一、线性关系数据可视化lmplot( )
表示对所统计的数据做散点图，并拟合一个一元线性回归关系。
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)
x和y 表示显示x和y的线性关系
hue 表示对x按照hue进行分类，每个分类都在同一个图表显示
hue_order 按照hue分类后，多分类的结果进行筛选和显示排序
col和row 表示对hue的分类拆分为多个图表显示，或者对x按照col分类并拆分为多个横向的独立图表、或者对x按照row分类并拆分为多个竖直的独立图表
col_order和row_order 按照col和row分类拆分后，多分类进行删选和显示排序
col_wrap 每行显示的图表个数
height 每个图表的高度（最后一个参数size即height，size正被height替代）
aspect 每个图表的长宽比，默认为1即显示为正方形
marker 点的形式，
sharex和sharey 拆分为多个图表时是否共用x轴和y轴，默认共用
x_jitter和y_jitter 给x轴和y轴随机增加噪点
#hue分类，col图表拆分
sns.lmplot(x="tip", y="total_bill",data=tips,hue='smoker',palette="Set1",ci = 80, markers = ['+','o']) #是否吸烟在同一个图表显示
sns.lmplot(x="tip", y="total_bill",data=tips,hue='day',col='day',sharex=True,markers='.') #按日期拆分为独立的图表
sns.lmplot(x="tip", y="total_bill",data=tips,col='time',row='sex',height=3) #行拆分和列拆分
二、时间线图lineplot()
时间线图用lineplot()表示，tsplot()正在被替代。
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)
fmri = sns.load_dataset("fmri")
ax = sns.lineplot(x="timepoint", y="signal", data=fmri)
fmri.head()
三、热图heatmap()
热图只针对二维数据，用颜色的深浅表示大小，数值越小颜色越深。
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 二维数据
vmin和vmax 调色板的最小值和最大值
annot 图中是否显示数值
fmt 格式化数值
linewidth和linecolor 格子线宽和颜色
cbar 是否显示色带
cbar_kws 色带的参数设置，字典形式，在cbar设置为True时才生效，例如{"orientation": "horizontal"}表示横向显示色带
square 每个格子是否为正方形
rng = np.random.RandomState(1)
df = pd.DataFrame(rng.randint(1,10,(10,12)))
fig = plt.figure(figsize=(15,6))
ax1 = plt.subplot(121)
sns.heatmap(df,vmin=3,vmax=8,linewidth=0.2,square=True)
ax2 = plt.subplot(122)
sns.heatmap(df,annot=True,square=False,cbar_kws={"orientation": "horizontal"})
生成半边热图，mask参数
rs = np.random.RandomState(33)
d = pd.DataFrame(rs.normal(size=(100, 26)))
corr = d.corr() #求解相关性矩阵表格,26*26的一个正方数据 mask = np.zeros_like(corr, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True
# 设置一个“上三角形”蒙版 cmap = sns.diverging_palette(220, 10, as_cmap=True)# 设置调色盘 sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,square=True, linewidths=0.2)
四、结构化图表可视化
tips = sns.load_dataset("tips") # 导入数据
g = sns.FacetGrid(tips, col="time", row="smoker")# 创建一个绘图表格区域，列按time分类、行按smoker分类
g.map(plt.hist, "total_bill",alpha = 0.5,color = 'b',bins = 10) # 以total_bill字段数据分别做直方图统计
g = sns.FacetGrid(tips, col="day",
height=4, # 图表大小
aspect=.8) # 图表长宽比 g.map(plt.hist, "total_bill", bins=10,
histtype = 'step', #'bar', 'barstacked', 'step', 'stepfilled'
color = 'k')
#散点图
g = sns.FacetGrid(tips, col="time", row="smoker") g.map(plt.scatter,
"total_bill", "tip", # share{x,y} → 设置x、y数据
edgecolor="w", s = 40, linewidth = 1) # 设置点大小，描边宽度及颜色
g = sns.FacetGrid(tips, col="time", hue="smoker") # 创建一个绘图表格区域，列按col分类，按hue分类 g.map(plt.scatter,
"total_bill", "tip", # share{x,y} → 设置x、y数据
edgecolor="w", s = 40, linewidth = 1) # 设置点大小，描边宽度及颜色
g.add_legend()
attend = sns.load_dataset("attention")
print(attend.head())
g = sns.FacetGrid(attend, col="subject", col_wrap=5,# 设置每行的图表数量
size=1.5)
g.map(plt.plot, "solutions", "score", marker="o",color = 'gray',linewidth = 2)# 绘制图表矩阵
g.set(xlim = (0,4),ylim = (0,10),xticks = [0,1,2,3,4], yticks = [0,2,4,6,8,10]) # 设置x，y轴刻度
