這篇文章是Python可視化seaborn系列的第二篇文章，本文将詳解seaborn如何探索資料的分布。
單變量
直方圖 displot
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)
bins → 箱數
hist、ked、rug → bool,是否顯示箱/密度曲線/資料分布
norm_hist → 直方圖是否按照密度來顯示，如果為False,顯示計數
{hist，kde，rug，fit} _kws：字典，對應部分的各種參數。
vertical → 是否水準顯示
fit → 可結合scipy庫在圖像上做拟合
label → 圖例
axlabel → x軸标注
核密度估計圖 kdeplot
核密度估計的步驟：
每一個觀測附近用一個正态分布曲線近似
疊加所有觀測的正态分布曲線
歸一化
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 =無，cbar_kws =無，ax =無， kwargs ）
shade: 如果為True，則用顔色填充KDE曲線下方的區域（或者在資料為雙變量時用顔色填充的輪廓）
kernel: {‘gau’|‘cos’|‘biw’|‘epa’|‘tri’|‘triw’} 用于拟合的核，雙變量值能用高斯核（gau）
bw: {'scott'|'silverman'|标量|一對标量} 确定核的大小，近似了解為拟合程度，bw越大，曲線越平緩。
gridsize：int, 網格中的離散點數
cumulative ：是否繪制累積分布
cbar：參數若為True，則會添加一個顔色條(顔色條在雙變量kde圖像中才有)
核密度分布圖不但能繪制單個變量的，也能繪制雙變量！！！
雙變量
jointplot
seaborn.jointplot（x，y，data = None，kind ='scatter'，color = None，size = 6，ratio = 5，space = 0.2，dropna = True，xlim = None，ylim = None，joint_kws = None，marginal_kws =None，annot_kws =None， kwargs ）
該函數是JoinGrid類的一個輕量級界面，如果想更加靈活的繪制，可以使用JoinGrid函數
kind: 設定類型：“scatter”、“reg”、“resid”、“kde”、“hex”
size: int, 圖像大小（圖像自動調整為正方形）
radio: int, 主圖與邊緣圖的高度比
space: # 設定主圖和邊緣圖的間距
{x，y} lim ：在繪圖之前設定軸限制
{joint，marginal，annot} _kws：dicts 繪圖元件的其他關鍵字參數
seaborn會直接給出變量的皮爾遜相關系數和P值
pearson相關系數計算：
p：樣本間的差異由抽樣誤差所緻的機率小于p.
JointGrid
前面講過jointplot其實是JoinGrid的一個封裝，要想有更靈活的設定，可以使用JoinGrid類
__init__（x，y，data = None，size = 6，ratio = 5，space = 0.2，dropna = True，xlim = None，ylim = None）
方法：
plot（joint_func，marginal_func ,annot_func)→ 繪制完整的圖形
plot_joint（func，** kwargs）→ 繪制雙變量圖形
plot_marginals（func，** kwargs）→ 繪制邊緣單變量圖形
savefig（ args，* kwargs）→ 儲存
set_axis_labels（[xlabel，ylabel]）→ 在雙變量軸上設定軸标簽。
探索兩兩變量之間的關系
通常我們的資料并不是隻有一個或者兩個變量，那麼對于多個變量，我們常需要探索兩兩變量之間的分布及關系這是我們就需要使用pairplot函數 或者是PairGrid類
pairplot
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，s = 2.5，aspect = 1，dropna = True，plot_kws = None，diag_kws = None，grid_kws = None）
hue: string(變量名) ： 顔色将按照指定的變量分類
hue_order ： list 設定調色闆色調變量級别
palette ： 調色闆
vars : list 變量名稱清單，否則使用所有數值型變量的列
markers: 點樣式
sepal_length sepal_width petal_length petal_width species
5.1 3.5 1.4 0.2 setosa
4.9 3.0 1.4 0.2 setosa
4.7 3.2 1.3 0.2 setosa
4.6 3.1 1.5 0.2 setosa
5.0 3.6 1.4 0.2 setosa
PairGrid
相當于jointplot 和 JointGrid的關系，PairGrid 對矩陣散點圖有着更為靈活的控制
__init__（data，hue = None，hue_order = None，palette = None，hue_kws = None，vars = None，x_vars = None，y_vars = None，diag_sharey = True，size = 2.5，aspect = 1，despine = True，dropna = True）
方法：
add_legend（[legend_data，title，label_order]）繪制一個圖例，可能将其放在軸外并調整圖形大小。
map_diag（func，** kwargs）：在每個對角線子圖上繪制具有單變量函數的圖。
map_lower（func，** kwargs）：在下對角線子圖上繪制具有雙變量函數的圖。
map_upper（func，** kwargs）：在上對角線子圖上繪制具有雙變量函數的圖
map_offdiag（func，** kwargs）：在非對角線子圖上繪制具有雙變量函數的圖。
set（** kwargs）：在每個子圖集Axes上設定屬性。
看再多次，都不如自己親自動手寫一次，隻有在實際應用中不斷練習，思考，調整。才能了解掌握資料可視化的技能。
轉載于:https://www.cnblogs.com/l520/p/10275882.html