seaborn.pairplot

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)

绘制数据集中的成对关系

默认情况下，此函数将创建一个 Axes 网络，以便data中的每个变量将在 y 轴上共享一行，并在 x 轴上共享一列。对角轴的处理方式并不同，以此绘制一个图表来显示该列中变量的数据的单变量分布。

还可以显示变量的子集或在行和列上绘制不同的变量。

这是PairGrid的高级界面，旨在简化一些常见的样式。如果你需要更多的灵活性，你应该直接使用PairGrid。

参数：data：数据框架

整洁（长形式）数据框，其中每列是变量，每行是观察量。

hue：字符串（变量名），可选。

data中的变量将绘图方面映射到不同的颜色。

hue_order：字符串列表。

命令调色板中的色调变量的级别。

palette：字典或 seaborn 调色板。

用于映射hue变量的颜色集。如果是字典，关键字应该是hue变量中的值。

vars：变量名列表，可选。

要使用的data中的变量，否则每一列使用数字的数据类型。

{x, y}_vars：变量名列表，可选。

data中的变量分别用于图的行和列；即制作非方形图。

kind：{‘scatter’, ‘reg’}, 可选。

一种非等同关系(非对角线)的图类型

diag_kind：{‘auto’, ‘hist’, ‘kde’}, 可选

对角线子图的一种图形。默认值取决于是否使用hue。

markers：单个 matplotlit 标记代码或列表，可选

要么是用于所有数据点的标记，要么是长度和色调变量中的级别数相同的标记列表，这样不同颜色的点也会有不同的散点图标记。

height：标量，可选。

每个刻面的高度（以英寸为单位）

aspect：标量，可选。

Aspect*height 给出每个刻面的宽度（以英寸为单位）

dropna：布尔值，可选。

在绘图之前删除数据中的缺失值。

{plot, diag, grid}_kws：字典，可选。

关键字参数的字典。

返回值：grid：PairGrid

返回底层的PairGrid实例以进一步调整。

也可以看看

子图网络可以更灵活地绘制成对关系。

范例

绘制联合关系地散点图和单变量分布的直方图：

>>> import seaborn as sns; sns.set(style="ticks", color_codes=True)
>>> iris = sns.load_dataset("iris")
>>> g = sns.pairplot(iris)

通过绘图元素的颜色显示分类变量的不同级别：

>>> g = sns.pairplot(iris, hue="species")

使用不同的调色板：

>>> g = sns.pairplot(iris, hue="species", palette="husl")

为hue变量的每个级别使用不同的标记：

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

绘制变量的子集：

>>> g = sns.pairplot(iris, vars=["sepal_width", "sepal_length"])

绘制更大的图：

>>> g = sns.pairplot(iris, height=3,
...                  vars=["sepal_width", "sepal_length"])

在行和列中绘制不同的变量：

>>> g = sns.pairplot(iris,
...                  x_vars=["sepal_width", "sepal_length"],
...                  y_vars=["petal_width", "petal_length"])

对单变量图使用核密度估计：

>>> g = sns.pairplot(iris, diag_kind="kde")

将线性回归模型拟合到散点图：

>>> g = sns.pairplot(iris, kind="reg")

将关键字参数传递给底层函数（直接使用PairGrid可能更容易）

>>> g = sns.pairplot(iris, diag_kind="kde", markers="+",
...                  plot_kws=dict(s=50, edgecolor="b", linewidth=1),
...                  diag_kws=dict(shade=True))