Seaborn是基於matplotlib的Python可視化庫。 它提供了一個高級界面來繪製有吸引力的統計圖形。Seaborn其實是在matplotlib的基礎上進行了更高級的API封裝，從而使得作圖更加容易，不需要經過大量的調整就能使你的圖變得精緻。
注：所有代碼均在IPython notebook中實現
boxplot
箱形圖（Box-plot）又稱為盒須圖、盒式圖或箱線圖，是一種用作顯示一組數據分散情況資料的統計圖。它能顯示出一組數據的最大值、最小值、中位數及上下四分位數。因形狀如箱子而得名。在各種領域也經常被使用，常見於品質管理。圖解如下：
接下來我們介紹Seaborn中的箱型圖的具體實現方法，這是boxplot的API：
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)
我們從具體的實例出發
%matplotlib inline
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
plt.rc("font",family="SimHei",size="15") #解決中文亂碼問題本文所使用的數據集是鳶尾花卉數據集
data.head(6)
x，y： dataframe中的列名（str）或者矢量數據
data：dataframe或者數組
sns.boxplot(x=data["pw"],data=data)
palette：調色板，控制圖像的色調
fig,axes=plt.subplots(1,2,sharey=True) sns.boxplot(x="catagory",y="pw",data=data,ax=axes[0]) #左圖 sns.boxplot(x="catagory",y="pw",data=data,palette="Set3",ax=axes[1]) #右圖
hue（str）：dataframe的列名，按照列名中的值分類形成分類的條形圖
sns.boxplot(x="color",y="pl",data=data,hue="catagory",palette="Set3")
order, hue_order (lists of strings)：用於控制條形圖的順序
sns.boxplot(x="catagory",y="pw",data=data,palette="Set3",order=[2,1,0])
orient："v"|"h" 用於控制圖像使水平還是豎直顯示（這通常是從輸入變量的dtype推斷出來的，此參數一般當不傳入x、y，只傳入data的時候使用）
fig,axes=plt.subplots(2,1) sns.boxplot(data=data,orient="v",palette="Set3",ax=axes[0]) #豎直顯示 sns.boxplot(data=data,orient="h",palette="Set3",ax=axes[1]) #水平顯示
fliersize：float，用於指示離群值觀察的標記大小
fig,axes=plt.subplots(1,2) sns.boxplot(x="color",y="pl",data=data,ax=axes[0]) #fliersize默認為5 sns.boxplot(x="color",y="pl",data=data,fliersize=20,ax=axes[1])
whis：確定離群值的上下界（IQR超過低和高四分位數的比例），此範圍之外的點將被識別為異常值。IQR指的是上下四分位的差值。
fig,axes=plt.subplots(1,2) sns.boxplot(x="color",y="pl",data=data,whis=1,ax=axes[0]) #左圖 sns.boxplot(x="color",y="pl",data=data,whis=2,ax=axes[1]) #右圖
width：float，控制箱型圖的寬度
fig,axes=plt.subplots(1,2) sns.boxplot(x="color",y="pl",data=data,width=0.3,ax=axes[0]) #左圖 sns.boxplot(x="color",y="pl",data=data,width=0.8,ax=axes[1]) #右圖
violinplot
violinplot與boxplot扮演類似的角色，它顯示了定量數據在一個（或多個）分類變量的多個層次上的分佈，這些分佈可以進行比較。不像箱形圖中所有繪圖組件都對應於實際數據點，小提琴繪圖以基礎分佈的核密度估計為特徵。具體用法如下：
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)
實例所用的數據集如下：
data.head(6)
在這裡就不再介紹x，y，hue，data，order，hue_order，palette參數的用法，這些參數的用法和之前介紹的圖形的用法是一樣的，如有需要可以查看之前的內容。
先來畫一個小提琴圖：
sns.violinplot(x="gender",y="age",data=data)
split：將split設置為true則繪製分拆的violinplot以比較經過hue拆分後的兩個量：
fig,axes=plt.subplots(2,1) ax=sns.violinplot(x="color",y="age",data=data,hue="smoker",split=True,ax=axes[0]) #上圖，拆分後的圖 ax=sns.violinplot(x="color",y="age",data=data,hue="smoker",ax=axes[1]) #下圖
scale_hue：bool，當使用色調變量（hue參數）嵌套小提琴時，此參數確定縮放是在主要分組變量（scale_hue = true）的每個級別內還是在圖上的
所有小提琴（scale_hue = false）內計算出來的。fig,axes=plt.subplots(2,1) ax=sns.violinplot(x="color",y="age",data=data,hue="smoker",split=True,scale_hue=False,ax=axes[0]) #上圖 ax=sns.violinplot(x="color",y="age",data=data,hue="smoker",split=True,scale_hue=True,ax=axes[1]) #下圖
orient："v"|"h" 用於控制圖像使水平還是豎直顯示（這通常是從輸入變量的dtype推斷出來的，此參數一般當不傳入x、y，只傳入data的時候使用）
fig,axes=plt.subplots(2,1) sns.violinplot(data=data[["height","weight","age"]],orient="v",ax=axes[0]) #上圖 sns.violinplot(data=data[["height","weight","age"]],orient="h",ax=axes[1]) #下圖
inner：控制violinplot內部數據點的表示，有“box”, “quartile”, “point”, “stick”四種方式。
fig,axes=plt.subplots(2,2) #鋼琴圖內顯示箱型圖（左上） sns.violinplot(x="color",y="age",data=data,inner="box",ax=axes[0,0]) #鋼琴圖內顯示四分位數線（右上） sns.violinplot(x="color",y="age",data=data,inner="quartile",ax=axes[0,1]) #鋼琴圖內顯示具體數據點（左下） sns.violinplot(x="color",y="age",data=data,inner="point",ax=axes[1,0]) #鋼琴圖內顯示具體數據棒（右下） sns.violinplot(x="color",y="age",data=data,inner="stick",ax=axes[1,1])
scale：該參數用於縮放每把小提琴的寬度，有“area”, “count”, “width”三種方式
fig,axes=plt.subplots(3,1) #如果為"area"，每把小提琴將有相同的面積(上圖) sns.violinplot(x="color",y="age",data=data,scale="area",ax=axes[0]) #如果為"count"，小提琴的寬度將根據該小組中觀察的數量來縮放（中圖） sns.violinplot(x="color",y="age",data=data,scale="count",ax=axes[1]) #如果為"age"，每把小提琴將有相同的寬度（下圖） sns.violinplot(x="color",y="age",data=data,scale="width",ax=axes[2])
cut：float，距離，以帶寬大小為單位，以控制小提琴圖外殼延伸超過內部極端數據點的密度。設置為0以將小提琴範圍限制在觀察數據的範圍內（即，在ggplot中具有與trim = true相同的效果)
fig,axes=plt.subplots(2,1) sns.violinplot(x="age",y="gender",data=data,ax=axes[0]) #上圖 sns.violinplot(x="age",y="gender",data=data,cut=0,ax=axes[1]) #下圖
width：float，控制鋼琴圖的寬度（比例）
fig,axes=plt.subplots(2,1) sns.violinplot(x="color",y="age",data=data,ax=axes[0],width=0.5) #上圖 sns.violinplot(x="color",y="age",data=data,ax=axes[1],width=0.9) #下圖
這已經是Seaborn入門系列的第三篇文章了，相信大家已經大概瞭解Seaborn的作圖過程，也可以體會到用Seaborn作圖相比於matplotlib更加簡單。以上內容是我結合官方文檔和自己的一點理解寫成的，有什麼錯誤大家可以指出來並提提意見，共同交流、進步，也希望我寫的這些能夠給閱讀完本文的你或或少的幫助！
