seaborn是一款基于matplotlib的图形可视化python库，它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。seaborn主要是针对统计绘图的，一般来说，seaborn能满足数据分析90%的绘图需求，它最大的特点是简单。小编今天给大家分享的就是关于如何使用seaborn绘图的内容，希望对大家有所帮助。

一、常用参数

二、seaborn-数据集分布可视化

1.单变量分布

# 正态分布的500个数据
x1 = np.random.normal(size=500)
 
# 分布图，默认是直方+线型
sns.distplot(x1);

# 均匀分布的500个整数数据
x2 = np.random.randint(0, 100, 500)
 
# 分布图，默认是直方+线型
sns.distplot(x2);

# 分布图，bin是直方的个数，kde是线型（false表示去掉线型），rug显示每个数据的分布（下面深蓝色的部分）
sns.distplot(x1, bins=20, kde=False, rug=True)

				

	# 核密度估计，hist表示直方（false表示不要直方） 



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

# 核密度函数也可以表示成如下，shade表示阴影
sns.kdeplot(x2, shade=True)
sns.rugplot(x2)

# 拟合参数分布
sns.distplot(x1, kde=False, fit=stats.gamma)

2.双变量分布

# 双变量分布
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

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

# 二维直方图
sns.jointplot(x="x", y="y", data=df_obj2, kind="hex");

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

3.数据集中变量间关系可视化

# 数据集中变量间关系可视化
dataset = sns.load_dataset("tips")
#dataset = sns.load_dataset("iris")
sns.pairplot(dataset);

以上就是小编今天跟大家分享的关于seaborn绘图的一些内容，希望对于大家seaborn的学习和使用有所帮助。