本篇我们的主题是数据可视化的利器——seaborn库的使用。
Seaborn是基于matplotlib，在matplotlib的基础上进行了更高级的API封装，便于用户可以更加简便地做出各种有吸引力的统计图表。可以说，seaborn是matplotlib的很好补充，而且能够高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。
01
安装seaborn
我们可以使用pip安装。
或者，也可以使用conda进行安装
02
了解seaborn API基本形式
seaborn画图函数，主要针对pandas的DataFrame或numpy数据，有以下几种主要形式：
sns.图名(x='X轴 列名', y='Y轴 列名', data=原始数据df对象)
sns.图名(x='X轴 列名', y='Y轴 列名', hue='分组绘图参数', data=原始数据df对象)
sns.图名(x=np.array, y=np.array[, ...])
03
导入第三方库
使用时候，我们需要将过程中会使用到三方库进行import。除了主要的seaborn之外，我们还会需要使用到matplotlib和pandas库，主要基于“薪酬”数据进行可视化操作。同时，我们还需要设置字体和负号的RC参数，让其能正常显示。
薪酬数据可以通过百度网盘进行下载，此处使用pd.read_excel()进行读取。
（数据链接：https://pan.baidu.com/s/19sdHiB5PRy-VSc3S0sYDnQ）
04
基础的直方图、曲线图等我们就不再一一示范，本篇中，我们主要示范散点图、箱线图、小提琴图、单变量密度估计图、双变量密度估计图、热力图、矩阵散点图的绘制。
1、散点图，表现两个变量之间的关系
散点图中，每个点为数据集中的一个观察值，seaborn库中，我们可以使用relplot()生成散点图。
参数x：x轴上的数据，此处我们使用“员工人均薪酬”
参数y：y轴上的数据，此处我们使用“高管平均薪酬”
参数hue：可以让我们在图中添加另一个维度，通过散点的不同颜色表示不同含义。此例中，我们用不同颜色表示不同行业，使用“申万一级行业”做色调
参数data：可视化的数据对象，此处我们使用data这个已经赋值了薪酬数据的DataFrame
2、箱线图，表现分布情况
箱线图中，可以展示上边缘、下边缘、中位数和两个四分位数，同时可以很方便观察到离群点。seaborn库中，我们可以使用catplot(kind='box')生成箱线图。
参数x：x轴上的数据，此处我们使用“员工人均薪酬”
参数y：y轴上的数据，此处我们使用“高管平均薪酬”
参数kind：表示画图的类型（如：箱线图，默认为小提琴图）
参数data：可视化的数据对象，此处我们使用data这个已经赋值了薪酬数据的DataFrame
参数ax：所选择的画布如果传入orient则画出的盒形图是横向的
3、小提琴图，表现分布情况
小提琴图结合了箱形图和密度图的特征，主要用来显示数据的分布形状。中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表 95% 置信区间，而白点则为中位数。在seaborn库中，我们可以使用catplot()生成小提琴图。
参数x：x轴上的数据，此处我们使用“申万一级行业”
参数y：y轴上的数据，此处我们使用“员工人均薪酬”
参数kind：表示画图的类型（如：箱线图，默认为小提琴图）
参数data：可视化的数据对象，此处我们使用data这个已经赋值了薪酬数据的DataFrame
参数ax：所选择的画布
参数hue：不同类别的数据，分别绘制小提琴
参数split：为True时，例如：把同属于银行的数据按照上市年份是否大于10年，分别绘制在小提琴图的两侧
4、双变量密度估计图，展现数据的分布和关联情况
双变量密度估计图，既能展现单个变量的分布，也能展现双变量之间的关系。在seaborn库中，我们可以使用jointplot()来生成。
参数x：x轴上的数据，此处我们使用“员工人均薪酬”
参数y：y轴上的数据，此处我们使用“高管人均薪酬”
参数kind：表示外围单变量分布的表现形式（如：直方图）
参数data：可视化的数据对象，此处我们使用data这个已经赋值了薪酬数据的DataFrame
5、热力图，表示各个变量之间的相关系数
热力图可以展现多变量之间的相关系数，在seaborn库中可以使用heatmap()来绘制。
参数annot：是否显示数字
参数vmax：最大值
参数vmin：最小值
参数xticklabels：是否显示x轴标签
参数yticklabels：是否显示y轴标签
参数square：是否为正方形
参数data：可视化的数据对象
6、矩阵散点图，表现数据的分布
矩阵散点图，可以展现多个变量，两两之间的散点图，以及自身的分布规律。在seaborn中可以使用pairplot()绘制。
参数diag_kind：自身分布的展现类型（如：直方图，密度图）
参数markers：散点图中点的形状
参数plot_kws：调节点的大小，颜色，线的宽度等
参数diag_kws：展示形式的调整（如：密度图中十分填充）
参数data：可视化的数据对象
7、单变量密度估计图，展现单个变量的分布规律
单变量密度估计图，可以反映变量自身的分布规律。在seaborn中可以使用kdeplot()进行绘制。
参数shade：是否显示阴影
参数alpha：透明度
参数color：颜色
参数data：可视化的数据对象
