seaborn pairplot ax_seaborn绘图总结

1. 单变量分布

• 直方图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)
• a-数据
• bins-条状数
• hist-是否显示条柱
• kdg-是否显示核密度估计
• rug-是否显示底部小细条
• fit-绘制和数据拟合的分布曲线，fit=norm表示正态分布
• color-颜色
• vertical-是否垂直
• norm_hist-显示密度or频数
• label-设置标签
• ax-子图
• ...kws接受字典类型，用于定义一些更高级的样式

• 核密度函数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=None, cbar_kws=None, ax=None, **kwargs)
• data-数据
• shade-是否显示阴影
• vertical-是否垂直
• bw-数据的宽度，类似于bins
• cut-可以切除极值，越小，极值越少
• legend-可以设置某个数据label不显示
• cumulative-设置是否显示累计分布
• color-颜色
• cbar=True-会添加一个颜色棒，只有二维图像有

2. 双变量分布

• jointplot绘图seaborn.jointplot(x, y, data=None, kind='scatter', stat_func=None, color=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None, marginal_kws=None, annot_kws=None, **kwargs)
• x，y-数据
• data-数据集
• kind-绘图类型： “scatter” | “reg” | “resid” | “kde” | “hex”
• color-颜色
• space-右上两个图和主图的距离
• height-设置大小
• ratio-设置主图和子图的大小比，越大，主图越大
• s-散点图大小,edgecolor,linewidth,alpha等参数可用，来设置绘图元素
• marginal_kws=dict(bins=15, rug=True)传入字典形式，可设置子图参数
• plot_joint(sns.scatter,c='r'...)-可以在jointplot基础上再绘制其它类型的图，并添加相应参数。*双变量的核密度函数为等高线图，n_levels用于控制等高线的条数
• .set_axis_labels("x", "y")-设置x,y轴的标签
• 直接使用JointGrid灵活性更高-https://seaborn.pydata.org/generated/seaborn.JointGrid.html#seaborn.JointGrid

• 直接绘制多个变量之间的双关系-sns.pairplot，sns.PairGrid

https://seaborn.pydata.org/generated/seaborn.pairplot.html

https://seaborn.pydata.org/generated/seaborn.PairGrid.html#seaborn.PairGrid

3. 分类数据散点图： swarmplot(), stripplot()

• seaborn.swarmplot/stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, 'jitter=True'为stripplot的参数, dodge=False, orient=None, color=None, palette=None, marker,size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)

https://seaborn.pydata.org/generated/seaborn.swarmplot.html

https://seaborn.pydata.org/generated/seaborn.stripplot.html#seaborn.stripplot

• x,y-数据
• hue-数据分类
• data-是否显示条柱
• order-x轴显示哪几个类别，及显示顺序
• hue_order-也是用于显示hue分类的顺序
• jitter-在stripplot时可以使数据点不重合
• dodge-用'hue'设置分类的时候，可以使不同类别横向分开分布
• color-颜色
• palette-可以设置调色板
• marker-设置点的形状
• orient="h"，可设置垂直分布，但更换x,y数据位置更方便
• ...kws接受字典类型，用于定义一些更高级的样式
• 使用sns.catplot可以使得分面绘图（其中height设置高度，aspect设置宽度）

4. 分类数据的分布图： boxplot(), violinplot()

• boxplot()箱型图seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, ax=None, **kwargs)

https://seaborn.pydata.org/generated/seaborn.boxplot.html

• 数据含义和上面基本一样，下面说箱型图一下特别的
• notch-中部显示缺口，缺口越大，数据越分散
• whis-设置两端的百分位取值，[num1,num2]
• width-显示箱体宽度
• 使用sns.catplot可以使得分面绘图
• 可以和散点图结合绘制

• violinplot()提琴图seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None, linewidth=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)

https://seaborn.pydata.org/generated/seaborn.violinplot.html

• 数据含义和上面基本一样，下面说提琴图一下特别的
• split=True-使得hue分类的数据各占一半提琴
• scale='count,area,width'-使得没把提琴有相同数量，面积，宽度
• inner='box, quartile, point, stick, None'使得横向度量线的形状不同
• 使用sns.catplot可以使得分面绘图

5. 分类数据的统计估算图 ： barplot(), pointplot()

• barplot()条形图seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs)

http://seaborn.pydata.org/generated/seaborn.barplot.html

• 条形图和柱形图有所区别，柱形图distplot用于显示单个变量统计分布，条形图显示分类变量的统计分布
• x为分类类别，y为各类的统计量
• hue-可以在x的基础上再进行分类
• order-控制x显示哪几个类别及顺序(hue_order同)
• 更换xy的位置可以使得图像旋转90°
• estimator可以控制各列数据条所计算的，默认是平均值，median中位数，std标准差
• x,y轴互换可以横向画
• 条形图中间的竖线为误差线，表示条形图中的实际数值相对于柱形值的误差，越长，误差越大
• ci=[0,100]/sd，表示允许的误差的范围
• capsize-误差线顶端横线的宽度

• pointplot()点图seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=, ci=95, n_boot=1000, units=None, markers='o', linestyles='-', dodge=False, join=True, scale=1, orient=None, color=None, palette=None, errwidth=None, capsize=None, ax=None, **kwargs)

https://seaborn.pydata.org/generated/seaborn.pointplot.html

• 点图汇总点估计(平均值)，误差线（置信区间），根据分类变量点估计的连线斜率来观察数据特征
• x为分类类别，y为各类的统计量
• markers=["o", "x"],linestyles=[...]，可以此来控制不同连线和点的外观
• join=False-可以不绘制中间连接线
• estimator-默认平均值，median中位数，std方差，使得中间点的取值不一样
• ci-控制误差的不同，ci=[0,100]/sd，数值越大，误差线越大
• catplot可以分面绘制