微信公众号：《Python读钱》有任何问题或建议欢迎留言公众号Seaborn是一个基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，无需大量调整，让绘图更简单，让你的图更精致。注意：所有代码均在IPythonnotebook中实现。lmplot（回归图）lmplot用于绘制回归图。通过lmplot，我们可以直观的概览数据的内部关系。先来看看stripplot的API：seaborn.lmplot(x,y,data,hue=None,col=None,row=None,palette=None,col_wrap=None,size=5,aspect=1,markers='o'，sharex=True，sharey=True，hue_order=None，col_order=None，row_order=None，legend=True，legend_out=True，x_estimator=None，x_bins=None，x_ci='ci'，scatter=True，fit_reg=True，ci=95，n_boot=1000，units=None，order=1，logistic=False，lowess=False，robust=False，logx=False，x_partial=None，y_partial=None，truncate=False，x_jitter=None,y_jitter=None,scatter_kws=None,line_kws=None)可以看到lmplot的参数挺多的，说说常用的几个吧。有些参数会涉及到一些统计知识。老套路，先导入对应的包：importseabornassns%matplotlibinlinesns.set(font_scale=1.5,style="white")本次试用的数据集是Seaborn内置的tips数据集：data=sns.load_dataset("tips")data.head(5)我们先来看看lmplot长啥样。单变量线性回归拟合一条最优直线，然后进入具体参数的演示。col:根据指定属性在列上分类row:根据指定属性在行上分类sns.lmplot(x="total_bill",y="tip",data=data,row="sex",col="smoker")结合我们的数据集，看上图的横纵坐标就可以理解这两个参数的用法。col_wrap：指定每行的列数，最多等于col参数对应的不同类别数。"total_bill",y="tip",data=data,col="day",col_wrap=4)sns.lmplot(x="total_bill",y="tip",data=data,col="day",col_wrap=2)aspect：控制图的纵横比sns.lmplot(x="total_bill",y="tip",data=data,aspect=1)#长宽比等于一比一，即正方形sns.lmplot(x="total_bill",y="tip",data=data,aspect=1.5)#Lengthtowidth等于1:1.5，可以看到横轴稍微长了一点x="total_bill",y="tip",data=data,row="sex",col="smoker",sharex=False)#可以看到设置为False时，x轴的5#坐标刻度每个子图的色调不同：用于分类sns.lmplot(x="total_bill",y="tip",data=data,hue="sex",palette="husl")ci:控制回归的置信区间(学过统计学的同学应该都知道）#显示0.95的置信区间sns.lmplot(x="total_bill",y="tip",data=data,ci=95)x_jitter：随机给x-添加噪声点轴sy_jitter：在y轴上随机添加噪声点设置这两个参数不影响最终的回归线sns.lmplot(x="size",y="tip",data=data,x_jitter=False)sns.lmplot(x="size",y="tip",data=data,x_jitter=True)#可以看到上一列的数据点被随机#打乱了，但是不会影响最终的回归线顺序：控制回归的幂（大于一个为多项式回归）sns.lmplot(x="total_bill",y="tip",data=data,order=1)#单变量线性回归sns.lmplot(x="total_bill",y="tip",data=data,order=2)#最高数timesis2sns.lmplot(x="total_bill",y="tip",data=data,order=3)#最大次数为3，有些参数涉及比较深的统计知识，就不展开了在这里一一介绍。有兴趣的可以自行查看官方文档！扫描二维码关注公众号《Python读钱》，干货第一时间获取！
