概述

怎么说呢，seaborn离我心目中的理想的数据可视化更近一步了，也是我会推荐别人去学习的一个可视化库。在前一篇文章我提到matplotlib是基础，seaborn是进阶，我觉得更形象一点的描述应该可以这样认为matplotlib可以让你实现数据可视化，seaborn可以让你体会到一些数据之美。而且seaborn的语法比matplotlib更加简洁，短短的几行就可以画出很amazing的可视化图像。Let's go to see somethings in seaborn.

内容

一些seaborn图

就不装什么神秘的了，先放一些图给大家感受感受seaborn的魅力，我们再上具体的内容。GOGOGO！！！

seaborn基础图表

记得先导入包import seaborn as sns，下面我只介绍基本的绘制是怎么实现的，其他的参数调节我就不讲了因为跟上一节的matplotlib差不多，毕竟seaborn是基于matplotlib的包装优化，当然也有不同具体可以去官网查每个参数的用法。

• 相关性图表：主要是散点图和折线图
  • 散点：sns.relplot(kind = 'scatter')
  • 折线：sns.relplot(kind = 'line')

• 分布型图表：主要包含的图表有直方图,核密度分布图和累积概率密度图
  • 直方：sns.displot(kind = 'his')
  • 核密度：sns.displot(kind = 'kde')
  • 累积概率密度：sns.displot(kind = 'ecdf')

• 分类型图表：seaborn中用于展示分类型数据的图表比较多，我们按照seaborn官方的划分成三个类型点类型，分布类型，预估类型。
  • 点：sns.catplot(kind = 'strip'或者kind='swarm')
  • 分布：sns.catplot(kind = 'box'或者kind='violin'或者kind='boxen')
  • 预估：sns.catplot(kind = 'point'或者kind='bar'或者kind='count')

• 回归模型图表:seaborn帮助你做回归分析，主要有两个图表来进行支持：regplot和lmplot
  • sns.regplot()
  • sns.lmplot()

• 其他图表之热力图：并不归类于以上的四种类型，但在实际使用中，使用频率也叫较高的。
  • sns.heatmap()

一点点进阶：组合图表

JointGrid：创建的多图是一张主图，然后在上方和右侧边缘区域添加图表用于展示单变量的分布情况

• 我们可以通过g.plot_joint() 、g.plot_marginals()去分别绘制中心区域和边缘区域图表；

总结

总的来说，seaborn不再木讷，不再学术风，更贴近商业图表，更好看。但是他还是什么呢，他还是静止的，静态图片，静态图片你再好看比得过动态图表甚至是视频吗?很显然不行，所以未来我将进一步探究pyecharts甚至更高端的可视化方式。

最后的最后呢，有个问题：R语言的可视化实现真的很好吗？我没学过R但是我看了一下R画的一些图感觉也就跟seaborn差不多，我不太清楚想请教一些大家，如果你知道的话欢迎发评论与我交流。