画一个吸引人注意的图表相当重要。当你探索一个数据集，需要画图表，图表看起来令人愉悦是件很高兴的事。在与你的观众交流观点时，可视化同样重要，同时，也很有必要去让图表吸引注意力和印入脑海里。Matplotlib自动化程度非常高，但是，掌握如何设置系统以便获得一个吸引人的图是相当困难的事。为了控制matplotlib图表的外观，Seaborn模块自带许多定制的主题和高级的接口。

我们用ipython notebook

import numpy as np

import matplotlib as mpl

import matplotlib.pyplot as plt

np.random.seed(sum(map(ord,"aesthetics")))

让我们定以一个函数来画正弦函数，这将帮助我们了解我们可以控制的不同风格的参数。

def sinplot(flip=1):

x =np.linspace(0,14,100)

for i in range(1,7):

plt.plot(x,np.sin(x+i*0.5)*(7-i)*flip)

import seaborn as sns

sinplot()

2 图形分类

因变量绘图

1 线箱图boxplot

2 小提琴图violinplot

3 散点图striplot

4 带分布的散点图swarmplot

5 直方图barplot

6 计数直方图countplot

7 两变量关系图factorplot

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 线性回归图implot

2 线性回归图regplot

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

热力图

1 热力图heatmap

聚类图

1 聚类图clustermap

时间序列图

1 时间序列图tsplot

2我的时间序列图plot_ts_d,plot_ts_m

3 因子变量绘图

3.1 boxplot线箱图

import seaborn as sns

sns.set_style("whitegrid")

tips = sns.load_dataset("tips")

# 绘制箱线图

ax = sns.boxplot(x=tips["total_bill"])

# 竖着放的箱线图，也就是将x换成y

ax = sns.boxplot(y=tips["total_bill"])

# 分组绘制箱线图，分组因子是day，在x轴不同位置绘制

ax = sns.boxplot(x="day", y="total_bill", data=tips)

#分组箱线图，分子因子是smoker，不同的因子用颜色区分

#相当于分组之后又分组

ax =sns.boxplot(x="day",y="total_bill",hue="smoker",data=tips, palette="Set3")

# 改变线宽，linewidth参数

ax = sns.boxplot(x="day", y="total_bill",hue="time",data=tips, linewidth=2.5)

#改变x轴顺序，order参数

ax = sns.boxplot(x="time", y="tip", data=tips,order=["Dinner", "Lunch"])

# 对dataframe的每个变量都绘制一个箱线图，水平放置

iris = sns.load_dataset("iris")

ax = sns.boxplot(data=iris, orient="h", palette="Set2"

# 箱线图+有分布趋势的散点图

# 图形组合也就是两条绘图语句一起运行就可以了，相当于图形覆盖了

ax = sns.boxplot(x="day", y="total_bill", data=tips)

ax = sns.swarmplot(x="day", y="total_bill", data=tips, color=".25")

https://img-blog.csdn.net/20170403205820929?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3V6eXUxMjM0NQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast

3.3 stripplot散点图

需要注意的是，seaborn中有两个散点图，一个是普通的散点图，另一个是可以看出分布密度的散点图。下面把它们花在一起就明白了。

# 普通的散点图

ax1 = sns.stripplot(x=tips["total_bill"])

# 带分布密度的散点图

ax2 = sns.swarmplot(x=tips["total_bill"])

# 分组的散点图

ax = sns.stripplot(x="day", y="total_bill", data=tips)

# 添加抖动项的散点图，jitter可以是0.1,0.2...这样的小数，表示抖动的程度大小

ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

# 重点来了，分组绘制，而且是分组后分开绘制，在柱状图中，跟分组柱状图类似的。

# 通过 hue, split 参数控制

# 1.分组

ax = sns.stripplot(x="sex",y="total_bill",hue="day",data=tips, jitter=True)

# 2.分开绘制

ax = sns.stripplot(x="day", y="total_bill", hue="smoker",data=tips, jitter=True,palette="Set2",split=True)

# 散点图+小提起图

# 两条命令一起运行就行了

ax=sns.violinplot(x="day",y="total_bill",data=tips,inner=None, color=".8")

ax=sns.stripplot(x="day",y="total_bill",data=tips,jitter=True)

3.4 swarmplot带分布的散点图

swarmplt的参数和用法和stripplot的用法是一样的，只是表现形式不一样而已。

import seaborn as sns

sns.set_style("whitegrid")

tips = sns.load_dataset("tips")

ax = sns.swarmplot(x=tips["total_bill"])

ax= sns.swarmplot(x="day",y ="total_bill",data = tips)

3.6 直方图

直方图的统计函数，绘制的是变量的均值 estimator=np.mean

# 注意看看Y轴，看到没，统计函数默认是 mean，

import seaborn as sns

sns.set_style("whitegrid")

tips = sns.load_dataset("tips")

ax = sns.barplot(x="day", y="total_bill", data=tips,ci=0)

# 分组的柱状图

ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips,ci=0)

# 绘制变量中位数的直方图，estimator指定统计函数

from numpy import median

ax = sns.barplot(x="day", y="tip", data=tips,estimator=median, ci=0)

3.7 countplot计数统计图

这个很重要，对因子变量计数，然后绘制条形图

import seaborn as sns

sns.set(style="darkgrid")

titanic = sns.load_dataset("titanic")

ax = sns.countplot(x="class", data=titanic)

# 分组绘图

ax = sns.countplot(x="class", hue="who", data=titanic)

# 如果是横着放，x用y替代

ax = sns.countplot(y="class", hue="who", data=titanic)

3.8.factorplot

这是一类重要的变量联合绘图。

绘制 因子变量-数值变量 的分布情况图。

# 用小提琴图 反应 time-pulse 两变量的分布情形

import seaborn as sns

sns.set(style="ticks")

exercise = sns.load_dataset("exercise")

g =sns.factorplot(x="time",y="pulse",hue="kind",data=exercise, kind="violin")

# 不同的deck(因子)绘制不同的alive(数值)，col为分子图绘制，col_wrap每行画4个子图

titanic = sns.load_dataset("titanic")

g = sns.factorplot(x="alive", col="deck", col_wrap=4,data=titanic[titanic.deck.notnull()],kind="count", size=2.5, aspect=.8)


4.回归图

回归图有两个，我暂时没有看出他们有什么区别，从函数说明来看看吧。

lmplot： Plot data and regression model fits across a FacetGrid.

regplot：Plot data and a linear regression model fit.

4.1.回归图lmplot

# 线性回归图

import seaborn as sns; sns.set(color_codes=True)

tips = sns.load_dataset("tips")

g = sns.lmplot(x="total_bill", y="tip", data=tips)

# 分组的线性回归图，通过hue参数控制

g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)

# 分组绘图，不同的组用不同的形状标记

g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips,markers=["o", "x"])

# 不仅分组，还分开不同的子图绘制，用col参数控制

g = sns.lmplot(x="total_bill", y="tip", col="smoker", data=tips)

# col+hue 双分组参数，既分组，又分子图绘制，jitter控制散点抖动程度

g = sns.lmplot(x="size", y="total_bill", hue="day", col="day",data=tips, aspect=.4, x_jitter=.1)

# 分组绘制，控制size尺寸

g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",data=tips, col_wrap=2, size=3)

# 既然col可以控制分组子图的，那么row也是可以控制分组子图的

g = sns.lmplot(x="total_bill", y="tip", row="sex", col="time", data=tips, size=3)

4.2.回归图regplot

import seaborn as sns; sns.set(color_codes=True)

tips = sns.load_dataset("tips")

ax = sns.regplot(x="total_bill", y="tip", data=tips)

# 控制散点的形状和颜色

import numpy as np; np.random.seed(8)

mean, cov = [4, 6], [(1.5, .7), (.7, 1)]

x, y = np.random.multivariate_normal(mean, cov, 80).T

ax = sns.regplot(x=x, y=y, color="g", marker="+")

# 控制回归的置信度，你会看到拟合直线的外面的面积的有变化的

ax = sns.regplot(x=x, y=y, ci=68)

# 上面的都是拟合一次曲线，拟合二次曲线通过order=2设置，

# 拟合一次曲线相当于 order=1

ans = sns.load_dataset("anscombe")

ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],scatter_kws={"s": 80},order=2, ci=None, truncate=True)

5.数值分布绘图

5.1.直方图histplot

# 绘制数值变量的密度分布图

# 默认既绘制核密度曲线，也绘制直方图

import seaborn as sns, numpy as np

sns.set(rc={"figure.figsize": (8, 4)}); np.random.seed(0)

x = np.random.randn(100)

ax = sns.distplot(x)

# 只绘制核密度曲线，不绘制直返图

ax = sns.distplot(x, rug=True, hist=False)

# 横着放

ax = sns.distplot(x, vertical=True)

5.2.核密度图kdeplot

# 绘制核密度图

import numpy as np; np.random.seed(10)

import seaborn as sns; sns.set(color_codes=True)

mean, cov = [0, 2], [(1, .5), (.5, 1)]

x, y = np.random.multivariate_normal(mean, cov, size=50).T

ax = sns.kdeplot(x)

# shade参数决定是否填充曲线下面积

ax = sns.kdeplot(x, shade=True, color="r")

# 双变量密度图，相当于等高线图了

# shade 参数改用颜色深浅表示密度的大小，不过不用，就真的是等高线了

ax = sns.kdeplot(x, y, shade=True)

# 分组绘制双变量的核密度图

# 相当于绘制两个核密度图，通过图可以看到密度中心

# 类似于挖掘算法中聚类中心绘图

iris = sns.load_dataset("iris")

setosa = iris.loc[iris.species == "setosa"] # 组1

virginica = iris.loc[iris.species == "virginica"] # 组2

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)