Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，Seaborn是matplotlib的补充，而不是替代物。
Seaborn有一下特点
- 在Matplotlib上构建，支持numpy和pandas的数据结构可视化。
- 可视化单一变量、二维变量用于比较数据集中各变量的分布情况
- 可视化线性回归模型中的独立变量及不独立变量
# 单变量分布
x1 = np.random.normal(size=1000
)sns.distplot(x1);x2 = np.random.randint(0
, 100
, 500
)sns.distplot(x2);运行结果：
# 直方图
sns.distplot(x1, bins=
20
, kde=False
, rug=True
)运行结果：
核密度估计 sns.distplot(hist=False) 或 sns.kdeplot()
# 核密度估计
sns.distplot(x2, hist=
False
, rug=True
)运行结果：
# 散布图
df_obj = pd.DataFrame({"x"
: np.random.randn(500
), "y"
: np.random.randn(500
)})散布图 sns.jointplot()sns.jointplot(x=
"x"
, y="y"
, data=df_obj)运行结果：
# 二维直方图
sns.jointplot(x=
"x"
, y="y"
, data=df_obj, kind="hex"
);运行结果：
# 核密度估计
sns.jointplot(x=
"x"
, y="y"
, data=df_obj, kind="kde"
);运行结果：
# 数据集中变量间关系可视化
dataset = sns.load_dataset(
"tips"
)sns.pairplot(dataset);
运行结果：
对角线的直方图表示单个变量的分布，上三角和下三角表示两两变量的关系
好啦，今天的只是分享就到这里啦
跟多技术资讯可关注：gzitcast
