一、seaborn介绍

seaborn是python中基于Matplotlib包具有更多可视化效果和更多风格的可视化模块，可以说是Matplotlib的封装。当我们想要 探索单个或者一对数据分布上的特征 时，可以使用seaborn中内置的若干函数对数据的分布进行多种多样的可视化。

二、 kdeplot

对于 单变量和双变量进行核密度估计 ，并可视化，参数表如下：

bool型，是否为核密度估计中最低的范围着色， 主要用于在同一个坐标轴中比较多个不同分布总体 ，默认为True

# ax = sns.kdeplot(x,shade = True,color='r',legend=True)
ax = sns.kdeplot(x,shade=True,label='x')

3、修改为核密度估计的累计分布

ax = sns.kdeplot(x,shade=True,color='r',cumulative=True)

4、交换x-y轴位置

ax = sns.kdeplot(x,shade = True,color='r',vertical = True)

5、绘制双变量联合密度估计图

ax = sns.kdeplot(x,y)
 6、修改调色方案，并设置shade_lowest = True、阴影填充及核密度区间个数
ax = sns.kdeplot(x,y,cmap='Blues',shade = True,shade_lowest=True)
ax = sns.kdeplot(x,y,cmap='Blues',shade = True,shade_lowest=True,n_levels=5)
 7、在同一个子图中绘制两个不同一维总体的核密度估计图
ax1 = sns.kdeplot(x,label='x',shade = True,color='r')
ax2 = sns.kdeplot(y,label='y',shade = True,color='y')
8、在同一个子图中绘制两个不同二维总体的核密度估计图
mean1 = [-1,1]
cov1 = [(0,0.3),(0.3,0.1)]
x1,y1 = np.random.multivariate_normal(mean1,cov1,30).T
ax1 = sns.kdeplot(x,y,cmap='Reds',shade=True,shade_lowest=False)
ax2 = sns.kdeplot(x1,y1,cmap='Greens',shade=True,shade_lowest=False)
三、rugplot
　　用于绘制出一维数组中数据点实际的分布位置情况，即不添加任何数学意义上的拟合，只是单纯的记录值在坐标轴上进行展示，相当于kdeplot，可以展示出数据的离散分布情况。参数表如下：

四、 displot

displot主要功能是 绘制单变量的直方图 ，而且可以在直方图的基础之上加上kdeplot和rugplot的部分内容，其功能非常强大，其主要参数如下：

hist_kws

bool型，表示直方图高度代表的意义，默认为False

True：直方图高度表示对应的密度

False：对应的直方区间内记录值个数

3、强行拟合卡方分布并利用参数字典设置fit曲线颜色

ax = sns.distplot(x,color='r',rug=True,bins=20,kde=False,fit=None,
                  norm_hist=False,hist_kws={'alpha':0.6,'color':'orange'},
                  rug_kws={'color':'g'})
 4、修改norm_hist参数为False使得纵轴显示的不再是密度而是频数（注意这里必须关闭kde和fit绘图的部分，否则纵轴依然显示密度），利用hist_kws传入字典调整直方图部分色彩和透明度，利用rug_kws传入字典调整rugplot部分小短条色彩：
五、jointplot
　　jointplot中聚合了kdeplot和rugplot中的相关内容，故放于最后进行介绍；
　　jointplot主要用于对成对变量的相关情况、联合分布及各自的分布呈现于一张图表，jointplot的主要参数如下：

代表待分析的成对变量， 有两种模式;

第一种模式：在参数data传入数据框时，x、y均传入字符串，指代数据框中的变量名；

第二种模式：在参数data为None时，x、y直接传入两个一维数组，不依赖数据框

joint_kws，

marginal_kws，

annot_kws

5、利用边缘图形参数字典为边缘图形添加rugplot的内容，并修改直方个数为15

ax = sns.jointplot(x=x,y=y,color='g',kind='reg',marginal_kws={'bins':15,'rug':True})

6、jointplot支持图层叠加

例：我们首先绘制出的联合图中kind限制为拟合线性回归直线，在此基础上利用.plot_joint方法叠加核密度估计图层：

ax = sns.jointplot(x=x,y=y,color='g',kind='reg').plot_joint(sns.kdeplot,n_levels=5)