Seaborn 多图组合

1. jointplot 两变量图

数据分析中常用做图的方式实现相关性分析，即 X 轴设置为变量 A，Y 轴设置为变量 B，做散点图，由于散点图中点的叠加显示，往往还需要关注每个变量自身的分布情况，jointplot 把描述变量的分布图和变量相关的散点图组合在一起，是相关性分析最常用的工具，图片上还能展示回归曲线，以及相关系数。

import statsmodels.api as sm
import seaborn as sns
sns.set(style="darkgrid")
data = sm.datasets.ccard.load_pandas().data
g = sns.jointplot('AVGEXP', 'AGE', data=data, kind="reg",
                 xlim=(0, 1000), ylim=(0, 50), color="m")

本例中使用 statsmodels 库的 ccard 数据，分析了其中两个数值类型变量的相关性，使用 xlim 和 ylim 设置了图片显示范围，忽略了离群点，kind 参数可设置做图方式：scatter 散点图，kde 密度图，hex 六边形图等，本例中选择 reg 画出了线性回归图。

2. pairplot 多变量图

如果用对 N 个变量的相关性做散点图，用 maplotlib 需要做 NxN 个图，用 pairplot 函数调用一次即可实现，其对角线上是直方图，其余都是两两变量的散点图，不仅简单，还能组合在一起作对比。

1 2	data = sm.datasets.ccard.load_pandas().data sns.pairplot(data, vars=['AGE','INCOME', 'INCOMESQ','OWNRENT'])

图中可以看到，数据类型 INCOME 与 INCOMESQ 呈强相关，AGE 与 INCOME 也有一定相关趋势，对角线上的图对应的是每个因素与其自身的对比，图中以直方图显示了该变量的分布。

3. factorplot 两变量关系图

factorplot 用于绘制两维变量的关系图，用 kind 可指定其作图类型，包括：point, bar, count, box, violin, strip 等。

1 2	data = sm.datasets.fair.load_pandas().data sns.factorplot(x='occupation', y='affairs', hue='religious', data=data)

4. FacetGrid 结构化绘图网格

FacetGrid 可以选择任意的做图方式，以及自定义的做图函数，通常包含两部分，FacetGrid 部分指定了数据集，行，列，map 部分指定做图方式，以及相应参数。

1 2	g = sns.FacetGrid(tips, col = 'time', row = 'smoker') # 按行和列的分类做N个图 g.map(plt.hist, 'total_bill', bins = 10) # 指定做图方式

可以看到无论是连续图，还是分类图，无论是用 FacetGrid 还是 barplot 都是将多个特征放在同一张图片上展示，其差别一方面在于观察角度不同，另一方面也取决于数据自身的类型。

Seaborn多图组合

Seaborn 多图组合