引言

当我们快速理解数据内容及其分布时，可以选用一些可视化工具，将数据展示出来，从而使我们对数据具有一个直观的认识。常用的数据可视化库有

• matplotlib
• Seaborn
  其中Seaborn可以认为是matplotlib的扩展，从而使得表达更丰富，数据表达更直观

示例

首先导入Seaborn库

import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline %表示画的图形在notebook中显示出来
sns.set() %使用seaborn风格画图

本文中的使用到的数据为seaborn中自带的数据集tips
本次使用到的数据集是比较有名的tips(小费)数据集。小费数据集，是一个餐厅侍者收集的关于小费的数据，其中包含了七个变量，包括总费用、付小费的金额、付款者性别、是否吸烟、日期、日间、顾客人数。

• 条形图绘制
  标准格式为

 sns.distplot(data[“variablename”]) 

我们看一下总账单分布

sns.distplot(tips["total_bill"], bins=16, color="purple")

tips[“total_bill”]指定绘画某一列的数据
bins=16表示柱状图的个数

• 联合分布

sns.jointplot(x="total_bill", y="tip", data=tips, color="purple")

还可以通过修改kind参数，显示kde曲线等

解释上图中，颜色越深代表其密度越大

• 矩阵图

sns.pairplot(tips, hue="sex", palette="Set2")

• 箱体图
  箱体图，即箱线图，从下到上五条线分别表示最小值、下四分位数、中位数、上四分位数和最大值。
  
  箱线图作为描述统计的工具之一，其功能有独特之处，主要有以下几点：
  1.直观明了地识别数据批中的异常值
  2.利用箱线图判断数据批的偏态和尾重
  3.利用箱线图比较几批数据的形状

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

• 小提琴图

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

扩展-风格管理 - 绘图风格设置

Seaborn 将 matplotlib 的参数划分为两个独立的组合。第一组是设置绘图的外观风格的，第二组主要将绘图的各种元素按比例缩放的，以至可以嵌入到不同的背景环境中。

操控这些参数的接口主要有两对方法：

控制风格：axes_style(), set_style()
缩放绘图：plotting_context(), set_context()

有五种seaborn的风格，它们分别是：darkgrid, whitegrid, dark, white, ticks。它们各自适合不同的应用和个人喜好。默认的主题是darkgrid。
例如

sns.set_style("whitegrid")
sns.distplot(tips["total_bill"], bins=16, color="purple")

移除轴脊柱

sns.distplot(tips["total_bill"], bins=16, color="purple")
sns.despine()

当刻度没有完全覆盖整个轴的范围时，trim参数可以用来限制已有脊柱的范围。

sns.distplot(tips["total_bill"], bins=16, color="purple")
sns.despine(offset=10, trim=True)

自定义风格

将一个字典参数传递给axes_style()和set_style()的参数rc。而且你只能通过这个方法来覆盖风格定义中的部分参数。

绘图元素比例

有四个预置的环境，按大小从小到大排列分别为：paper, notebook, talk, poster。其中，notebook是默认的。

sns.set_context("poster")
sns.distplot(tips["total_bill"], bins=16, color="purple")