【seaborn】4、Regression plots 回归图
使用sns.regplot() 建立回归模型，可看成是在散点图的基础上，多绘制一条回归线，观察两个变量的关系
regplot()和lmplot()都可以绘制线性回归曲线。这两个函数非常相似，lmplot()要比regplot()强大一点
数据准备
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
tips = pd.read_csv(r'../input/seaborn-data/iris.csv')
tips.head()
regplot
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci',
scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False,
lowess=False, robust=False, logx=False, x_partial=None, y_partial=None,
truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None,
marker='o', scatter_kws=None, line_kws=None, ax=None)
sns.regplot(x='total_bill', y='tip', data=tips)
当其中一个变量为类别值（离散型数据），不适合建立回归模型时
sns.regplot(x='size', y='tip', data=tips)
可以在原数据上加上一个小范围的浮动（抖动）
sns.regplot(x='size', y='tip', data=tips, x_jitter=0.05)
lmplot
用 sns.lmplot() 函数也能达到一样的效果，当然两个函数的使用方法不完全一致，这里不做过多介绍
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None,
col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True,
hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True,
x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95,
n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False,
logx=False, x_partial=None, y_partial=None, truncate=False, x_jitter=None,
y_jitter=None, scatter_kws=None, line_kws=None, size=None)
- col，row：和前面一样，根据所指定属性在列，行上分类；
- col_wrap：指定每行的列数，最多等于col参数所对应的不同类别的数量；
- aspect：控制图的长宽比；
- x_jitter，y_jitter：给x，y轴随机增加噪音点，设置这两个参数不影响最后的回归直线；
- order：多项式回归，控制进行回归的幂次，设定指数，可以用多项式拟合；
- logistic：逻辑回归；
- robust：如果是True，使用statsmodels来估计一个稳健的回归（鲁棒线性模型）。这将减少异常值。请注意 logistic回- 归和robust回归相较于简单线性回归需要更大的计算量，其置信区间的产生也依赖于bootstrap采样，你可以关掉置信区间估计来提高速度（ci=None）；
- lowess：如果是True，使用statsmodels来估计一个非参数的模型(局部加权线性回归)。这种方法具有最少的假设，尽管它是计算密集型的，但目前无法为这类模型绘制置信区间；
- logx：转化为log(x)
- truncate：默认情况下，绘制散点图后绘制回归线以填充x轴限制。如果为True，则它将被数据限制所限制；
绘制一个第三个变量的条件，并绘制不同颜色的回归图：
sns.lmplot(x='total_bill', y='tip', data=tips)
sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)
