matplotlib是python最常见的绘图包，强大之处不言而喻。然而在数据科学领域，可视化库-Seaborn也是重量级的存在。
由于matplotlib比较底层，想要绘制漂亮的图非常麻烦，需要写大量的代码。
Seaborn是在matplotlib基础上进行了高级API封装，图表装饰更加容易，你可以用更少的代码做出更美观的图。同时，Seaborn高度兼容了numy、pandas、scipy等库，使得数据可视化更加方便快捷。
话不多说，先来展示一下Seaborn的风采：
热力图
小提琴图
散点矩阵图
多元散点图
带边际分布的Hexbin图
下面正式开始讲解如何使用Seaborn绘图
功能简介
Seaborn让coder专注于可视化分析，提供更多高级接口，无需将过多时间用于数据处理和图表装饰，一般而言，它主要有以下功能：
- 计算多变量间关系的面向数据集接口
- 可视化类别变量的观测与统计
- 可视化单变量或多变量分布并与其子数据集比较
- 控制线性回归的不同因变量并进行参数估计与作图
- 对复杂数据进行易行的整体结构可视化
- 对多表统计图的制作高度抽象并简化可视化过程
- 提供多个内建主题渲染 matplotlib 的图像样式
- 提供调色板工具生动再现数据
安装Seaborn
安装最新版本的Seaborn非常简单，使用pip命令即可：
代码语言：javascript复制pip install seabornPython版本：3.6.x
Seaborn的依赖库有：numpy、scipy、matplotlib、pandas
导入Seaborn库，一般使用：
代码语言：javascript复制import seaborn as sns查看Seaborn版本：
代码语言：javascript复制sns.__version
# 本文使用最新版本：0.9.0风格管理
Seaborn装载了一些默认主题风格，通过sns.set()方法实现。
sns.set()可以设置5种风格的图表背景：darkgrid, whitegrid, dark, white, ticks，通过参数style设置，默认情况下为darkgrid风格：
更改为whitegrid风格：
你还可以通过改变参数palette来调整颜色：
提示：有人会问上面的代码从哪加载数据集？是这样的，Seaborn会内置一些数据集，通过load_data()方法加载 大家有兴趣可以去官方教程看看有哪些内置数据集 本文都会用Seaborn内置数据集讲解案例
点、线混合绘图函数 - relplot()
relplot()是seaborn中非常重要的绘图函数，它可以用于绘制散点图和线图，通过参数kind改变绘图类型。
- 散点图：relplot(kind='scatter')
- 线图：relplot(kind='line')
注：默认情况下为散点图
举个例子：
上面加载了内置数据集-tips（小费数据集），并对total_bill和tip字段绘制散点分布图。
tips数据集：
tips数据集字段说明：
- total_bill：总消费
- tip：小费
- sex：性别
- smoker：是否吸烟
- day：周几
- time：用餐类型
前面绘制了total_bill（总消费）和tip（小费）的散点关系图，我们可以清晰地看到这两者成正相关性。
如果在上面的基础上再区分时间，显示这次消费属于一周的周几，并用不同颜色标记点
传递参数 hue='day'：
性别不同会对这个分布关系产生影响，我们绘制男、女两张图表
传递参数 col='sex'：
性别不同、用餐类型也不同的情况下，分布是什么样的，可以绘制多张图表
传递参数 col='sex'，row='time'：
你也可以绘制线图，只需要传递参数kind='line'：
lineplot()和scatter()函数
lineplot()和scatter()分别用于绘制线图和散点图，前面说过relplot()函数已经覆盖这两个绘图功能，所以就不赘述了，有意者可以自研。
绘制线性回归模型-lmplot()函数
lmplot()函数用以绘制回归模型，描述线性关系。
依然以小费数据集为例：
这是一个散点图 线性回归 95%置性区间的组合图
你调整置性区间的大小，传递参数ci：60：
对smoker（是否吸烟）做分类处理，得到两个不同的回归曲线，
传递参数 hue='smoker' :
绘制非参数回归模型（局部加权线性回归），传递参数 lowess=True：
分类散点图 - stripplot()函数
当有一维数据是分类数据时，散点图成了条带形状，这里就用到stripplot()函数。
箱图 - boxplot()函数
箱形图（Box-plot）又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。
它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比 较。
箱线图的绘制方法是：
- 先找出一组数据的最大值、最小值、中位数和两个四分位数；
- 然后， 连接两个四分位数画出箱子；
- 再将最大值和最小值与箱子相连接，中位数在箱子中间。
提琴图 - violinplot()函数
小提琴图结合了箱型图和密度图的特征，用于展示数据的分布形状。粗黑线表示四分数范围，延伸的细线表示95%的置信区间，白点为中位数。
小提琴图弥补了箱型图的不足，可以展示数据分布是双模还是多模。
总结
本介绍了Seaborn安装、风格配置以及各类绘图函数的使用，当然这里只是列举了小部分函数和功能，抛砖引玉，为展示seaborn的强大之处。希望Seaborn能成为大家数据科学路上的得力助手！
END
