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。
Seaborn的安裝
>>>pip install seaborn
安裝完Seaborn包後，我們就開始進入接下來的學習啦，首先我們介紹kdeplot的畫法。
注：所有代碼均是在IPython notebook中實現
kdeplot(核密度估計圖)
核密度估計(kernel density estimation)是在概率論中用來估計未知的密度函數，屬於非參數檢驗方法之一。通過核密度估計圖可以比較直觀的看出數據樣本本身的分佈特徵。具體用法如下：
seaborn.kdeplot(data,data2=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)
我們通過一些具體的例子來學習一些參數的用法：
首先導入相應的庫
%matplotlib inline import numpy as np import seaborn as sns sns.set()
繪製簡單的一維kde圖像
x=np.random.randn(100) #隨機生成100個符合正態分佈的數 sns.kdeplot(x)
cut：參數表示繪製的時候，切除帶寬往數軸極限數值的多少(默認為3)
sns.kdeplot(x, cut=0)
cumulative ：是否繪製累積分佈
sns.kdeplot(x, cumulative=True)
shade：若為True，則在kde曲線下面的區域中進行陰影處理，color控制曲線及陰影的顏色
sns.kdeplot(x, shade=True, color="g")
vertical：表示以X軸進行繪製還是以Y軸進行繪製
sns.kdeplot(x, vertical=True)
二元kde圖像
y=np.random.randn(100) sns.kdeplot(x, y, shade=True)
cbar：參數若為True，則會添加一個顏色棒(顏色幫在二元kde圖像中才有)
sns.kdeplot(x, y, shade=True, cbar=True)
接下來，我們接著學習功能更為強大的distplot
distplot
displot()集合了matplotlib的hist()與核函數估計kdeplot的功能，增加了rugplot分佈觀測條顯示與利用scipy庫fit擬合參數分佈的新穎用途。具體用法如下：
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
先介紹一下直方圖(Histograms)：
直方圖又稱質量分佈圖，它是表示資料變化情況的一種主要工具。用直方圖可以解析出資料的規則性，比較直觀地看出產品質量特性的分佈狀態，對於資料分佈狀況一目瞭然，便於判斷其總體質量分佈情況。直方圖表示通過沿數據範圍形成分箱(bin)，然後繪製條以顯示落入每個分箱的觀測次數的數據分佈。
接下來還是通過具體的例子來體驗一下distplot的用法：
sns.distplot(x,color="g")
通過hist和kde參數調節是否顯示直方圖及核密度估計(默認hist,kde均為True)
import matplotlib.pyplot as plt #創建一個一行三列的畫布 fig,axes=plt.subplots(1,3) sns.distplot(x,ax=axes[0]) #左圖 sns.distplot(x, hist=False, ax=axes[1]) #中圖 sns.distplot(x, kde=False, ax=axes[2]) #右圖
bins：int或list，控制直方圖的劃分
fig,axes=plt.subplots(1,2) #左圖：分成20個區間 sns.distplot(x, kde=False, bins=20, ax=axes[0]) #右圖：以0,1,2,3為分割點，形成區間[0,1],[1,2],[2,3]，區間外的值不計入。 sns.distplot(x,kde=False,bins=[x for x in range(4)],ax=axes[1])
rag：控制是否生成觀測數值的小細條
fig,axes=plt.subplots(1,2) sns.distplot(x,rug=True,ax=axes[0]) #左圖 sns.distplot(x,ax=axes[1]) #右圖
fit：控制擬合的參數分佈圖形，能夠直觀地評估它與觀察數據的對應關係(黑色線條為確定的分佈)
from scipy.stats import * sns.distplot(x, hist=False, fit=norm) #擬合標準正態分佈
hist_kws, kde_kws, rug_kws, fit_kws參數接收字典類型，可以自行定義更多高級的樣式
sns.distplot(x, kde_kws={"label":"KDE"}, vertical=True,color="y")
norm_hist：若為True, 則直方圖高度顯示密度而非計數(含有kde圖像中默認為True)
fig,axes=plt.subplots(1,2) sns.distplot(x, norm_hist=True, kde=False, ax=axes[0]) #左圖 sns.distplot(x, kde=False, ax=axes[1]) #右圖
還有其他參數就不在此一一介紹了，有興趣繼續深入學習的同學可以查看Seaborn的官方文檔。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多或少帶來一點幫助！
