在《Python可视化Seaborn库详解——绘图设置 》一文中，我们介绍了Seaborn库的绘图参数设置，本文我们将介绍具体的绘图方法。

其实虽然Seaborn库看着绘图函数多，但有几个函数的泛化性非常强，通过参数的设置是可以绘出多种图形的。为了便于掌握这些函数，本文会对这些方法进行归纳整理，力争做到提纲挈领的目的。

绘图方法分类

结合图形的性质，将常规的可视化图形分为了三类。

其中，线性关系所涉及到的是折线图和散点图，这两类图形在日常运用中非常常见；分类关系主要是描述不同维度下数据的统计结果，如条形图、箱图等；组合关系就类似于高级程序语言，它是由不同的基础图形组合而来的。

下面我们将一一介绍这些绘图方法。

线性关系可视化

我们用泰坦尼克号数据作为案例，首先进行数据准备。

import seaborn as sns
import pandas as pd
import numpy as np
data_raw=pd.read_csv("数据源/Titanic/train.csv")
df=data_raw.copy()
df.columns=[x.lower() for x in df.columns]

• relplot
  relplot函数和待会要介绍的catplot函数一样，均是属于一般型方法，它通过kind参数可分别作折线图和散点图，而且也可通过col和row参数进行分面。另外，该函数要求的数据格式必须是DataFrame。下图为该函数的绘图。

sns.relplot(x="passengerid",y="age",col="pclass",hue=None,
            row=None,kind='scatter',data=df)
#kind为line,scatter；col表示按照该列进行分列绘图

#下面是具体的折线图和散点图函数，但这两种方法均不能进行分面
sns.lineplot(x="passengerid",y="age",data=df)
sns.scatterplot(x="passengerid",y="age",data=df)

分类关系可视化

分类关系有两个一般性绘图方法：catplot和distplot。

• catplot

该函数可以绘制八种分类图，并可以进行分面。每种分类图也有相应的函数，可以进行更细致的参数设置，但均不能进行分面。

sns.catplot(x="survived",y="age",hue=None,row=None,col=None,
              data=df,kind=j,ax=axes[i]) 
#hue对X轴进行二次分组，row按行分面，row按列分面，kind控制图形种类，
#有strip,swarm,box,violin,boxen,point,bar,count,strip为默认值

fig,axes=plt.subplots(3,3,figsize=(30,24))
ax=axes.flatten()
sns.stripplot(x="survived",y="age",data=df,ax=ax[0]) #条形散点图
sns.swarmplot(x="survived",y="age",data=df,ax=ax[1]) #避免散点重叠的条形散点图
sns.boxplot(x="survived",y="age",data=df,ax=ax[2]) #箱线图
sns.countplot(x="survived",data=df,ax=ax[3]) #统计图
sns.barplot(x="survived",y="age",data=df,ax=ax[4]) #条形图
sns.violinplot(x="survived",y="age",data=df,ax=ax[5]) #小提琴图
sns.boxenplot(x="survived",y="age",data=df,ax=ax[6]) #增强箱图
sns.pointplot(x="survived",y="age",data=df,ax=ax[7]) #点图

上图为八种不同的分类图。

• distplot

直方图是较为特殊的分类关系图，虽然它属于分布函数，但也可视为一种分类。该函数通过hist和kde参数可控制绘制的图是直方图还是密度图，或是二者的结合。

fig,axes=plt.subplots(1,2,figsize=(12,5))
sns.distplot(df["age"],bins=[0,20,40,60,80,100],hist=True,kde=False,ax=axes[0]) 
sns.distplot(df["age"],bins=[0,20,40,60,80,100],hist=False,kde=True,ax=axes[1]) 


sns.kdeplot(df["age"],shade=True,vertical=False) 
#核密度曲线

组合关系可视化

组合关系包含的都是一些较为复杂的图，本文介绍三种。

• pairplot

该函数主要描述数据变量两两之间的关系图，默认都是散点图。

sns.heatmap(data=df[["age","sex","pclass","fare"]].corr(),linecolor="white",annot=True,linewidths=0.1,cmap='YlGnBu')
#cmap即colormap plt的颜色对象，annot系数值是否显示,
#矩阵数据集，行为矩阵的列名称，列为矩阵的行索引，如果是dataframe，则行为行索引

• heatmap

热力图是一款非常热门的图形，通过颜色来反映数据之间的关系。

sns.heatmap(data=df[["age","sex","pclass","fare"]].corr(),linecolor="white",
            annot=True,linewidths=0.1)
#annot系数值是否显示
#data最后是矩阵数据集，图形的行为矩阵的列，列为矩阵的行索引，如果是dataframe，则行为行索引

• factorplot与FacetGrid

这是两个分面函数，分面的意思就是在一张画布中画多个图形。

sns.factorplot(x="survived", y="age",row="sex",col="pclass", 
               data=df, kind="strip")
#多面板绘图

g=sns.FacetGrid(data=df,row="sex",col="pclass") #先画出轮廓
g.map(sns.stripplot,"survived","age") #进行补充

其实这些分面图形通过catplot方面也是可以实现的。

sns.catplot(x="survived",y="age",col="pclass",hue=None,
            row="sex",kind='strip',data=df)

结语

将这些方法进行归类后就会发现，熟记并掌握这些函数变得容易多了。其实，可视化的原理并不复杂，复杂的只是绘图细节部分。因为每种组成部分都有众多的参数，参数还有不同的取值。

当然了，常规的可视化需求我们采用默认设置就足够了！