Seaborn 是 基于 matplotlib 开发 的高阶Python 数据可视图库，用于绘制优雅、美观的统计图形。
使用下列别名导入该库：
>>> import matplotlib.pyplot as plt
>>> import seaborn as sns
使用 Seaborn 创建图形的基本步骤：
1.准备数据：我们要确保绘制的数据集。
2.设定画布外观：在创建图形之前，我们可以设定画布的外观，例如设置背景颜色、调整坐标轴范围等。可以使用 Matplotlib 进行这些设置。
3.使用 Seaborn 绘图：导入 Seaborn 库并使用其中的函数来绘制图形。Seaborn 也提供了许多高级绘图函数和样式选项，绘图更加简单和美观了。
4.自定义图形：如果需要进一步自定义图形，可以使用 Matplotlib 的函数和方法来进行个性化设置。Seaborn 库是基于 Matplotlib 的，所以我们可以 在 Seaborn 绘图之后使用 Matplotlib 的功能对图形进行自定义 。
>>> import matplotlib.pyplot as plt
>>> import seaborn as sns
# 导入必要的库 matplotlib.pyplot 和 seaborn
>>> tips = sns.load_dataset("tips")
# 通过 sns.load_dataset("tips") 加载了一个名为 "tips" 的示例数据集
>>> sns.set_style("whitegrid")
# 使用 sns.set_style("whitegrid") 设置绘图的样式
>>> g = sns.lmplot(x="tip", y="total_bill", data=tips, aspect=2)
# 使用 sns.lmplot() 创建了一个散点图，并将其赋值给变量 g
>>> g = (g.set_axis_labels("Tip","Total bill(USD)").set(xlim=(0,10),ylim=(0,100)))
# 连续调用了 set_axis_labels() 和 set() 方法来设置坐标轴标签、坐标轴范围等自定义设置
>>> plt.title("title")
>>> plt.show(g)
# 使用 plt.title() 方法设置了图形的标题，并通过 plt.show() 函数显示图形
一、数据
>>> import pandas as pd
>>> import numpy as np
# 导入 pandas 和 numpy 库，并创建了一个形状为 (10, 12) 的随机数组 uniform_data
>>> uniform_data = np.random.rand(10, 12)
# 使用 np.random.rand(10, 12) 创建一个形状为 (10, 12) 的随机数组赋值给变量 uniform_data。这个数组中的元素是从 0 到 1 之间的随机数
>>> data = pd.DataFrame({'x':np.arange(1,101), 'y':np.random.normal(0,4,100)})
# 使用 pd.DataFrame() 函数创建一个 DataFrame 对象 data。在创建过程中，使用字典类型的数据结构来指定要构建的 DataFrame 的列名和对应的数据
Seaborn 提供了内置数据集，以下加载两个示例数据集：titanic 和 iris：
>>> titanic = sns.load_dataset("titanic")
# 加载 "titanic" 数据集
# 这里使用 sns.load_dataset() 函数加载了名为 "titanic" 的数据集，并将其赋值给变量 titanic。该数据集包含有关泰坦尼克号乘客的信息，如乘客等级、性别、年龄、是否存活等
>>> iris = sns.load_dataset("iris")
# 这里使用 sns.load_dataset() 函数加载了名为 "iris" 的数据集，并将其赋值给变量 iris。这个数据集记录了鸢尾花的一些测量数据，包括花萼长度、花萼宽度、花瓣长度、花瓣宽度以及鸢尾花的类别（山鸢尾、变色鸢尾和维吉尼亚鸢尾）
二、画布外观
现在我们创建一个大小为 (5, 6) 的画布和一个子图，使用 plt.subplots() 函数创建一个画布并返回包含画布和子图的元组。figsize=(5,6) 参数指定了画布的大小为宽度为 5 英寸，高度为 6 英寸。
>>> f, ax = plt.subplots(figsize=(5,6))
# 创建画布与子图
2.1 Seaborn样式
接下来，我们使用 Seaborn 库设置或重置默认值，设置一些 Matplotlib 参数。通过这些设置，我们就可以控制绘图的默认样式和 Matplotlib 参数。
>>> sns.set() # 使用 sns.set() 函数将 Seaborn 库的默认参数设置为默认值
>>> sns.set_style("whitegrid")
# 使用 sns.set_style() 函数将 Seaborn 的样式设置为 "whitegrid"，即白色网格样式
# 设置或重置 Seaborn 默认值
>>> sns.set_style("ticks", {"xtick.major.size":8,"ytick.major.size":8})
# 设置 matplotlib 参数
>>> sns.axes_style("whitegrid")
# 设置 matplotlib 参数
2.2 上下文函数
我们还可以使用 Seaborn 库设置上下文，并设置一些参数。通过设置上下文和相关参数，就可以 控制绘图的整体样式和元素大小 了。
>>> sns.set_context("talk") # 将上下文设置为 "talk"
# 使用 sns.set_context() 函数将上下文设置为 "talk"
>>> sns.set_context("notebook",font_scale=1.5,rc={"lines.linewidth":2.5}) # 将上下文设置为"notebook"，缩放字体，覆盖参数映射
# 使用 sns.set_context() 函数将上下文设置为 "notebook"，这将恢复默认的上下文设置
# font_scale=1.5 参数将字体缩放比例设置为 1.5 倍
# rc={"lines.linewidth": 2.5} 参数将覆盖参数映射，将线条宽度设置为 2.5
2.3 调色板
现在，我们该来用 Seaborn 库来设置调色板的颜色了。
>>> sns.set_palette("husl",3) # 定义调色板
# 定义调色板为 "husl" 并设置颜色个数为 3
# 使用 sns.set_palette() 函数将调色板设置为 "husl"，并指定要使用的颜色个数为 3
>>> sns.color_palette("husl") # 使用 with 临时设置调色板
# 使用 sns.color_palette() 函数在上下文管理器中临时设置调色板为 "husl"
# 返回一个包含 HUSL 调色板颜色的列表，供后续使用
>>> flatui = ["#9b59b6","#3498db","#95a5a6","#e74c3c","#34495e","#2ecc71"]
>>> sns.set_palette(flatui)
# 设置调色板
# 定义名为 flatui 的自定义调色板，其中包含了 6 种颜色的代码
# 通过 sns.set_palette() 函数将调色板设置为自定义的颜色列表。
三、使用 Seaborn 绘图
3.1 坐标轴栅格
试着 用 Seaborn 库绘制不同类型的图形 。通过这些绘图函数，我们就可以轻松绘制具有条件关系的子图栅格、分类图和回归模型。
>>> g = sns.FacetGrid(titanic,col="survived", row="sex")
# 绘制条件关系的子图栅格
>>> g = g.map(plt.hist,"age")
>>> sns.factorplot(x="pclass",y="survived",hue="sex",data=titanic)
# 在分面栅格上绘制分类图
>>> sns.lmplot(x="sepal_width",y="sepal_length",hue="species",data=iris)
# 绘制适配分面栅格的数据与回归模型
接下来我们使用 Seaborn 库绘制不同类型的配对关系图和双变量分布图，即 绘制配对关系的子图栅格、双变量分布图和核密度估计图。
>>> h = sns.PairGrid(iris) # 绘制配对关系的子图栅格
>>> h = h.map(plt.scatter) # 绘制配对的双变量分布
>>> sns.pairplot(iris) # 绘制双变量图的边际单变量图栅格
>>> i = sns.JointGrid(x="x",y="y",data=data)
>>> i = i.plot(sns.regplot,sns.distplot)
>>> sns.jointplot("sepal_length","sepal_width",data=iris,kind='kde')
# 绘制双变量分布
3.2 各类图形
3.2.1 散点图
使用Seaborn 库绘制含有分类变量的散点图。
>>> sns.stripplot(x="species",y="petal_length",data=iris)
# 含分类变量的散点图
>>> sns.swarmplot(x="species",y="petal_length",data=iris)
# 含分类变量的散点图
这两种函数都用于在分类变量上绘制散点图，但它们的 布局方式略有不同。stripplot 将所有散点都绘制在一条线上，可能会发生重叠；而 swarmplot 会自动调整散点的位置，避免重叠。
3.2.2 条形图
使用 Seaborn 库绘制带有散点图示符的条形图，用于显示点估计值和置信区间的情况。
>>> sns.barplot(x="sex",y="survived",hue="class",data=titanic)
# 用散点图示符显示点估计值和置信区间
该条形图在每个分类变量（这里是 “sex”）的每个水平上绘制了一个条形，并 通过散点图示符显示了对应的点估计值和置信区间 。
3.2.3 计数图
使用 Seaborn 库绘制了一个计数图，用于显示观测数量。
>>> sns.countplot(x="deck",data=titanic,palette="Greens_d")
# 显示观测数量
# 使用 sns.countplot() 函数绘制计数图
其中，x=“deck” 表示 x 轴上的变量是 “deck” 列，data=titanic 指定数据集为 titanic，palette=“Greens_d” 设置调色板为 “Greens_d”。
该计数图会根据 “deck” 列的不同水平绘制相应的条形，并在每个条形上显示观测数量。
3.2.4 点图
使用 Seaborn 库绘制一个柱状图，用于显示点估计和置信区间。
# 用柱状图显示点估计和置信区间
>>> sns.pointplot(x="class",y="survived",hue="sex", data=titanic, palette={"male":"g","female":"m"},markers=["^","o"],linestyles=["-","--"])
其中，x=“class” 表示 x 轴上的变量是 “class” 列，y=“survived” 表示 y 轴上的变量是 “survived” 列，hue=“sex” 表示根据 “sex” 列进行分组，data=titanic 指定数据集为 titanic。palette={“male”: “g”, “female”: “m”} 设置性别分类的颜色，markers=[“^”, “o”] 设置点估计的标记样式，linestyles=[“-”, “–”] 设置置信区间的线条样式。
该柱状图会在每个分类变量（这里是 “class”）的每个水平上绘制柱形，而 每个柱形的高度代表对应水平的观测均值 。同时，通过点估计和置信区间的方式显示了不同性别的点估计和置信区间。
3.2.5 箱型图
使用 Seaborn 库绘制箱形图：
>>> sns.boxplot(x="alive",y="age",hue="adult_male",data=titanic) # 箱形图
# 使用 sns.boxplot() 函数绘制箱形图
# 其中，x="alive" 表示 x 轴上的变量是 "alive" 列，y="age" 表示 y 轴上的变量是 "age" 列，hue="adult_male" 表示根据 "adult_male" 列进行分组，data=titanic 指定数据集为 titanic
>>> sns.boxplot(data=iris,orient="h") # 箱形图
# 使用 sns.boxplot() 函数绘制箱形图。其中，data=iris 指定数据集为 iris，orient="h" 设置箱形图为水平方向
# 该箱形图绘制了数据集 iris 中所有数值型变量的箱形图，以观察它们的分布情况
3.2.6 小提琴图
使用 Seaborn 库绘制小提琴图：
使用 sns.violinplot() 函数绘制小提琴图。其中，x=“age” 表示 x 轴上的变量是 “age” 列，y=“sex” 表示 y 轴上的变量是 “sex” 列，hue=“survived” 表示根据 “survived” 列进行分组，data=titanic 指定数据集为 titanic。
>>> sns.violinplot(x="age",y="sex",hue="survived",data=titanic)
该小提琴图会根据不同的年龄（“age”）、性别（“sex”）和生还情况（“survived”）绘制相应的小提琴图，以展示这些变量的分布情况。
3.3 回归图
使用 Seaborn 库绘制了散点图并使用线性回归模型进行拟合：
>>> sns.regplot(x="sepal_width", y="sepal_length", data=iris,ax=ax)
# 绘制与线性回归模型拟合的数据
使用 sns.regplot() 函数绘制散点图，并使用线性回归模型对数据进行拟合。其中，x=“sepal_width” 表示 x 轴上的变量是 “sepal_width” 列，y=“sepal_length” 表示 y 轴上的变量是 “sepal_length” 列，data=iris 指定数据集为 iris，ax=ax 是可选参数，表示将图形绘制在指定的坐标轴上（ax 是一个坐标轴对象）。
该散点图将根据 “sepal_width” 和 “sepal_length” 的值绘制散点，并在散点图上使用线性回归模型进行拟合，以展示它们之间的线性关系。
3.4 分布图
使用 Seaborn 库绘制单变量分布图：
>>> plot = sns.distplot(data.y,kde=False,color="b")
# 绘制单变量分布
使用 sns.distplot() 函数绘制单变量分布图，其中，data.y 是指数据集中的 “y” 列，kde=False 表示不显示核密度估计曲线，color=“b” 表示设置颜色为蓝色。
该单变量分布图会 将 “y” 列的分布情况用直方图表示出来，可以通过调整 kde 参数来同时显示核密度估计曲线，同时也可以通过修改 color 参数来更改直方图的颜色。
3.5 矩阵图
使用 Seaborn 库绘制热力图：
>>> sns.heatmap(uniform_data,vmin=0,vmax=1)
# 热力图
使用 sns.heatmap() 函数绘制热力图，其中，uniform_data是要绘制的数据，vmin=0 表示设置颜色映射的最小值为0，vmax=1 表示设置颜色映射的最大值为1。
该热力图会 根据 uniform_data 的数值大小，在图上以不同颜色的方块呈现，并且颜色的深浅表示数值的大小。通过设置 vmin 和 vmax 参数，可以控制颜色映射的范围。
四、深度自定义
4.1 Axisgrid 对象
>>> g.despine(left=True)
# 移除左框
>>> g.set_ylabels("Survived")
# 设置Y轴的标签
>>> g.set_xticklabels(rotation=45)
# 设置X轴刻度标签
>>> g.set_axis_labels("Survived", "Sex")
# 设置坐标轴标签
>>> h.set(xlim=(0,5),ylim=(0,5), xticks=[0,2.5,5], yticks=[0,2.5,5])
# 设置X与Y轴的限制和刻度
4.2 图形
>>> plt.title("A Title")
# 添加图形标题
>>> plt.ylabel("Survived")
# 调整y轴标签
>>> plt.xlabel("Sex")
# 调整x轴标签
>>> plt.ylim(0,100)
# 调整y轴限制
>>> plt.xlim(0,10)
# 调整x轴限制
>>> plt.setp(ax,yticks=[0,5])
# 调整图形属性
>>> plt.tight_layout()
# 调整子图参数
五、显示或保存图形
需要注意的是，savefig() 函数应该在 show() 函数之前调用，因为 show() 函数会清空当前的图形窗口。
在保存图像时，通过设置 transparent=True 参数可以使得背景透明化，即保存的图像中不含有白色背景。
>>> plt.show() # 显示图形
>>> plt.savefig("foo.png") # 将画布保存为图形
>>> plt.savefig("foo.png", transparent=True) # 保存透明画布
5.1 关闭与清除
>>> plt.cla() # 清除坐标轴
>>> plt.clf() # 清除画布
>>> plt.close() # 关闭窗口
需要注意的是，cla() 和 clf() 函数只清除当前的图形对象，而 close() 函数会关闭整个图形窗口。
