安装最新版本方法：
pip install git+https://github.com/mwaskom/seaborn.git导入包和设置背景
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style="darkgrid")tips = sns.load_dataset("tips")
tips.head(3)| total_bill | tip | sex | smoker | day | time | size | |
|---|---|---|---|---|---|---|---|
| 0 | 16.99 | 1.01 | Female | No | Sun | Dinner | 2 |
| 1 | 10.34 | 1.66 | Male | No | Sun | Dinner | 3 |
| 2 | 21.01 | 3.50 | Male | No | Sun | Dinner | 3 |
一、用散点图关联变量
1、绘制散点图，x为”total_bill”列的数据，y为”tip”列的数据，数据集为”tips”的pandas类型数据
sns.relplot(x="total_bill", y="tip", data=tips);2、绘制3维的关系图，第3维的数据”smoker”列的数据用hue=”smoker”表示，如图，蓝色代表取值
“yes”，红色代表取值”no”。
sns.relplot(x="total_bill", y="tip", hue="smoker", data=tips);3、绘制3维的关系图，第3维的数据”smoker”列的数据用hue=”smoker”和style=”smoker”表示，
用不同颜色和样式表示该维数据，即蓝色圆点代表”yes”,橙色x代表取值”no”
sns.relplot(x="total_bill", y="tip", hue="smoker", style="smoker",
data=tips);4、绘制4维的关系图，用样式表示另外一列数据
sns.relplot(x="total_bill", y="tip", hue="smoker", style="time", data=tips);5、如果颜色代表的维度数据不是离散值，而是连续的数字，则根据颜色深浅代表取值
sns.relplot(x="total_bill", y="tip", hue="size", data=tips);我们可以自定义颜色
sns.relplot(x="total_bill", y="tip", hue="size", palette="ch:r=-.5,l=.75", data=tips);6、除了”颜色”、”样式”可以代表维度外，”大小”也可以；，”大小”类似于”颜色”处理数值数据
sns.relplot(x="total_bill", y="tip", size="size", data=tips);数据单元中的值范围被归一化为面积单位的范围，这个范围可以定制
sns.relplot(x="total_bill", y="tip", size="size", sizes=(15, 200), data=tips);二、强调线图的连续性
数据集
df = pd.DataFrame(dict(time=np.arange(500),value=np.random.randn(500).cumsum()))
df.head(3)| time | value | |
|---|---|---|
| 0 | 0 | -0.652967 |
| 1 | 1 | -2.372132 |
| 2 | 2 | -2.926434 |
1、time随value的变化图
g = sns.relplot(x="time", y="value", kind="line", data=df)
g.fig.autofmt_xdate()默认行为是x在绘图之前按值对数据进行排序。但是，这可以被禁用。
df = pd.DataFrame(np.random.randn(500, 2).cumsum(axis=0), columns=["x", "y"])
sns.relplot(x="x", y="y", sort=False, kind="line", data=df);2、聚合和表示不确定性：
更复杂的数据集将对x变量的相同值进行多次测量。seaborn中的默认行为是x通过绘制平均值周围
的平均值和95％置信区间来聚合每个值的多个测量值：
数据集
fmri = sns.load_dataset("fmri")
fmri.head(3)| subject | timepoint | event | region | signal | |
|---|---|---|---|---|---|
| 0 | s13 | 18 | stim | parietal | -0.017552 |
| 1 | s5 | 14 | stim | parietal | -0.080883 |
| 2 | s12 | 18 | stim | parietal | -0.081033 |
sns.relplot(x="timepoint", y="signal", kind="line", data=fmri);使用自举来计算置信区间，对于较大的数据集，这可能是时间密集的。因此可以禁用它们：
sns.relplot(x="timepoint", y="signal", ci=None, kind="line", data=fmri);对于更大的数据，是通过绘制标准偏差而不是置信区间来表示每个时间点的分布范围
sns.relplot(x="timepoint", y="signal", kind="line", ci="sd", data=fmri);要完全关闭聚合，请将estimator参数设置为“ None当数据在每个点有多个观察值时，可能会产生奇怪的效果
sns.relplot(x="timepoint", y="signal", estimator=None, kind="line", data=fmri);三、用语义映射绘制数据子集
sns.relplot(x="timepoint", y="signal", hue="event", kind="line", data=fmri);hue表示颜色，style表示样式
sns.relplot(x="timepoint", y="signal", hue="region", style="event",
kind="line", data=fmri);使用短划线或代替默认的样式
sns.relplot(x="timepoint", y="signal", hue="region", style="event",
dashes=False, markers=True, kind="line", data=fmri);用线条的颜色和样式只表示一个数据维度
sns.relplot(x="timepoint", y="signal", hue="event", style="event",
kind="line", data=fmri);1、使用重复测量数据（即有多次采样的单位）时，可以单独绘制每个采样单位，
而无需通过语义区分它们。这可以避免使图例混乱。比如对”subject”单位绘图。
sns.relplot(x="timepoint", y="signal", hue="region",
units="subject", estimator=None,
kind="line", data=fmri.query("event == 'stim'"));2、默认lineplot()的色彩映射和图例的处理还取决于色调语义是分类还是数字
数据集
dots = sns.load_dataset("dots").query("align == 'dots'")
dots.head(4)| align | choice | time | coherence | firing_rate | |
|---|---|---|---|---|---|
| 0 | dots | T1 | -80 | 0.0 | 33.189967 |
| 1 | dots | T1 | -80 | 3.2 | 31.691726 |
| 2 | dots | T1 | -80 | 6.4 | 34.279840 |
| 3 | dots | T1 | -80 | 12.8 | 32.631874 |
sns.relplot(x="time", y="firing_rate",
hue="coherence", style="choice",
kind="line", data=dots);如果hue变量是数字，很难用线性色标表示可以用水平以对数方式缩放。通过传递列表或字典为每一行提供特定的颜色值：
palette = sns.cubehelix_palette(light=.8, n_colors=6)
sns.relplot(x="time", y="firing_rate",
hue="coherence", style="choice",
palette=palette,
kind="line", data=dots);三、用日期数据绘图
df = pd.DataFrame(dict(time=pd.date_range("2017-1-1", periods=500),
value=np.random.randn(500).cumsum()))
g = sns.relplot(x="time", y="value", kind="line", data=df)
g.fig.autofmt_xdate()四、显示与facet的多个关系
1、通过col=”time”，每一列代表”time”的取值，有多少个值就有多少列
sns.relplot(x="total_bill", y="tip", hue="smoker",
col="time", data=tips);2、 通过col=”region”, row=”event”，每一列代表”time”的取值，每一行代表”event”的取值
sns.relplot(x="timepoint", y="signal", hue="subject",
col="region", row="event", height=3,
kind="line", estimator=None, data=fmri);col_wrap=5设置每一列显示多少个图；height=3代表子图的高, aspect=.75,代表高宽比；
linewidth=2.5代表线条粗细
sns.relplot(x="timepoint", y="signal", hue="event", style="event",
col="subject", col_wrap=5,
height=3, aspect=.75, linewidth=2.5,
kind="line", data=fmri.query("region == 'frontal'"));