python绘图库seaborn_python绘图库——Matplotlib及Seaborn使用（入门篇2）
在数据分析过程中，数据及模型可视化是无可避免的，同时这也是展示我们数据分析成果的最佳方式。因此，熟悉掌握绘图库的使用，对精进我们的数据分析技能起着不可替代的作用。
在上一篇中，我们掌握了Matplotlib的基本操作技巧。在有一定的认识基础后，我们今天再来看看在python里另一个强大的绘图库——Seaborn。
重温一下：
Seaborn 是以 Matplotlib 为核心的高阶绘图库，它基于 Matplotlib 核心库进行了更高阶的 API 封装，可以让你轻松地画出更漂亮的图形。Seaborn 的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。
下面我们来具体了解一下Seaborn有哪些优点：
1、帮助我们快速地优化图形（让我们画的图更美观）
首先我们借助上一篇的到代码，先来看看不用seaborn库的图形效果：
还是记得先导入库：
from matplotlib import pyplot as plt
%matplotlib inline
再代入图形的代码：
x=[1,2,3,4,5,6,7]
y1=[3,6,9,12,9,6,3]
y2=[2,9,11,8,6,4,3]
plt.bar(x, y1)
plt.plot(x, y2, '-o', color='r')
下面我们导入seaborn库，看看效果有什么变化：
首先导入库：
import seaborn as sns
sns.set()
再次导入代码：
x=[1,2,3,4,5,6,7]
y1=[3,6,9,12,9,6,3]
y2=[2,9,11,8,6,4,3]
plt.bar(x, y1)
plt.plot(x, y2, '-o', color='r')
对比之下，新画出来的图像颜色更为柔和，背景也较为舒适，整体上美观了不少。
敲小黑板：
在上述代码中，我们使用import seaborn as sns 导入库之后，接着在绘图之前，使用了Seaborn提供的声明代码：sns.set( ) 。
我们来简单认识一下sns.set( )：
函数体：
sns.set(context='notebook', style='darkgrid', palette='deep', font='sans-serif', font_scale=1, color_codes=False, rc=None)
主要参数：
1、context=' '
控制着默认的画幅大小，分别有 {paper, notebook, talk, poster} 四个值。其中，poster > talk > notebook > paper。
2、style=' '
控制默认样式，分别有 {darkgrid, whitegrid, dark, white, ticks}，你可以自行更改查看它们之间的不同。
3、palette=' '
参数为预设的调色板。分别有 {deep, muted, bright, pastel, dark, colorblind} 等，你可以自行更改查看它们之间的不同。
4、font=' '
设置字体，font_scale= 设置字体大小，color_codes= 不使用调色板而采用先前的 'r' 等色彩缩写。
除此之外，
Seaborn 的绘图方法主要包括以下六种：关联图
类别图
分布图
回归图
矩阵图
组合图
具体用法：sns.绘图方法
例如：sns.relplot( )
每种绘图类型里，又各自包含了不同的函数，想具体了解的小伙伴可以到seaborn的官网看一下：seaborn: statistical data visualizationseaborn.pydata.org
下面我们简单介绍一下各个图类的一些用法：
关联图：
主要用于对数据进行关联性分析，常见的有以下用法：
要解释一下的是，上述的这种用法，在Seaborn 叫做 API （接口）API（应用程序编程接口）_百度百科baike.baidu.com
其中，Seaborn 中的 API 分为 Figure-level 和 Axes-level 两种。
relplot是一个 Figure-level 接口，而scatterplot和lineplot则是 Axes-level 接口。
（Figure-level 和 Axes-level API 的区别？）
Axes-level 的函数可以实现与 Matplotlib 更灵活和紧密的结合，而 Figure-level 使用上更简单，适合快速应用。
类别图
catplot，categorical plots 的缩写。包含了许多Axes-level API，主要包括以下几种：
分布图
用于可视化变量的分布情况，一般分为单变量分布和多变量分布。其中，多变量多指二元变量，更多的变量无法绘制出直观的可视化图形。
常用方法：jointplot
pairplot
distplot
kdeplot
回归图
常用方法:lmplot
regplot
lmplot：支持引入第三维度进行对比，例如设置hue="species"。
regplot：绘制回归图时，只需要指定自变量和因变量，会自动完成线性回归拟合。
矩阵图
常用方法:heatmap
clustermap
heatmap ：用于绘制热力图。
clustermap：用于绘制层次聚类结构图
组合图
和Matplotlib的用法差不多~侦探L：python绘图库——Matplotlib及Seaborn使用（入门篇1）zhuanlan.zhihu.com
最后，我们来欣赏一下seaborn官网一些好看的图吧~
import seaborn as sns
sns.set(style="ticks")
dots = sns.load_dataset("dots")
# Define a palette to ensure that colors will be
# shared across the facets
palette = dict(zip(dots.coherence.unique(),
sns.color_palette("rocket_r", 6)))
# Plot the lines on two facets
sns.relplot(x="time", y="firing_rate",
hue="coherence", size="choice", col="align",
size_order=["T1", "T2"], palette=palette,
height=5, aspect=.75, facet_kws=dict(sharex=False),
kind="line", legend="full", data=dots)
import numpy as np
import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
%matplotlib inline
sns.set()
# Generate an example radial datast
r = np.linspace(0, 10, num=100)
df = pd.DataFrame({'r': r, 'slow': r, 'medium': 2 * r, 'fast': 4 * r})
# Convert the dataframe to long-form or "tidy" format
df = pd.melt(df, id_vars=['r'], var_name='speed', value_name='theta')
# Set up a grid of axes with a polar projection
g = sns.FacetGrid(df, col="speed", hue="speed",
subplot_kws=dict(projection='polar'), height=4.5,
sharex=False, sharey=False, despine=False)
# Draw a scatterplot onto each axes in the grid
g.map(sns.scatterplot, "theta", "r")
以上便是的内容，感谢大家的细心阅读，同时欢迎感兴趣的小伙伴一起讨论、学习，想要了解更多内容的可以看我的其他文章，同时可以持续关注我的动态~