.regplot
• regplot 绘制回归图时，只需要指定自变量和因变量即可，regplot 会自动完成线性回归拟合。

举例：

sns.regplot(x="sepal_length", y="sepal_width", data=iris)

　　

3.residplot

方法：展示线性回归模型拟合后各点对应的残值

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)

　　

 举例：可以对以年为单位的地震记录作线性回归拟合。以下两张图分别对应一阶线性回归拟合、拟合后残值分布情况图。

plt.figure(figsize=(12,6))
plt.subplot(121)
sns.regplot(x="Year", y="ID",
data=temp,order=1) # default by 1plt.ylabel(' ')
plt.title('Regression fit of earthquake records by year,order = 1')

plt.subplot(122)
sns.residplot(x="Year", y="ID",
data=temp)
plt.ylabel(' ')
plt.title('Residual plot when using a simplt regression
model,order=1')
plt.show()

　　

五.矩阵图

1.热力图heatmap

方法：用颜色矩阵去显示数据在两个维度下的度量值

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)

• 热力图在某些场景下非常实用，例如绘制出变量相关性系数热力图。

• seaborn.heatmap

举例：

import numpy as np

sns.heatmap(np.random.rand(10, 10))

　　

2.聚类图clustermap

方法：

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)

• 除此之外，clustermap 支持绘制层次聚类结构图。如下所示，我们先去掉原数据集中最后一个目标列，传入特征数据即可。当然，你需要对层次聚类有所了解，否则很难看明白图像多表述的含义。

• seaborn.clustermap

举例：

iris.pop("species")
sns.clustermap(iris)

　　

六.时间序列图

1.时间序列图tsplot

用时间维度序列去展现数据的不确定性

2.网格时序图plot_ts_d , plot_ts_m

七.多绘图网格

1.小平面网格

1.1 FaceGrid

1.2 FacetGrid.map

1.3 FacetGrid.map_dataframe

2.配对网格

2.1 PairGrid

2.2 PairGrid.map

2.3 PairGrid.map_diag

2.4 PairGrid.map_offdiag

2.5 PairGrid.map_lower

2.6 PairGrid.map_upper

3.联合网格

3.1 JointGrid

3.2 JointGrid.plot

3.3 JointGrid.plot_joint

3.4 JointGrid.plot_marginals

参考文献：

【1】Python学习笔记——数据分析之Seaborn绘图

【2】5种方法教你用Python玩转histogram直方图

【3】机器学习开放课程：二、使用Python可视化数据

【4】python可视化进阶---seaborn1.7 分类数据可视化 - 统计图 barplot() / countplot() / pointplot()

【5】seaborn官网

【6】Seaborn 数据可视化基础教程