详解Seaborn，看这一篇就够了

转载：Seaborn常见绘图总结

Seaborn是一个比Matplotlib集成度更高的绘图库，在科研和数据分析中我们常常看到一些画的非常高大上的图，这往往就是Seaborn绘制的图形。因此我们就使用短短的半天时间来学习一下Seaborn的使用吧。

首先我们在学习之前，先下载一下Seaborn的数据集，如果不下载的话，我们在导入数据的时候往往会被拦截，网址如下：

https://github.com/mwaskom/seaborn-data

根据Seaborn的API，我们总体可以分成如下的总体框架：

1. Relational plots(关系图)

数据分析中就是理解变量如何相互关联，当这些关系被正确可视化时，我们往往可以从中获取某种关系或模式。

Relational plots 主要讨论三个函数：

• scatterplot(散点图)
• lineplot(线图)
• relplot(关系图)

首先，我们导入库函数：

import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns

1.1 scatterplot(散点图)

散点图是利用散点来描述两个变量的联合分布，scatterplot 适用于变量都是数字的情况。在后面的Categorical plots(分类图)中，我们将会看到使用散点图可视化分类数据的专门工具。

#scatterplot参数
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, 
data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, 
size_order=None, size_norm=None, markers=True, style_order=None,
 x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, 
 alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)

Seaborn函数中的参数特别多，但是其实大部分都是相同的，因此，我们可以很容易类推到其他函数的使用。下面简单介绍这些参数的含义。

• x,y: 传入的特征名字或Python/Numpy数据，x表示横轴，y表示纵轴，一般为dataframe中的列。如果传入的是特征名字，那么需要传入data，如果传入的是Python/Numpy数据，那么data不需要传入。因为Seaborn一般是用来可视化Pandas数据的，如果我们想传入数据，那使用Matplotlib也可以。
• hue: 分组变量，将产生不同颜色的点。可以是分类的，也可以是数字的。被视为类别。
• data: 传入的数据集，可选。一般是dataframe
• style: 分组变量，将产生不同标记点的变量分组。被视为类别。
• size: 分组变量，将产生不同大小的点。可以是分类的，也可以是数字的。
• palette: 调色板，后面单独介绍。
• markers: 绘图的形状，后面单独介绍。
• ci: 允许的误差范围（空值误差的百分比，0-100之间），可为‘sd’，则采用标准差（默认95）
• n_boot(int): 计算置信区间要使用的迭代次数
• alpha: 透明度
• x_jitter, y_jitter: 设置点的抖动程度。

下面给出两个例子：

# 使用seaborn的数据
tips = sns.load_dataset('tips')
sns.scatterplot(x='total_bill',y='tip',data=tips)
plt.show()

sns.scatterplot(x='total_bill',y='tip',hue='day',style='time',size='size',data=tips)
plt.show()

1.2 lineplot(线图)

seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None,
 data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,
  size_order=None, size_norm=None, dashes=True, markers=None, 
  style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, 
  sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)

参数和散点图差不多，所以直接上例子：

fmri = sns.load_dataset('fmri')
sns.lineplot(x="timepoint", y="signal", data=fmri)
# 阴影是默认的置信区间，可设置ci=0，将其去除

sns.lineplot(x="timepoint", y="signal",hue="event", style="event",
markers=True, dashes=False, data=fmri)
# markers=True表示使用不同的标记
# dashes=True表示一条实线，一条虚线

1.3 relplot(关系图)

seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, 
data=None, row=None, col=None, col_wrap=None, row_order=None, 
col_order=None, palette=None, hue_order=None, hue_norm=None, 
sizes=None, size_order=None, size_norm=None, markers=None, dashes=None,
 style_order=None, legend='brief', kind='scatter', height=5, aspect=1,
  facet_kws=None, **kwargs)

相当于lineplot和scatterplot的归约，可以通过kind参数指定画什么图形，参数解释如下：

• kind: 默认是’scatter’，也可以选择kind=‘line’
• sizes: List、dict或tuple，可选，说白了就是图片大小，注意和size区分；
• col、row: col指定列的分组变量，row指定行的分组变量，具体看下面例子

tips = sns.load_dataset("tips")
g = sns.relplot(x="total_bill", y="tip", data=tips)
#两者效果一模一样
ax = sns.scatterplot(x="total_bill", y="tip", data=tips)

sns.relplot(x="total_bill", y="tip", hue="time", size="size",
            palette=["b", "r"], sizes=(10, 100),col="time",row='sex', data=tips)

2. Categorical plots(分类图)

Categorical plots(分类图) 具体可以分为下main三种类型，11种图形：

• Categorical scatterplots(分类散点图)
  • stripplot(分布散点图)
  • swarmplot(分布密度散点图)
• Categorical distribution plots(分类分布图)
  • boxplot(箱型图)
  • violinplot(小提琴图)
  • violinplot+stripplot(小提琴图+分布散点图)
  • violinplot+swarmplot(小提琴图+分布密度散点图)
  • boxplot+stripplot(箱线图+分布散点图)
• Categorical estimate plots(分类估计图)
  • barplot(条形图)
  • countplot(计数图)
  • piontplot(点图)
  • catplot()

2.1 Categorical scatterplots(分类散点图)

2.1.1 stripplot(分布散点图)

stripplot(分布散点图) 就是其中一个变量是分类变量的scatterplot(散点图)。stripplot（分布散点图）一般并不单独绘制，它常常与boxplot和violinplot联合起来绘制，作为这两种图的补充。

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

参数：

• order：用order参数进行筛选分类类别，例如：order=[‘sun’,‘sat’]；
• jitter：抖动项，表示抖动程度，可以是float，或者True。如果不抖动的话，那么散点就会呈现一条直线了，并不利于可视化
• dodge：重叠区域是否分开，当使用hue时，将其设置为True，将沿着分类轴将不同色调级别的条带分开。
• orient：“v” | “h”，vertical（垂直） 和 horizontal（水平）的意思；

两个例子：

tips = sns.load_dataset("tips")
sns.stripplot(x="day", y="total_bill", data=tips)

sns.stripplot(x="day", y="total_bill", hue="smoker",data=tips,
              jitter=True,palette="Set2", dodge=False)

2.1.2 swarmplot(分布密度散点图)

这个函数类似于stripplot()，但是对点进行了调整(只沿着分类轴)，使每个点都不会重叠。这更好地表示了值的密度分布，但显然，不适用大量观测的可视化。

seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None,
 hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5, 
 edgecolor='gray', linewidth=0, ax=None, **kwargs)

两个例子：

sns.swarmplot(x="day", y="total_bill", data=tips)

sns.swarmplot(x="day", y="total_bill", hue="smoker",data=tips,
              palette="Set2", dodge=True)

2.2 Categorical distribution plots(分类分布图)

2.2.1 boxplot(箱型图)

boxplot(箱型图) 就是描述变量关于不同类别的分布情况。框显示数据集的四分位数，线显示分布的其余部分，它能显示出一组数据的最大值、最小值、中位数及上下四分位数，使用四分位数范围函数的方法可以确定“离群值”的点。具体用法如下：

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)

参数：

• saturation：饱和度，可设置为1；
• width：float，控制箱型图的宽度大小；
• fliersize：float，用于指示离群值观察的标记大小；
• whis：可理解为异常值的上限IQR比例；

两个例子：

sns.boxplot(x="day", y="total_bill", data=tips)

sns.boxplot(x="day", y="total_bill", hue="time",data=tips,
            linewidth=0.5,saturation=1,width=1,fliersize=3)

2.2.2 violinplot(小提琴图)

violinplot(小提琴图) 就是绘制箱线图和核密度估计的组合。通过箱线图，我们可以得到数据对于分类变量的分位数，通过核密度估计，我们可以知道哪些位置的密度大。

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)

参数：

• bw：‘scott’, ‘silverman’, float，控制拟合程度。在计算内核带宽时，可以引用规则的名称（‘scott’, ‘silverman’）或者使用比例（float）。实际内核大小将通过将比例乘以每个bin内数据的标准差来确定；
• cut：空值外壳的延伸超过极值点的密度，float；
• scale：“area”, “count”, “width”，用来缩放每把小提琴的宽度的方法；
• scale_hue：当使用hue分类后，设置为True时，此参数确定是否在主分组变量进行缩放；
• gridsize：设置小提琴图的平滑度，越高越平滑；
• inner：“box”, “quartile”, “point”, “stick”, None,小提琴内部数据点的表示。分别表示：箱子，四分位，点，数据线和不表示；
• split：是否拆分，当设置为True时，绘制经hue分类的每个级别画出一半的小提琴；

两个例子：

sns.violinplot(x="day", y="total_bill", data=tips)

# 设置按性别分类，调色为“Set2”，分割，以计数的方式，不表示内部。
sns.violinplot(x="day", y="total_bill", hue="sex",data=tips,
               palette="Set2", split=True,scale="count", inner=None)

2.2.3 violinplot+stripplot(小提琴图+分布散点图)

sns.violinplot(x="tip", y="day", data=tips, inner=None,whis=np.inf)
sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")

2.2.4 violinplot+swarmplot(小提琴图+分布密度散点图)

sns.violinplot(x="tip", y="day", data=tips, inner=None,whis=np.inf)
sns.swarmplot(x="tip", y="day", data=tips, color="c")

2.2.5 boxplot+stripplot(箱线图+分布散点图)

sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")

2.2.6 boxplot+swarmplot(箱线图+分布密度散点图)

sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
sns.swarmplot(x="tip", y="day", data=tips, color="c")

2.3 Categorical estimate plots(分类估计图)

2.3.1 barplot(条形图)

barplot(条形图) 用矩形条表示估计点和置信区间，使用误差线提供关于该估计值附近的不确定性的一些指示。

seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, 
estimator=<function mean>, 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)

参数：

• estimator：用于估计每个分类箱内的统计函数，默认为mean。当然你也可以设置estimator=np.median/np.std/np.var……
• order：设置特征值的顺序，例如：order=[‘Sat’,‘Sun’]；
• ci：允许的误差的范围（控制误差棒的百分比，在0-100之间）,若填写"sd",则用标准误差(默认为95)，也可设置ci=None；
• capsize：设置误差棒帽条（上下两根横线）的宽度，float；
• errcolor：表示置信区间的线条的颜色；
• errwidth：float，设置误差条线(和帽)的厚度。

两个例子：

sns.barplot(x="day", y="total_bill", hue="sex", data=tips)

sns.barplot(x="day", y="total_bill",hue='sex', data=tips,
            estimator=np.median,capsize=0.2,errcolor='c')

2.3.2 countplot(计数图)

countplot(计数图) 用条形图显示每个分类的观察次数，实际就是一个分类直方图。因为是用来计数的，count是一个轴，然后特征是一个轴，因此不能同时输入x和y。

seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, 
hue_order=None, orient=None, color=None, palette=None, saturation=0.75, 
dodge=True, ax=None, **kwargs)

例子：

titanic = sns.load_dataset("titanic")
sns.countplot(x="class",hue="who", data=titanic)

2.3.3 piontplot(点图)

piontplot(点图) 使用散点图图形显示点估计和置信区间，并使用误差线提供关于该估计的不确定性的一些指示。点图比条形图更加聚焦于变量的不同值之间的比较，可以通过点连线的斜率差异来判断。

seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, 
hue_order=None, estimator=<function mean>, 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)

参数：

• join：默认两个统计点会相连接，若不想显示，可以通过join=False参数实现；
• scale：float，均值点（默认）和连线的大小和粗细。

两个例子：

tips = sns.load_dataset("tips")
sns.pointplot(x="time", y="total_bill", data=tips)

sns.pointplot(x="time", y="total_bill", hue="smoker",data=tips,estimator=np.median,
              dodge=True, palette="Set2",markers=["o", "x"],linestyles=["-", "--"])

2.3.4 catplot()

catplot() 说白了就是对前面几个分类估计图的归约，通过kind参数来选择具体的图形。

seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, 
col_wrap=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, 
order=None, hue_order=None, row_order=None, col_order=None, kind='strip',
 height=5, aspect=1, orient=None, color=None, palette=None, legend=True, 
 legend_out=True, sharex=True, sharey=True, margin_titles=False, 
 facet_kws=None, **kwargs)

它和regplot（关系图）的使用方法差不多。

参数：

• kind：默认strip（分布散点图），也可以选择“point”, “bar”, “count”,
• col、row：将决定网格的面数的分类变量，可具体制定；
• col_wrap：指定每行展示的子图个数，但是与row不兼容；
• row_order, col_order : 字符串列表，安排行和列，以及推断数据中的对象；
• height，aspect：与图像的大小有关；
• sharex，sharey：bool, ‘col’or ‘row’，是否共享x，y坐标；

两个例子：

# 绘制一个小提琴图，按数据中的kind类别分组（数据中的），不要中心框线。
exercise = sns.load_dataset("exercise")
sns.catplot(x="time", y="pulse", hue="kind",data=exercise, kind="violin",inner=None)

sns.catplot(x="time", y="pulse", hue="kind",kind='bar',col="diet",
            data=exercise,height=4, aspect=0.8)

3. Distribution plots(分布图)

3.1 histplot(直方图)

histplot(直方图) 绘制单变量或双变量直方图，以显示数据集的分布。该函数可以对每个bin内计算的统计量进行归一化估计频率、密度或概率质量，它可以添加一个平滑的曲线得到使用内核密度估计。

histplot(
    data=None, *, x=None, y=None, hue=None, weights=None, 
    stat="count", bins="auto", binwidth=None, binrange=None, 
    discrete=None, cumulative=False, common_bins=True, 
    common_norm=True, multiple="layer", element="bars", 
    fill=True, shrink=1, kde=False, kde_kws=None, line_kws=None, 
    thresh=0, pthresh=None, pmax=None, cbar=False, cbar_ax=None, cbar_kws=None, palette=None, hue_order=None, hue_norm=None, 
    color=None, log_scale=None, legend=True, ax=None, **kwargs,)

参数：

• bins：int或list，控制直方图的划分，设置矩形图（就是块儿的多少）数量，除特殊要求一般默认；
• kde：是否显示核密度估计曲线；
• common_norm：若为True，则直方图高度显示频率而非计数

两个例子：

# 随机生成1000个符合正态分布的数
np.random.seed(666)
x = np.random.randn(1000)
sns.histplot(x,kde=True)
plt.show()

# 修改更多参数，设置方块的数量，颜色为‘k’
sns.histplot(x,kde=True,bins=100,color='k')

3.2 kdeplot(核密度图)

kdeplot(核密度图) 使用核密度估计绘制单变量或双变量分布。

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)

参数：

• data、data2：表示可以输入双变量，绘制双变量核密度图；
• shade：是否填充阴影，默认不填充；
• vertical：放置的方向，如果为真，则观测值位于y轴上（默认False，x轴上）；
• kernel：{‘gau’ | ‘cos’ | ‘biw’ | ‘epa’ | ‘tri’ | ‘triw’ }。默认高斯核（‘gau’）二元KDE只能使用高斯核。
• bw：{‘scott’ | ‘silverman’ | scalar | pair of scalars }。四类核密度带方法，默认scott (斯考特带宽法）
• gridsize：这个参数指的是每个格网里面，应该包含多少个点，越大，表示格网里面的点越多，越小表示格网里面的点越少；
• cut：参数表示，绘制的时候，切除带宽往数轴极限数值的多少，这个参数可以配合bw参数使用；
• cumulative：是否绘制累积分布；
• shade_lowest：是否有最低值渲染，这个参数只有在二维密度图上才有效；
• clip：表示查看部分结果，是一个区间；
• cbar：参数若为True，则会添加一个颜色棒(颜色棒在二元kde图像中才有)；

这个函数的使用是有难度的，下面逐步学习：

mean, cov = [0, 2], [(1, .5), (.5, 1)]
#这是一个多元正态分布，x和y都是长度为50的向量
x, y = np.random.multivariate_normal(mean, cov, size=50).T
sns.kdeplot(x)
plt.show()

# 接下来绘制双变量核密度图①：
sns.kdeplot(x,y,shade=True,shade_lowest=False,cbar=True,color='r')

# 接下来绘制双变量核密度图②：二色二元密度图，使用大名鼎鼎的鸢尾花数据集
iris = sns.load_dataset("iris")
setosa = iris[iris.species == "setosa"]
virginica = iris[iris.species == "virginica"]
sns.kdeplot(setosa.sepal_width, setosa.sepal_length,cmap="Reds",
            shade=True, shade_lowest=False)
sns.kdeplot(virginica.sepal_width, virginica.sepal_length,cmap="Blues",
            shade=True, shade_lowest=False)
plt.show()

3.3 jointplot(联合分布图)

jointplot(联合分布图) 说白了就是直方图和核密度图的组合。

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：为DataFrame中的列名或者是两组数据，data指向dataframe；
• kind : { “scatter” | “reg” | “resid” | “kde” | “hex” }。默认散点图；
• stat_func：用于计算统计量关系的函数；
• ratio：中心图与侧边图的比例，越大、中心图占比越大；
• dropna：去除缺失值；
• height：图的尺度大小（正方形）；
• space：中心图与侧边图的间隔大小；
• xlim，ylim：x，y的范围

# 用边缘直方图绘制散点图
tips = sns.load_dataset("tips")
sns.jointplot(x="total_bill", y="tip", data=tips,height=5)
plt.show()

# 用密度估计替换散点图和直方图，调节间隔和比例：
iris = sns.load_dataset("iris")
sns.jointplot("sepal_width", "petal_length", data=iris,kind="kde", space=0,ratio=6 ,color="r")
plt.show()

3.4 pairplot(变量关系组图)

pairplot(变量关系组图) 描述数据集中的成对关系。默认情况下，该函数将创建一个轴网格，对角线图 描述该变量的直方图分布，非对角线图描述两个变量之间的联合分布。

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,
 height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, 
 grid_kws=None, size=None)

• vars：data中的子集，否则使用data中的每一列
• x_vars / y_vars：可以具体细分，谁与谁比较；
• kind：{‘scatter’, ‘reg’}；
• diag_kind：{‘auto’, ‘hist’, ‘kde’}。对角线的图样。默认情况取决于是否使用“hue”。

两个例子：

# 采用默认格式绘制鸢尾花数据集，这样对于分类问题来说并不能有效的观察数据情况。
iris = sns.load_dataset("iris")
sns.pairplot(iris)
plt.show()

# 使用hue="species"对不同种类区分颜色绘制，并使用不同标记：
sns.pairplot(iris, hue="species", markers=["o", "s", "D"])

4. Regression plots(回归图)

4.1 regplot(回归图)

regplot(回归图) 在绘制图时自动进行线性回归模型拟合。

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)

• 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；
• 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；

tips = sns.load_dataset("tips")
sns.regplot(x="total_bill", y="tip",data=tips)
plt.show()

4.2 lmplot(网格+回归图)

lmplot(网格+回归图) 相当于regplot(回归图)和网格的组合。

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；
• 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；

两个例子：

# 绘制一个第三个变量的条件，并绘制不同颜色的回归图
tips = sns.load_dataset("tips")
sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)
plt.show()

# 将变量分为多行，并改变大小：
sns.lmplot(x="total_bill", y="tip", col="day", hue="day", data=tips,
           col_wrap=2, height=4)

5. Matrix plots(矩阵图)

5.1 heatmap(热力图)

利用热力图可以看数据表里多个特征两两的相关性，类似于色彩矩阵。

seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, 
robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', 
cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', 
yticklabels='auto', mask=None, ax=None, **kwargs)

• data：矩阵数据集，可以使numpy的数组（array），如果是pandas的dataframe，则df的index/column信息会分别对应到heatmap的columns和rows；
• vmax,vmin：图例中最大值和最小值的显示值，没有该参数时默认不显示；
• cmap：从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；
• center：数据表取值有差异时，设置热力图的色彩中心对齐值。通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变 ；
• robust：默认取值False；如果是False，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定；
• annot(annotate的缩写)：默认取值False；如果是True，在热力图每个方格写入数据；如果是矩阵，在热力图每个方格写入该矩阵对应位置数据；
• fmt：字符串格式代码，矩阵上标识数字的数据格式，比如保留小数点后几位数字；
• annot_kws:默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体；
• square:设置热力图矩阵小块形状，默认值是False；
• xticklabels, yticklabels:控制每行列标签名的输出。默认值是auto，自动选择标签的标注间距，将标签名不重叠的部分(或全部)输出。如果是True，则以DataFrame的列名作为标签名；
• mask:控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉。

两个例子：

# 绘制一个简单的numpy数组的热力图：
x = np.random.rand(10, 12)
sns.heatmap(x)
plt.show()

# 显示数字和保留几位小数，并修改数字大小字体颜色格式：
x= np.random.rand(10, 10)
sns.heatmap(x,annot=True,annot_kws={'size':9,'weight':'bold', 'color':'w'},fmt='.2f')
plt.show()

5.2 clustermap(聚类图)

clustermap() 可以将矩阵数据集绘制为层次聚类热图。说实话不太懂。

seaborn.clustermap(data, pivot_kws=None, method='average', metric='euclidean', 
z_score=None, standard_scale=None, figsize=None, cbar_kws=None, row_cluster=True, 
col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, 
mask=None, **kwargs)

# 抛砖引玉的画一下图
iris = sns.load_dataset("iris")
species = iris.pop("species")
sns.clustermap(iris)
plt.show()

6. FacetGrid()

FacetGrid() 用于初始化网格对象，每一个子图都称为一个格子。它其实就是我们之前学的relplot()，catplot()以及lmplot()这几个函数的一个上层类，我们可以根据自己的需求定制每个格子中画什么样的图形，使用更加自由。

在大多数情况下，与直接使用FacetGrid相比，使用图形级函数(例如relplot()或catart()要好得多。

seaborn.FacetGrid(data, row=None, col=None, hue=None, col_wrap=None, 
sharex=True, sharey=True, height=3, aspect=1, palette=None, 
row_order=None, col_order=None, hue_order=None, hue_kws=None, 
dropna=True, legend_out=True, despine=True, margin_titles=False, 
xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)

FacetGrid并不能直接绘制我们想要的图像，它的基本工作流程是FacetGrid使用数据集和用于构造网格的变量初始化对象。然后，可以通过调用FacetGrid.map()或将一个或多个绘图函数应用于每个子集 FacetGrid.map_dataframe()，最后，可以使用其他修改参数的方法调整绘图。

直接看例子：

# 使用TIPS数据集初始化2x2个面网格:
tips = sns.load_dataset("tips")
sns.FacetGrid(tips, col="time", row="smoker") # 2*2
plt.show()

# 然后，在每个格子上绘制一个散点图，根据列和行进行分类，描述两个变量的联合分布：
tips = sns.load_dataset("tips")
g = sns.FacetGrid(tips, col="time", row="smoker")
g = g.map(plt.scatter, "total_bill", "tip", color="c") # g.map()需要传入一个绘图函数
plt.show()

我们来对比一下FacetGrid.map()绘图与relplot（）、catplot（）、lmplot（）绘图的区别（这里只比较relplot（）来绘制散点图）：

sns.relplot(x="total_bill", y="tip", color="c",col="time",  hue="smoker",data=tips)

显然，在大多数情况下，与直接使用FacetGrid相比，使用图形级函数(例如relplot()或catart()要好得多。

7. PairGrid()

PairGrid() 用于绘制数据集中成对关系的子图网格。它的原理和我们之前的pairplot是一样的，但是前面我们可以发现pairplot绘制的图像上、下三角形是关于主对角线对称的，而PairGrid则可修改上、下三角形和主对角线的图像形状。

iris = sns.load_dataset("iris")
g = sns.PairGrid(iris,hue="species")
g = g.map_upper(sns.scatterplot)#在上对角线子图上用二元函数绘制的图
g = g.map_lower(sns.kdeplot)#在下对角线子图上用二元函数绘制的图
g = g.map_diag(sns.kdeplot)#对角线单变量子图
plt.show()

8. 主题和颜色

8.1 主题(style)

seaborn设置风格的方法主要有三种：

• set，通用设置接口
• set_style，风格专用设置接口，设置后全局风格随之改变
• axes_style，设置当前图（axes级）的风格，同时返回设置后的风格系列参数，支持with关键字用法

seaborn中主要有以下几个主题：

sns.set_style("whitegrid")  # 白色网格背景
sns.set_style("darkgrid")   # 灰色网格背景
sns.set_style("dark")       # 灰色背景
sns.set_style("white")      # 白色背景
sns.set_style("ticks")      # 四周加边框和刻度

例子：

# 用不同风格的背景来画直方图
np.random.seed(666)
x = np.random.randn(1000)

plt.subplot(231)
plt.hist(x)
plt.title('style=matplotlib')

with sns.axes_style('darkgrid'):
    plt.subplot(232)
    sns.histplot(x)
    plt.title('style=darkgrid')

with sns.axes_style('whitegrid'):
    plt.subplot(233)
    sns.histplot(x)
    plt.title('style=whitegrid')

with sns.axes_style('ticks'):
    plt.subplot(234)
    sns.histplot(x)
    plt.title('style=ticks')

with sns.axes_style('dark'):
    plt.subplot(235)
    sns.histplot(x)
    plt.title('style=dark')

with sns.axes_style('white'):
    plt.subplot(236)
    sns.histplot(x)
    plt.title('style=white')

plt.tight_layout()
plt.show()

相比matplotlib绘图风格，seaborn绘制的直方图会自动增加空白间隔，图像更为清爽。而不同seaborn风格间，则主要是绘图背景色的差异。

8.2 环境(context)

设置环境的方法也有3种：

• set，通用设置接口
• set_context，环境设置专用接口，设置后全局绘图环境随之改变
• plotting_context，设置当前图（axes级）的绘图环境，同时返回设置后的环境系列参数，支持with关键字用法

sns.plotting_context("notebook")  # 默认
sns.plotting_context("paper")
sns.plotting_context("talk")
sns.plotting_context("poster")

可以看出，4种默认绘图环境最直观的区别在于字体大小的不同，而其他方面也均略有差异。

8.3 颜色(color_plette())

seaborn风格多变的另一大特色就是支持个性化的颜色配置。颜色配置的方法有多种，常用方法包括以下两个：

• color_palette，基于RGB原理设置颜色的接口，可接收一个调色板对象作为参数，同时可以设置颜色数量
• hls_palette，基于Hue(色相)、Luminance(亮度)、Saturation(饱和度)原理设置颜色的接口，除了颜色数量参数外，另外3个重要参数即是hls

同时，为了便于查看调色板样式，seaborn还提供了一个专门绘制颜色结果的方法palplot。

补充

Seaborn入门详细教程