在默认情况下双变量关系图是散点图与直方图组合的联合直方图，可以通过设置kind来改变联合直方图。

seaborn.jointplot(x, y, data=None, kind='scatter', 
                  stat_func=None, color=None, height=6,
                  ratio=5, space=0.2, dropna=True, 
                  xlim=None, ylim=None, joint_kws=None,
                  marginal_kws=None, annot_kws=None, **kwargs)
x,y,hue:数据字段变量名(如上表，date,name,age,sex为数据字段变量名)
data: DataFrame
kind：{"scatter"| "reg"| "resid"| "kde"| "hex"}
作用：指定要绘制的类型
color : matplotlib color
height : 数字
作用：指定图的大小(图是正方形的)
ratio:数字
作用：指定主轴(x,y轴)与边缘轴(正方形四边除x,y轴外的其它轴)高度的比率
space：数字
作用：指定主轴与边缘轴之间的空间
dropna : bool
作用：如果为True,则删除x和y中缺少的观测值
案例代码已上传：Github地址
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
tips = sns.load_dataset("tips")
绘制散点图，边缘为直方图：联合直方图
sns.jointplot(x="total_bill", y="tip", data=tips)
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
tips = sns.load_dataset("tips")
在联合添加回归和核密度拟合
sns.jointplot("total_bill", "tip", data=tips, kind="reg")
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
tips = sns.load_dataset("tips")
使用六边形点代替联合直方图中的圆形散点
sns.jointplot("total_bill", "tip", data=tips, kind="hex")
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
iris = sns.load_dataset("iris")
将散点图和直方图均替换为核密度估计
sns.jointplot("sepal_width", "petal_length", data=iris,
              kind="kde", space=0, color="g")
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
iris = sns.load_dataset("iris")
绘制散点图，并添加联合密度估计
g = (sns.jointplot("sepal_length", "sepal_width",
                   data=iris, color="k")
     .plot_joint(sns.kdeplot, zorder=0, n_levels=6))
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
随机生成300个(x,y)二维数据，并指定x,y轴
x, y = np.random.randn(2, 300)
(sns.jointplot(x, y, kind="hex").set_axis_labels("x", "y"))
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
tips = sns.load_dataset("tips")
通过指定height来设置图的大小
sns.jointplot("total_bill", "tip", data=tips,
              height=5, ratio=3, color="g")
plt.show()
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
#设置风格样式
sns.set(style="white", color_codes=True)
# np.random.seed(num),指定了num则表示生成的随机数是可预测的
np.random.seed(0)
# 构建数据
tips = sns.load_dataset("tips")
其他一些参数的设置效果
sns.jointplot("petal_length", "sepal_length", data=iris,
              marginal_kws=dict(bins=15, rug=True),
              annot_kws=dict(stat="r"),
              s=40, edgecolor="w", linewidth=1)
plt.show()
更多技术干货在公众号：数据分析与可视化学研社

                            
Py之seaborn：数据可视化seaborn库(三)的矩阵图可视化之jointplot函数、JointGrid函数、pairplot函数、PairGrid函数、FacetGrid函数的简介、使用方法
                            
 Py之seaborn：数据可视化seaborn库(三)的矩阵图可视化之jointplot函数、JointGrid函数、pairplot函数、PairGrid函数、FacetGrid函数的简介、使用方法之最强攻略(建议收藏)目录三、矩阵图可视化1、jointplot函数：2个变量柱状图(外边缘)+散点图(内中心)可视化，在2个垂直的坐标轴上显示(1)、柱状图+散点图/矩形密度图可视化：尽量都为类别型特征(2)、柱状图+六边形图/散点线性回归分析图/等高线核密度图/线性回归的残差..