13_pandas可视化_seaborn

导入库

import numpy as np
import pandas as pd
# import matplotlib.pyplot as plt #交互环境中不需要导入
import seaborn as sns
sns.set_context({'figure.figsize':[8, 6]}) # 设置图大小
# 屏蔽警告
import warnings
warnings.filterwarnings("ignore")

关系图

散点图（scatterplot）

散点图是利用散点来描述两个变量的联合分布，scatterplot 适用于变量都是数字的情况

#scatterplot参数
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None,x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)

• x、y：传入的特征名字或Python/Numpy数据，x表示横轴，y表示纵轴，一般为dataframe中的列。如果传入的是特征名字，那么需要传入data，如果传入的是Python/Numpy数据，那么data不需要传入。
• hue：分组变量，将产生不同颜色的点。可以是分类的，也可以是数字的。被视为类别。
• data: 传入的数据集，可选。一般是dataframe。
• style: 分组变量，将产生不同标记点的变量分组。被视为类别。
• size： 分组变量，将产生不同大小的点。可以是分类的，也可以是数字的。
• palette: 调色板，后面单独介绍。
• markers: 绘图的形状，后面单独介绍。
• ci: 允许的误差范围（空值误差的百分比，0-100之间），可为‘sd’，则采用标准差（默认95）
• n_boot(int): 计算置信区间要使用的迭代次数
• alpha: 透明度
• x_jitter, y_jitter: 设置点的抖动程度。

# 使用seaborn的数据
tips = sns.load_dataset('tips')
sns.scatterplot(x='total_bill',y='tip',data=tips)
# plt.show() # 交互环境中不需要调用sns.scatterplot(x='total_bill',y='tip',hue='day',style='time',size='size',data=tips)
# plt.show() # 交互环境中不需要调用

线图（lineplot）

seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None,data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,size_order=None, size_norm=None, dashes=True, markers=None, style_order=None, units=None, estimator='mean', ci=95, n_boot=1000, sort=True, err_style='band', err_kws=None, legend='brief', ax=None, **kwargs)

参数与scatterplot差不多

fmri = sns.load_dataset('fmri')
sns.lineplot(x="timepoint", y="signal", data=fmri)
# 阴影是默认的置信区间，可设置ci=0，将其去除sns.lineplot(x="timepoint", y="signal",hue="event", style="event",
markers=True, dashes=False, data=fmri)
# markers=True表示使用不同的标记
# dashes=True表示一条实线，一条虚线

同时画两个线图，显示不同的颜色

tips['day_num'] = tips['day']
tips['day_num'] = tips['day_num'].map({'Thur':4,'Fri':5,'Sat':6,'Sun':7})
# 绘制第一条线
sns.lineplot(y='total_bill',x='day',data=tips.sort_values('day_num'),ci=0,color='g')
# 绘制第二条线
sns.lineplot(y='tip',x='day',data=tips.sort_values('day_num'),ci=0,color='r')
# plt.show() # 交互环境中不需要调用
# 第一条线显示总金额，颜色显示为绿色
# 第一条线显示消费，颜色显示为红色

关系图（relplot）

seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None,style_order=None, legend='brief', kind='scatter', height=5, aspect=1,facet_kws=None, **kwargs)

相当于lineplot与scatterplot的规约可以通过kind参数指定画什么图形

• kind: 默认是’scatter’，也可以选择kind=‘line’
• sizes: List、dict或tuple，可选，会图点（或特殊样式标记）的大小，注意和size区分；(用途不大)
• col、row: col指定列的分组变量，row指定行的分组变量，具体看下面例子

g = sns.relplot(x="total_bill", y="tip", data=tips)
#两者效果一模一样
ax = sns.scatterplot(x="total_bill", y="tip", data=tips)

sns.relplot(x="total_bill", y="tip", hue="time", size="size",palette=["b", "r"], sizes=(10, 100),col="time",row='sex', data=tips)
# palette=["b", "r"] 设置颜色 blue，red
# 根据col="time",row='sex'分组

分类图

分类散点图

stripplot(分布散点图)

stripplot(分布散点图)就是其中一个bianl-是分类变量的scatterplot(散点图)。stripplot一般并不单独画，常常与boxplot和violinplot联合起来绘制，作为这两种图的补充。

seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=True, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs)

• order：用order参数进行筛选分类类别，例如：order=[‘sun’,‘sat’]；
• jitter：抖动项，表示抖动程度，可以是float或者True。如果不抖动的话，那么散点会呈现一条直线，并不利于可视化
• dodge：重叠区域是否分开，当使用hue时，将其设置为True，将沿着分类轴将不同颜色调级别的条带分开
• orient：‘v’|‘h’,vertiacl(垂直)和horizontal(水平)的意思；默认垂直（v），设置水平（h）显示时需要颠倒x,y

sns.stripplot(x="day", y="total_bill", hue="smoker",data=tips,jitter=True,palette="Set2", dodge=False)
# palette 设置颜色主题

swarmplot(分布密度散点图)

这个函数类似与stripplot()类似，但是对点进行了调整（只沿着分类轴），使每个点都不会重叠。这更好的表示了值的密度分布，但显然不适用大量观测的可视化。

seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None,
hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5, 
edgecolor='gray', linewidth=0, ax=None, **kwargs)

sns.swarmplot(x="day", y="total_bill", data=tips)sns.swarmplot(x="day", y="total_bill", hue="smoker",data=tips,palette="Set2", dodge=True)

分类分布图

boxplot(箱型图)

boxplot(箱型图)就是描述变量关于不同类别的分布情况。框显示数据集的4分位数，线显示分布的其余部分，它能显示出一组数据的最大、最小、中位数以及上下4分位数，使用4分位数范围函数的方法可以确定“离群值”的点。

seaborn.boxplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, width=0.8, dodge=True, fliersize=5, linewidth=None, whis=1.5, notch=False, 		ax=None, **kwargs)

• saturation : 饱和度，可设置为1
• width : float，控制箱型图的宽度大小
• fliersize : float，用于指示离群值观察的标记大小
• whis：可理解为异常值的上限IQR比例

sns.boxplot(x="day", y="total_bill", data=tips)

sns.boxplot(x="day", y="total_bill", hue="time",data=tips,linewidth=0.5,saturation=1,width=1,fliersize=3)

violinplot(小提琴图)

violinplot（小提琴图）就是绘制箱线图和核密度估计的组合。通过箱线图，可以得到数据对于类变量的分位数，通过核密度估计，可以知道哪些位置的密度大。

seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100, width=0.8, inner='box', split=False, dodge=True, orient=None, linewidth=None, color=None, palette=None, saturation=0.75, ax=None, **kwargs)

• bw：‘scott’,‘silverman’,float 控制拟合程度。在计算内核宽带时，可以引用规则的名称（‘scott’,‘silverman’）或者使用比例(float)。实际内核大小将通过将比例乘以每个bin内数据的标准差来确定
• cut：空值外壳的延申超过极点的密度：float
• scale：’area‘，’count‘，’width‘，用来缩放每把小提琴的宽度的方法
• scale_hue：当使用hue分类后，设置为True时，此参数确定是否在主分组变量进行缩放
• gridsize：设置小提琴的平滑度，越高越平滑
• inner：’box‘，’quartile‘，’point‘，’stick‘，None，小提琴内部数据点的表示，分别是：箱子，四分位，点，数据线和不表示
• split：是否拆分，当设置True时，绘制经hue分类的每个级别画出一半的小提琴

sns.violinplot(x="day", y="total_bill", data=tips)# 设置按性别分类，调色为“Set2”，分割，以计数的方式，不表示内部。
sns.violinplot(x="day", y="total_bill", hue="sex",data=tips,palette="Set2", split=True,scale="count", inner=None)

分类估计图

barplot(条形图)

barplot(条形图)用举行条表示估计点和置信区间，使用误差线提供关于该估计值附近的不确定性的一些指示

seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None,capsize=None, dodge=True, ax=None, **kwargs)

• estimator：用于估计每个分类箱内的统计函数，默认为mean。当然可以设置estimator=np.median/np.std/np.var…
• order ：设置特征值的顺序，例如：order=[‘Sta’,‘Sun’]
• ci：允许的误差的范围（控制误差棒的百分比，在0-100之间），若填写‘std’，则使用标准误差（默认95），也可以设置ci=None；
• capsize：设置误差棒帽条（上下两根横线）的宽度，float；
• errcolor：表示置信区间的线条颜色
• errwidth：float，设置误差条线（和帽）的厚度

sns.barplot(x='day',y='total_bill',hue='sex',data=tips)sns.barplot(x='day',y='total_bill',hue='sex',data=tips,estimator=np.median,capsize=0.2,errcolor='c')

countplot(计数图)

countplot(计数图)用条形图显示各分类的观察次数，实际就是一个分类直方图。count是一个轴，然后特征是一个轴，因此不能同时输入x和y

seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)

sns.countplot(x='day',hue='sex',data=tips)

pointplot(点图)

pointplot(点图)使用散点图图形显示点估计和置信区间，并使用误差线提供关于该估计的不确定行的一些指示。点图比条形图更加聚焦与变量的不同值之间的比较，可以通过点连线的斜率差异来判断

seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, markers='o', linestyles='-', dodge=False, join=True, scale=1, orient=None, color=None, palette=None, errwidth=None, capsize=None, ax=None, **kwargs)

• join：默认两个统计点会相连接，若不想显示，可以设置join=False参数实现
• scale：float，均值点（默认）和连线的大小和粗细

sns.pointplot(x='time',y='total_bill',data=tips)

sns.pointplot(x='time',y='total_bill',hue='smoker',data=tips,estimator=np.median,dodge=True,palette='Set2',markers=['x','o'],linestyles=['-','--'])

catplot()

catplot() 其实就是对前面几个分类估计图的归纳，通过kind参数来选择具体的图形。

seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, order=None, hue_order=None, row_order=None, col_order=None, kind='strip',height=5, aspect=1, orient=None, color=None, palette=None, legend=True, legend_out=True, sharex=True, sharey=True, margin_titles=False, facet_kws=None, **kwargs)

和regplot（关系图）的使用方法差不多

• kind：默认strip（分布散点图），也可以选择‘point’，‘bar’，‘count’
• col，row：将决定网格的面数的分类变量，可以具体定制
• col_wrap：指定每行展示的子图个数，但是与row不兼容；
• row_order,col_order：字符串列表，安排行和列，以及推断数据中心的对象
• height，aspect：与图像的大小有关
• sharex，sharey：bool，‘color’，‘row’，是否共享x，y坐标轴

sns.catplot(x='time',y='total_bill',hue='smoker',data=tips,estimator=np.median,dodge=True,palette='Set2',markers=['x','o'],linestyles=['-','--'],kind='point')

exercise = pd.read_csv('../exercise.csv')
sns.catplot(x='time',y='pulse',hue='kind',kind='bar',col='diet',data=exercise,height=4,aspect=0.8)

多个图绘制在一起

在qtconsole环境下，直接调用sns的绘图函数，就会绘制图；如果要多个图绘制在一起，可以多行代码一块执行（按下ctrl键再回车，当前行的代码不会立即执行，待后面的代码写完后再回车，就可以把多个图绘制在一起了）。

sns.violinplot(x='tip',y='day',data=tips,whis=np.inf,inner=None)
sns.swarmplot(x='tip',y='day',data=tips,color='c')

sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
sns.stripplot(x="tip", y="day", data=tips,jitter=True, color="c")

sns.boxplot(x="tip", y="day", data=tips, whis=np.inf)
sns.swarmplot(x="tip", y="day", data=tips, color="c")

分布图

histplot(直方图)

histplot(直方图)绘制单变量或者双变量直方图，以显示数据集的分布。该函数可以对每个bin内计算的统计进行归一化估计频率、密度或概率质量，可以添加一个平滑曲线的到使用内核密度估计。

histplot(data=None, *, x=None, y=None, hue=None, weights=None, stat="count", bins="auto", binwidth=None, binrange=None, discrete=None, cumulative=False, common_bins=True, common_norm=True, multiple="layer", element="bars", fill=True, shrink=1, kde=False, kde_kws=None, line_kws=None, thresh=0, pthresh=None, pmax=None, cbar=False, cbar_ax=None, cbar_kws=None, palette=None, hue_order=None, hue_norm=None, color=None, log_scale=None, legend=True, ax=None, **kwargs,)

• x,y：为DataFrame 中的列名或者两组数据，data指向dataframe
• bins : int或者list，控制直方图的划分，设置矩形图（就是块的多少）数量，除特殊要求，一般默认
• kde：是否显示核密度估计曲线
• common_norm：若为True，则直方图高度显示频率而非计数

np.random.seed(666)
x=np.random.randn(1000)
sns.histplot(x,kde=True)# 修改更多参数，设置方块的数量，颜色为‘k’
sns.histplot(x,kde=True,bins=100,color='k')

kdeplot(核密度图)

kdeplot(核密度图)使用核密度估计绘制单变量或者双变量数据分布

seaborn.kdeplot(data, *,x=None,y=None, shade=False, vertical=False, kernel='gau', bw='scott', gridsize=100, cut=3, clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)

• x,y：为DataFrame 中的列名或者两组数据，data指向dataframe
• shade：是否填充阴影，默认不填充
• vertical：放置方向，如果为真，则观测值位于y轴上（默认False，x轴上）
• kernel：{‘gau’，‘cos’，‘biw’，‘epa’，‘tri’，‘triw’}。默认高斯核（gau）二元KDE只能使用高斯核
• bw：{‘scott’ | ‘silverman’ | scalar | pair of scalars }。四类核密度带方法，默认scott (斯考特带宽法）
• gridsize：这个参数指的是每个格网里面，应该包含多少个点，越大，表示格网里面的点越多，越小表示格网里面的点越少；
• cut：绘制的时候，切除带宽往数轴极限数值的多少，这个参数可以配合bw参数使用
• cumulative：是否绘制累积分布
• shade_lowest：是否有最低值渲染，这个参数只有在二维密度图上有效
• clip：表示查看部分结果，是一个区间
• cbar：参数若为True，则会添加一个颜色棒（颜色棒在二元kde图中才有）

mean, cov = [0, 2], [(1, .5), (.5, 1)]
#这是一个多元正态分布，x和y都是长度为50的向量
x, y = np.random.multivariate_normal(mean, cov, size=50).T
sns.kdeplot(x)
#绘制双变量核密度图
sns.kdeplot(x=x,y=y,shade=True,shade_lowest=False,cbar=True,color='r')

iris = pd.read_csv('../iris.csv')
setosa = iris[iris.species == "setosa"]
virginica = iris[iris.species == "virginica"]sns.kdeplot(x=setosa.sepal_width, y=setosa.sepal_length,cmap="Reds",shade=True, shade_lowest=False)
sns.kdeplot(x=virginica.sepal_width, y=virginica.sepal_length,cmap="Blues",shade=True, shade_lowest=False)

jointplot(联合分布图)

jointplot(联合分布图)其实就是直方图与核密度图的组合

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：为DataFrame 中的列名或者两组数据，data指向dataframe
• kind：{‘scatter’,‘reg’,‘resid’,‘kde’,‘hex’}。默认是散点图
• stat_func：用于计算统计量关系的函数
• ratio：中心图与侧边图的比例，越大，中心图占比越大
• dropna：删除缺失值
• height：图的尺度大小
• space：中心图与侧边图的间隔大小
• xlim，ylim：x,y的范围

sns.jointplot(x="total_bill", y="tip", data=tips,height=5)
sns.jointplot(x="sepal_width", y="petal_length", data=iris,kind="kde", space=0,ratio=6 ,color="r")
sns.jointplot(x="sepal_width", y="petal_length",hue='species', data=iris,kind="kde" ,color="r")

pairplot（变量关系组图）

pairplot(变量关系组图)描述数据集中的成对关系。默认情况下，该函数创建一个轴网格，对角线描述该变量的直方图,非对角线描述两个变量之间的联合分布。

seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None,height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None)

• vars：data中的子集，否则使用data中的每一列
• x_vars/y_vars：可以具体细分，谁与谁比较
• kind：{‘scatter’ , ‘reg’}
• diag_kind：{‘auto’,‘hist’,‘kde’}。对角线的图样，默认情况取决于是否只用’hue’

sns.pairplot(iris)sns.pairplot(iris,hue='species',markers=['o','s','D'])

回归图

regplot(回归图)

regplot(回归图)在绘制图时自动进行线性回归模型拟合

seaborn.regplot(x, y, data=None, 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, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)

• order：多项式回归没控制回归的幂次，设定指数，可以用多项式拟合
• logistic：逻辑回归
• x_jitter,y_jitter：给x,y轴随机增加噪音点，设置这两个参数比不影响最后的回归直线

sns.regplot(x='total_bill',y='tip',data=tips)

lmplot(网格+回归图)

implot(网格+回归图)相当于regplot(回归图)和网格图的组合

seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, height=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, size=None)

• col，row：根据所指的属性列、行上分类
• col_wrap：指定每行的列数，最多等于col参数所对应的不同类别的数量
• aspect：控制图的长宽比
• robust：如果式True，使用statsmodels来估计一个稳健的回归（鲁棒线性模型）。这将减少异常值。请注意 logistic回归和robust回归相较于简单线性回归需要更大的计算量，其置信区间的产生也依赖于bootstrap采样，你可以关掉置信区间估计来提高速度（ci=None）
• lowess：如果式True，使用statsmodels来估计一个非参数的模型(局部加权线性回归)。这种方法具有最少的假设，尽管它是计算密集型的，但目前无法为这类模型绘制置信区间；

sns.lmplot(x='total_bill',y='tip',hue='smoker',data=tips)
sns.lmplot(x='total_bill',y='tip',hue='day',col='day',data=tips,col_wrap=2)

矩阵图

heatmap(热力图)

利用热力图可以看数据表里多个特性两两的相关性，类似于彩色矩阵

seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)

• data：矩阵数据集，可以使用numpy的数组（array），如果是pandas的dataframe，则df的index/column信息会分别对应到heatmap的columns和rows；
• vmax，vmin：图例中最大值和最小值的显示值，没有该参数默认不显示
• cmap：从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；
• center：数据表取值有差异时，设置热力图的色彩中心对齐值。通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变 ；
• annot：annotate的缩写，默认False，如果是True，在热力图每个方格写入数据；如果是矩阵，在热力图每个方格写入该矩阵对应位置数据
• fmt：字符串格式化码，矩阵上标识数字的数据格式，比如保留小数点后几位
• annot_kws：默认取值False，如果是True，设置热力图矩阵上数字的大小颜色字体
• square：设置热力图矩阵小方块形状，默认False
• xticklabels、yticklabels：控制每行、列签名的输出。默认值是auto，自动选择签的标注间距，将标签名不重叠的部分(或全部)输出。如果是True，则以DataFrame的列名作为标签名；
• mask：控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉

# 绘制一个简单的numpy数组的热力图：
x = np.random.rand(10, 12)
sns.heatmap(x)

# 显示数字和保留几位小数，并修改数字大小字体颜色格式：
x= np.random.rand(10, 10)
sns.heatmap(x,annot=True,annot_kws={'size':9,'weight':'bold', 'color':'w'},fmt='.2f')

clustermap(聚类图)

clustermap()可以将矩阵数据集绘制为层次聚类热图；（更符合生物信息分析的要求）

seaborn.clustermap(data, pivot_kws=None, method='average', metric='euclidean', z_score=None, standard_scale=None, figsize=None, cbar_kws=None, row_cluster=True, col_cluster=True, row_linkage=None, col_linkage=None, row_colors=None, col_colors=None, mask=None, **kwargs)

iris = sns.load_dataset("iris")
species = iris.pop("species")
sns.clustermap(iris)

FacetGrid

FacetGrid用于初始化网格对象，每个子图都称为一个格子。其实就是relplt()、catplt()、lmplot()函数的一个上层类，可以根据自己的需求定制每个格子中画什么样的图

在大多数情况下，与直接使用FacetGrid相比，使用图形级函数(例如relplot)要好的多

seaborn.FacetGrid(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=True, height=3, aspect=1, palette=None, row_order=None, col_order=None, hue_order=None, hue_kws=None, dropna=True, legend_out=True, despine=True, margin_titles=False, xlim=None, ylim=None, subplot_kws=None, gridspec_kws=None, size=None)

FacetGrid并不能直接绘制我们想要的图像，它的基本工作流程是FacetGrid使用数据集和用于构造网格的变量初始化对象。然后，可以通过调用FacetGrid.map()或将一个或多个绘图函数应用于每个子集 FacetGrid.map_dataframe()，最后，可以使用其他修改参数的方法调整绘图。

sns.FacetGrid(tips,col='time',row='smoker') # 2 * 2网格g = sns.FacetGrid(tips,col='time',row='smoker') # 2 * 2网格
g.map(plt.scatter,'total_bill','tip',color='c')

PairGrid

PairGrid() 用于绘制数据集中成对关系的子图网格。它的原理和pairplot是一样的，但是pairplot绘制的图像上、下三角形是关于主对角线对称的，而PairGrid则可修改上、下三角形和主对角线的图像形状。

iris = sns.load_dataset("iris")
g = sns.PairGrid(iris,hue="species")
g = g.map_upper(sns.scatterplot)#在上对角线子图上用二元函数绘制的图
g = g.map_lower(sns.kdeplot)#在下对角线子图上用二元函数绘制的图
g = g.map_diag(sns.kdeplot)#对角线单变量子图