seaborn是一款基于matplotlib的圖形可視化python庫，它提供了一種高度交互式界面，便于用戶能夠做出各種有吸引力的統計圖表。seaborn主要是針對統計繪圖的，一般來說，seaborn能滿足數據分析90%的繪圖需求，它最大的特點是簡單。小編今天給大家分享的就是關于如何使用seaborn繪圖的內容，希望對大家有所幫助。

一、常用參數

二、seaborn-數據集分布可視化

1.單變量分布

# 正態分布的500個數據
x1 = np.random.normal(size=500)
 
# 分布圖，默認是直方+線型
sns.distplot(x1);

# 均勻分布的500個整數數據
x2 = np.random.randint(0, 100, 500)
 
# 分布圖，默認是直方+線型
sns.distplot(x2);

# 分布圖，bin是直方的個數，kde是線型（false表示去掉線型），rug顯示每個數據的分布（下面深藍色的部分）
sns.distplot(x1, bins=20, kde=False, rug=True)

				

	# 核密度估計，hist表示直方（false表示不要直方） 



	sns.distplot(x2, hist=False, rug=True) 

# 核密度函數也可以表示成如下，shade表示陰影
sns.kdeplot(x2, shade=True)
sns.rugplot(x2)

# 擬合參數分布
sns.distplot(x1, kde=False, fit=stats.gamma)

2.雙變量分布

# 雙變量分布
df_obj1 = pd.DataFrame({"x": np.random.randn(500),
                   "y": np.random.randn(500)})
 
df_obj2 = pd.DataFrame({"x": np.random.randn(500),
                   "y": np.random.randint(0, 100, 500)})
 
# print df_obj1
# print df_obj2

# 散布圖
sns.jointplot(x="x", y="y", data=df_obj2)

# 二維直方圖
sns.jointplot(x="x", y="y", data=df_obj2, kind="hex");

# 核密度估計
sns.jointplot(x="x", y="y", data=df_obj1, kind="kde");

3.數據集中變量間關系可視化

# 數據集中變量間關系可視化
dataset = sns.load_dataset("tips")
#dataset = sns.load_dataset("iris")
sns.pairplot(dataset);

以上就是小編今天跟大家分享的關于seaborn繪圖的一些內容，希望對于大家seaborn的學習和使用有所幫助。