Seaborn的简述

Seaborn（seaborn是python中的一个可视化库，是对matplotlib进行二次封装而成，既然是基于matplotlib，所以seaborn的很多图表接口和参数设置与其很是接近）
导入库 import seaborn as sns

1、sns.stripplot分布散点图，其中有一个jitter参数表示散点图的各散点在回归模型中小幅度的分布；

2、sns.swarmplot分簇散点图；

3、sns.barplot()直方图；

4、sns.poinplot()点图；

5、sns.boxplot()盒图；

6、sns.set() 通用设置接口。set_style() 设置风格，darkgrid，whitegrid，dark，white，ticks；

7、sns.load_dataset(“”)调用数据集

8、sns.despine(offset=100) #offset表示图形到轴线的距离

9、set_context()环境设置专用接口，设置后全局绘图环境随之改变，绘图环境有notebook，paper，talk，poster；

10、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

11、sns.palplot()将这些色块打印出来

12、sns.palplot(sns.color_palette(“hls”,n))——显示出n个不同颜色的色块
sns.palplot(sns.color_palette(“Paired”,2n))——显示出2n个不同颜色的色块，且这些颜色两两之间是相近的
sns.palplot(sns.color_palette(“color”))——由浅入深显示出同一颜色的色块
sns.palplot(sns.color_palette(“color_r”))——由深入浅显示出同一颜色的色块
sns.palplot(sns.color_palette(“cubehelix”,n))——显示出n个颜色呈线性变化的色块

13、sns.xkcd_rgb[]设置颜色

14、 观测两个变量之间的分布关系最好用散点图

15、kind=’hex’可以通过颜色深浅将数据分布疏密情况表现出来

17、多变量分布
jointplot是一个双变量分布图表接口。绘图结果主要有三部分：绘图主体用于表达两个变量对应的散点图分布，在其上侧和右侧分别体现2个变量的直方图分布，如第14，15点的图
pairplot 当变量数不止2个时，pairplot是查看各变量间分布关系的首选。它将变量的任意两两组合分布绘制成一个子图，对角线用直方图、而其余子图用相应变量分别作为x、y轴绘制散点图。显然，绘制结果中的上三角和下三角部分的子图是镜像的

18、回归分析
regplot() 绘图结果为散点图+回归直线即置信区间。另外，还可通过logistic参数设置是否启用逻辑回归；
Implot 也是用于绘制回归图表，但功能相比更为强大，除了增加hue参数支持分类回归外，还可添加row和col参数（二者均为FacetGrid中的常规参数，用于添加多子图的行和列）实现更多的分类回归关系。这里以seaborn中的小费数据集进行绘制；
residplot 提供了拟合后的残差分布图，相当于先执行lmplot中的回归拟合，而后将回归值与真实值相减结果作为绘图数据。直观来看，当残差结果随机分布于y=0上下较小的区间时，说明具有较好的回归效果

19、盒图，即矩阵图
（IQR即统计学概念四分位距，第一/四分位与第三/四分位之间的距离 ·N=1.5IQR如果一个值>Q3+N或<Q1-N,则为离群点）
sns.heatmap() 热度图


（vmin，vmax为设置的最大，最小值）

20、clustermap 在heatmap的基础上，clustermap进一步挖掘各行数据间的相关性，并逐一按最小合并的原则进行聚类，给出了聚类后的热力图