一、簡介
seaborn是Python中基於matplotlib的具有更多可視化功能和更優美繪圖風格的繪圖模塊，當我們想要探索單個或一對數據分布上的特征時，可以使用到seaborn中內置的若干函數對數據的分布進行多種多樣的可視化，本文以jupyter notebook為編輯工具，針對seaborn中的kdeplot、rugplot、distplot和jointplot，對其參數設置和具體用法進行詳細介紹。
二、kdeplot
seaborn中的kdeplot可用於對單變量和雙變量進行核密度估計並可視化，其主要參數如下：
data：一維數組，單變量時作為唯一的變量
data2：格式同data2，單變量時不輸入，雙變量作為第2個輸入變量
shade：bool型變量，用於控制是否對核密度估計曲線下的面積進行色彩填充，True代表填充
vertical：bool型變量，在單變量輸入時有效，用於控制是否顛倒x-y軸位置
kernel：字符型輸入，用於控制核密度估計的方法，默認為'gau'，即高斯核，特別地在2維變量的情況下僅支持高斯核方法
legend：bool型變量，用於控制是否在圖像上添加圖例
cumulative：bool型變量，用於控制是否繪制核密度估計的累計分布，默認為False
shade_lowest：bool型變量，用於控制是否為核密度估計中最低的范圍着色，主要用於在同一個坐標軸中比較多個不同分布總體，默認為True
cbar：bool型變量，用於控制是否在繪制二維核密度估計圖時在圖像右側邊添加比色卡
color：字符型變量，用於控制核密度曲線色彩，同plt.plot()中的color參數，如'r'代表紅色
cmap：字符型變量，用於控制核密度區域的遞進色彩方案，同plt.plot()中的cmap參數，如'Blues'代表藍色系
n_levels：int型，在而為變量時有效，用於控制核密度估計的區間個數，反映在圖像上的閉環層數
下面我們來看幾個示例來熟悉kdeplot中上述參數的實際使用方法：
首先我們需要准備數據，本文使用seaborn中自帶的鳶尾花數據作為示例數據，因為在jupyter notebook中運行代碼，所以加上魔術命令%matplotlib inline使得圖像得以在notebook中顯示
import seaborn as sns sns.set(color_codes=True) import matplotlib.pyplot as plt %matplotlib inline #加載seaborn自帶的鳶尾花數據集，格式為數據框 iris = sns.load_dataset('iris') #分離出setosa類的花對應的屬性值 setosa = iris.loc[iris.species == "setosa"].reset_index(drop=True) #分離出virginica類的花對應的屬性值 virginica = iris.loc[iris.species == "virginica"].reset_index(drop=True)
首先我們不修改其他參數只傳入數據來觀察繪制出的圖像：
#繪制iris中petal_width參數的核密度估計圖 ax = sns.kdeplot(iris.petal_width)
加上紅色填充顏色，並禁止圖例顯示：
ax = sns.kdeplot(iris.petal_width,shade=True,color='r')
修改為核密度分布：
ax = sns.kdeplot(iris.petal_width, shade=True, color='r', cumulative=True)
交換x-y軸位置：
ax = sns.kdeplot(iris.petal_width, shade=True, color='r', vertical=True)
下面我們來繪制雙變量聯合核密度估計圖：
#繪制setosa花的petal_width與petal_length的聯合核密度估計圖 ax = sns.kdeplot(setosa.petal_width, setosa.petal_length)
修改調色方案為藍色，並設置shade_lowest=True：
ax = sns.kdeplot(setosa.petal_width, setosa.petal_length, cmap='Blues', shade=True, shade_lowest=True)
在上圖基礎上修改shade_lowest=False：
ax = sns.kdeplot(setosa.petal_width, setosa.petal_length, cmap='Blues', shade=True, shade_lowest=False)
可以看到這時最低密度估計曲線之外的區域沒有被調色方案所浸染。
將核密度曲線區間個數修改為5：
ax = sns.kdeplot(setosa.petal_width, setosa.petal_length, cmap='Blues', shade=True, shade_lowest=False, n_levels=5)
可以看到這時的核密度區間要粗略很多。
在同一個子圖中繪制兩個不同一維總體的核密度估計圖，這里為了把它們區分開分別定義了label參數以顯示在圖例中：
ax1 = sns.kdeplot(setosa.petal_width,label='setosa.petal_width') ax2 = sns.kdeplot(virginica.petal_width,label='virginica.petal_width')
在同一個子圖中繪制兩個不同二維總體的核密度估計圖：
ax1 = sns.kdeplot(setosa.sepal_width,setosa.sepal_length, cmap='Blues', shade=True, shade_lowest=False) ax2 = sns.kdeplot(virginica.sepal_width,virginica.sepal_length, cmap='Greens', shade=True, shade_lowest=False)
三、rugplot
rugplot的功能非常朴素，用於繪制出一維數組中數據點實際的分布位置情況，即不添加任何數學意義上的擬合，單純的將記錄值在坐標軸上表現出來，相對於kdeplot，其可以展示原始的數據離散分布情況，其主要參數如下：
a：一維數組，傳入觀測值向量
height：設置每個觀測點對應的小短條的高度，默認為0.05
axis：字符型變量，觀測值對應小短條所在的軸，默認為'x'，即x軸
使用默認參數進行繪制：
ax = sns.rugplot(iris.petal_length)
調換所處的坐標軸：
ax = sns.rugplot(iris.petal_length,axis='y')
修改小短條高度和顏色：
ax = sns.rugplot(iris.petal_length, color='r', height=0.2)
三、distplot
seaborn中的distplot主要功能是繪制單變量的直方圖，且還可以在直方圖的基礎上施加kdeplot和rugplot的部分內容，是一個功能非常強大且實用的函數，其主要參數如下：
a：一維數組形式，傳入待分析的單個變量
bins：int型變量，用於確定直方圖中顯示直方的數量，默認為None，這時bins的具體個數由Freedman-Diaconis准則來確定
hist：bool型變量，控制是否繪制直方圖，默認為True
kde：bool型變量，控制是否繪制核密度估計曲線，默認為True
rug：bool型變量，控制是否繪制對應rugplot的部分，默認為False
fit：傳入scipy.stats中的分布類型，用於在觀察變量上抽取相關統計特征來強行擬合指定的分布，下文的例子中會有具體說明，默認為None，即不進行擬合
hist_kws,kde_kws,rug_kws：這幾個變量都接受字典形式的輸入，鍵值對分別對應各自原生函數中的參數名稱與參數值，在下文中會有示例
color：用於控制除了fit部分擬合出的曲線之外的所有對象的色彩
vertical：bool型，控制是否顛倒x-y軸，默認為False，即不顛倒
norm_hist：bool型變量，用於控制直方圖高度代表的意義，為True直方圖高度表示對應的密度，為False時代表的是對應的直方區間內記錄值個數，默認為False
label：控制圖像中的圖例標簽顯示內容
使用默認參數進行繪制：
ax = sns.distplot(iris.petal_length)
修改所有對象的顏色，繪制rugplot部分，並修改bins為20：
ax = sns.distplot(iris.petal_length,color='r', rug=True, bins=20)
在上圖的基礎上強行擬合卡方分布並利用參數字典設置fit曲線為綠色：
from scipy.stats import chi2 ax = sns.distplot(iris.petal_length,color='r', rug=True, bins=20, fit=chi2, fit_kws={'color':'g'})
修改norm_hist參數為False使得縱軸顯示的不再是密度而是頻數（注意這里必須關閉kde和fit繪圖的部分，否則縱軸依然顯示密度），利用hist_kws傳入字典調整直方圖部分色彩和透明度，利用rug_kws傳入字典調整rugplot部分小短條色彩：
ax = sns.distplot(iris.petal_length,color='r', rug=True, kde=False, bins=20, fit=None, hist_kws={'alpha':0.6,'color':'orange'}, rug_kws={'color':'g'}, norm_hist=False)
四、jointplot
之所以按照kdeplot-rugplot-distplot的順序來介紹是因為distplot中涉及到kdeplot與rugplot中的相關內容，而本文最后要介紹的函數jointplot中聚合了前面所涉及到的眾多內容，用於對成對變量的相關情況、聯合分布以及各自的分布在一張圖上集中呈現，其主要參數如下：
x,y：代表待分析的成對變量，有兩種模式，第一種模式：在參數data傳入數據框時，x、y均傳入字符串，指代數據框中的變量名；第二種模式：在參數data為None時，x、y直接傳入兩個一維數組，不依賴數據框
data：與上一段中的說明相對應，代表數據框，默認為None
kind：字符型變量，用於控制展示成對變量相關情況的主圖中的樣式
color：控制圖像中對象的色彩
height：控制圖像為正方形時的邊長
ratio：int型，調節聯合圖與邊緣圖的相對比例，越大則邊緣圖越矮，默認為5
space：int型，用於控制聯合圖與邊緣圖的空白大小
xlim,ylim：設置x軸與y軸顯示范圍
joint_kws,marginal_kws,annot_kws：傳入參數字典來分別精細化控制每個組件
在默認參數設置下繪制成對變量聯合圖：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa)
值得一提的是，jointplot還貼心的在圖像上說明了成對變量之間的皮爾遜簡單相關系數以及相關性檢驗的p值結果。
將kind參數設置為'reg'，為聯合圖添加線性回歸擬合直線與核密度估計結果：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='reg')
修改kind為'hex'來為聯合圖生成六邊形核密度估計：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='hex')
修改kind為'kde'來將直方圖和散點圖轉換為核密度估計圖，並將邊際軸的留白大小設定為0：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='kde', space=0, color='g')
jointplot還支持圖層疊加，如下面的例子，我們首先繪制出的聯合圖中kind限制為擬合線性回歸直線，在此基礎上利用.plot_joint方法疊加核密度估計圖層：
ax = (sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, color='g', kind='reg')).plot_joint(sns.kdeplot, zorder=0, n_levels=10)
根據你的具體需要還可以疊加出更加豐富的圖像。
調大ratio參數使得邊緣圖更加小巧：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, kind='kde', space=0, color='g', ratio=15)
利用邊緣圖形參數字典為邊緣圖形添加rugplot的內容，並修改直方個數為15：
ax = sns.jointplot(x='sepal_length',y='sepal_width',data=setosa, marginal_kws=dict(bins=15, rug=True), linewidth=1,space=0)
實際上，如果你足夠了解matplotlib與seaborn，可以通過各種組合得到信息量更豐富特別的圖像！
以上就是本文的全部內容，如有筆誤望指出！