前言

机器学习涉及到大量的数据，如果能将数据直观地展示出来，无疑可以更方便地分析问题。接下来介绍seaborn库，它是基于matplotlib的数据可视化库，提供更高级的接口绘制各种图表。

seanborn读取CSV数据文件，前文《逗号分割值(CSV)文件格式介绍》已经对这种简单的格式进行介绍。接下来的教程中我们将探索很多绘制特性，本篇文章只是对不同的函数进行抽象的总结。

相似的任务相似的函数

seaborn的空间是扁平的，所有的功能都可以通过初始节点进行访问。但是代码是有层级结构的，模块内的函数通过不同的手段达到相似的可视化效果，很多功能都围绕关系(Delational)，分布(Distributional)，分类(Categorical)三个模块展开。

比如分布模块定义数据的分布情况，下面是柱状图显示

柱状图

上述数据来源于github上mwaskom/seaborn-data项目，它有很多以.csv后缀结尾的文件，绘制的指令

penguins = sns.load_dataset("temp/penguins")sns.histplot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack")plt.show()

相似的还可以用内核密度评估函数进行绘制

sns.kdeplot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack")plt.show()

在模块内的函数底层有很多是相同的，但是有些特性不会在其它函数上展示，比如multiple='stack'，它用来切换不同的视图表示。

密度图

图形(figure-level) VS 坐标(axes-level)函数

除了根据不同的模块划分，seaborn里面的函数还可以划分为坐标和图形两类。上面的示例使用两个坐标函数，绘图数据都在函数的返回值matplotlib.pyplot.Axes对象上。

相反的，图形函数是通过seaborn对象FacetGrid管理图形，每个模块都有一个图形函数，提供各种各样的坐标函数，如下展示

模块

比如分布模块的displot()函数是一个图形函数，它的默认行为是画直方图，底层和histplot()函数是一样的

sns.displot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack")

还可以通过kind属性绘制和kdeplot()函数一样的密度图

sns.displot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack", kind="kde")

图形函数的绘制大部分情况下和坐标函数的绘制是相同的，图形函数最大的优势是很容易创建几个子类的绘制。比如可以将上面叠加的分布图绘制在不同的图表中

子类

坐标函数生成自包含图

f, axs = plt.subplots(1, 2, figsize=(8, 4), gridspec_kw=dict(width_ratios=[4, 3]))sns.scatterplot(data=penguins, x="flipper_length_mm", y="bill_length_mm", hue="species", ax=axs[0])sns.histplot(data=penguins, x="species", hue="species", shrink=.8, alpha=.8, legend=False, ax=axs[1])f.tight_layout()plt.show()

坐标函数可以包含额外的图，底层使用的是matplotlib.pyplot.gca()函数，它们的分布是通过"ax="属性实现的，指定每个图的位置

图包含

图形函数生成图

和坐标函数相反的是，图形函数无法和其它的图形进行组合。从设计上来说，只能够创建它们自己的图

tips = sns.load_dataset("tips")g = sns.relplot(data=tips, x="total_bill", y="tip")g.ax.axline(xy1=(10, 2), slope=.2, color="b", dashes=(5, 2))plt.show()

分布图上绘制斜线

分布图

设置图形函数的属性

g = sns.relplot(data=penguins, x="flipper_length_mm", y="bill_length_mm", col="sex")g.set_axis_labels("Flipper length (mm)", "Bill length (mm)")

上述图形函数返回一个FacetGrid实例，可以通过它对图形的属性进行设置，比如改变横纵坐标的标签

改标签

设置图片的大小

由于seaborn是基于matplotlib库的，对于坐标函数来说，设置图片的大小的方式和matplotlib比较像。但是对于图像函数来说，有几个关键的不同，这里不作过多的介绍，后续在matplotlib介绍中讲解。

图形组合

两个重要的函数jointplot()和pairplot()，可以将图形组合显示。

sns.jointplot(data=penguins, x="flipper_length_mm", y="bill_length_mm", hue="species")

jointplot()函数会在图形组合之间加上一定的空隙

jointplot()函数

pairplot()和jointplot()函数比较类似，它也会组合所有的图形，但是所有的图形是共享坐标系的。

sns.pairplot(data=penguins, hue="species")

这些函数在底层都是使用坐标函数scaterplot()和kdeplot()进行展示

pairplot()函数

总结

大致介绍seaborn的主要功能函数，特别是要理解图形函数和坐标函数的区别，可以理解为图形函数提供一个画板，坐标函数相当于一个画布，一个画板中可以有多个画布。