Seaborn是对matplotlib的扩展，是一个数据可视化库，提供更高级的API封装，在应用中更加的方便灵活。下面我简单介绍一下他的最基本用法，实际应用的时候，可以直接从文档中查找这个库，这时候使用就很快捷了。

首先将使用它所需要的库导入进来，当然，其中包括numpy之类的是为了演示它的功能才导入的，大家要先理解一下每个库的作用。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from pandas import Series,DataFrame

import seaborn as sns # seaborn习惯简写为sns

直方图和密度图

如果在 ipython，可以通过 %matplotlab 来解决每次通过 plt.show() 来显示图像，或者 jupyter notebook 中可以使用%matplotlib inline，后面程序我就省略了 plt.show() ，可以根据自己的环境选择显示图像的方式。

matplotlib

s1 = Series(np.random.randn(1000)) # 生成1000个点的符合正态分布的随机数

plt.hist(s1) # 直方图，也可以通过plot(),修改里面kind参数实现

s1.plot(kind='kde') # 密度图

seaborn

s1 = Series(np.random.randn(1000)) # 生成1000个点的符合正态分布的随机数

sns.distplot(s1,hist=True,kde=True,rug=True) # 前两个默认就是True,rug是在最下方显示出频率情况，默认为False

# bins=20 表示等分为20份的效果，同样有label等等参数

sns.kdeplot(s1,shade=True,color='r') # shade表示线下颜色为阴影,color表示颜色是红色

sns.rugplot(s1) # 在下方画出频率情况

给出两种方式通过最基本的方式画出来的效果，怎么样，是不是发现seaborn很强大。

柱状图和热力图

下载实验数据

df = sns.load_dataset('flights') # 在线下载一个数据用于实验，在sns.load_dataset()函数里有很多的数据，想了解更多的可以到GitHub中找到源码，你就会很清楚了

我们可以先看一下里面的数据，可以看到，这是一个航空的数据，里面有年、月和乘客数量，接下来我们就要在这份数据上进行分析。

数据处理

我们可以通过透视表来先对这份数据进行一下处理，大家可以自己试一下，这样生成的结果是以年为columns，以月为index，表内数据为对应的乘客数量。

df = df.pivot(index='month',columns='year',values='passengers') # 生成一个透视表，得到一个以年、月为轴的二维数据表

绘制柱状图

s = df.sum()

# 通过matplotlib绘出图形

s.plot(kind='bar')

# 通过seaborn绘出图形

sns.barplot(x=s.index,y=s.values)

绘制热力图

df.plot() # 线性的显示数据情况

# sns.heatmap(df) # 生成热力图

# sns.heatmap(df,annot=True,fmt='d') # annot参数是指显示数据，fmt='d'是指以整数形式显示

图形显示效果

axes_style and set_style

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

y1 = np.sin(x)

y2 = np.sin(x+2)*1.25

def sinplot():

plt.plot(x,y1)

plt.plot(x,y2)

sinplot() # 以matplotlib显示，生成两个函数图像

# seaborn的5种装饰风格

styles = ['darkgrid','dark','white','whitegrid','tricks'] # 颜色代表背景颜色，grid代表是否有网格

sns.set_style(style[0]) # 进行装饰，括号内可以直接写装饰风格

sinplot() # 经过修饰之后的图像

sns.axes_style() # 显示当前主题的内容，这些数据都可以修改微调

# 更改的时候就将其信息的以字典形式复制到set_style()里，当做参数来修改(注意是以字典的形式)

sns.set() # 设置风格为空，即清空自己定义的，恢复到默认的时候

plotting_context and set_context

context = ['paper','notebook','talk','poster'] # seaborn本身定义好的

sns.set_context('paper',rc={'grid.linewidth':3.0}) # rc参数

sinplot()

sns.plotting_context() # 显示出当前状态的数据

sns.set() # 恢复到默认

图像貌似一样，但并不是没有成功，只是变化比较细微，真正用到的时候就可以体会到了。

调色功能

# 先绘制一个图像

def sinplot1():

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

plt.figure(figsize=(8,6)) # 图像比较小时，通过这个函数更改大小

for i in range(4):

plt.plot(x,np.sin(x+i)*(i+0.75),label='sin(x+%s)*(%s+0.75)' % (i,i))

plt.legend()

sinplot1()

# 引入seaborn

sns.color_palette() # 使用调色板

# 不传入参数返回当前使用的调色板(RGB)

sns.palplot(sns.color_palette()) # 画出调色板，参数为上面的调色板

接下来，我们就要调整我们的调色板了。

pal.style = ['deep','nuted','pastel','bright','dark','colorblind'] # seaborn默认定义的调色板

# 第一种设置画板方式

sns.set_palette(sns.color_palette('dark')) # 设置色板

sns.set() # 恢复默认风格

# 第二种设置画板方式，并且最后恢复到默认

with sns.color_palette():

sinplot1() # 在内部调整画板输出图形，当with结束时，则恢复默认

调色板里的颜色是定义好的，那么如果我们将要绘制的图形包括很多的函数，需要更多的颜色，该怎么办呢？

# 默认提供的色板数量是固定的，如果图像是更多的函数，那么颜色将循环色板中的风格。如果想不使他颜色有相同，可以通过sns.color_palette()来修改

sns.color_palette([(0.5,0.2,0.6),(0.3,0.3,0.4)]) # 因为色板是以列表的形式存储的，里面的每种风格以元组的形式存在所以需要用[()]

# 第二种增加色板颜色的方法

sns.color_palette('hls',8) # hls方法，后面写参数8，即生成有8种不同颜色的色板