單元分布 sns.distplot()
-
直方圖（hist）+內核密度函數（kde）
在seaborn中最簡便查看單元分布的函數是distplot().該函數默認繪制直方圖並擬合內核密度估計。通過調整參數可以分別繪制直方圖，擬合內核密度圖，地毯圖等。
x = np.random.normal(size=100)
sns.distplot(x);
-
直方圖
sns.distplot(x,kde=False) / plt.hist()
當繪制直方圖時，你需要調整的參數是bin的數目（組數）。displot()會默認給出一個它認為比較好的組數，但是嘗試不同的組數可能會揭示出數據不同的特征。
sns.displot（x,bins=20,kde=False,rug=True）
bin以及
vertical，以確定直方圖的組數和放置位置
sns.distplot(x, bins=20, kde=False, rug=True);
-
核密度估計
sns.distplot(x,hist=False) / sns.kdeplot(x)
核密度估計圖使用的較少，但其是繪制出數據分布的有用工具，與直方圖類似，KDE圖以一個軸的高度為准，沿着另外的軸線編碼觀測密度。sns.displot(x,hist=False,rug=True)
繪制KDE圖比繪制直方圖要復雜得多，每個觀測值首先要以該值為中心的正(高斯)曲線代替。然后各個點在加起來，計算支持網格點中每個點的密度值，然后將得到的曲線歸一化，使其面積小於，即得到核密度估計圖
在seaborng中也有一個函數kdeplot（），使用這個函數，我們可以得到同樣的曲線，這個函數在distplot()中也被調用，但是他提供了更多更方便的借口，來進行可視化調整。
sns.kdeplot(x,shae=Ture)
bw(binwidth)同直方圖的bin一樣，控制了估算與數據間的緊密程度。與我們之前提到的內核寬度一致，默認情況下，函數會直接猜一個數據，但嘗試更大或更小bw情況的，或許會更有幫助。
sns.kdeplot(x)
sns.kdeplot(x, bw=.2, label="bw: 0.2") sns.kdeplot(x, bw=2, label="bw: 2") 
使用cut參數，可以控制曲線繪制多遠的極限值。然而這僅僅只是影響曲線如何繪制，並不會影響曲線本身
sns.kedplot(x,shade=True,cut=0) sns.rugplot(x)
-
擬合參數分布
sns.distplot(x,kde=False,fit=stats,gamma)
你也可以通過使用distplot（）來擬合出一個數據集的參數分布，直觀上來評估其余觀測數據是否關系密切。
x = np.random.gamma(6, size=200) sns.distplot(x, kde=False, fit=stats.gamma); 