4.Seaborn变量分布绘图

4.1 直方图和密度图

（1） distplot 绘制

1. a : 可以是 Series、1 维数组或者列表
2. bins : 桶数
3. hist: 是否绘制直方图
4. kde : 是否绘制密度图，一定程度上和竖线重复
5. rug : 是否绘制竖线
6. fit : 拟合指定分布
7. vertical : 是否在 y 轴显示结果
8. 当前版本中 distplot 属于被警告函数，在 Seaborn 后续版本中会被取消，可以根据需求用 histplot/kdeplot/rugplot 来替换

说明：默认情况下 会绘制直方图和密度图 但是不会绘制竖线

np.random.seed(2024)                    # 设置随机种子
x = np.random.normal(size=1000)         # 生成正态分布数据

sns.distplot(x)                         # 默认绘制直方图和密度曲线
sns.distplot(x, kde=True, rug=True)

➤ 拟合正态分布：

1. fit 参数后面给定的分布例如正态分布 可以给定 stats.norm
2. 结合结果来看变量还是比较符合正态分布的
3. fit 参数后面可以接其他的分布

from scipy import stats                     # 导入统计分布
np.random.seed(2024)  
x = np.random.normal(10, 20, size=2000)   

sns.distplot(x, kde=False, fit=stats.norm)  # 拟合正态分布并绘图

（2） histplot 绘制

1. histplot 与 distplot 参数大多数相同
2. stat 为统计方法 包含 count frequency probability percent density
3. histplot/kdeplot 都可以接收 DataFrame 和指定列的方式绘图 这一点与前面的分类绘图/关系绘图已经对齐

sns.histplot(x, kde=True, bins=20)        # 绘制直方图并叠加密度曲线

（3） kdeplot 绘制（密度图）

参数 fill 是否填充曲线下方

np.random.seed(2024)
x = np.random.normal(0, 1, size=300)

sns.kdeplot(x, fill=True)               # 绘制密度曲线并填充下方区域

4.2 联合变量分布图

1. x、 y : 横轴和纵轴变量
2. 默认在 x 轴和 y 轴周边绘制直方图，用 x 和 y 绘制散点图
3. kind 可选：'scatter'、'reg'、'resid'、'kde'、'hex'
   • 参数 kind='kde'，指定用密度曲线去绘制图表
   • 参数 kind='reg'
     • 指定用密度图和直方图绘制 x 和 y 的边界
     • 用散点图 + 回归直线的方式来绘制主画板
     • 总体来说，reg 参数下图形使用频率更高

np.random.seed(2024)  # 设置随机种子
mean, cov = [0, 1], [(1, .5), (.5, 1)]                # 设置均值和协方差矩阵
data = np.random.multivariate_normal(mean, cov, 200)  # 生成二维正态分布数据
df = pd.DataFrame(data, columns=["x", "y"])           # 构建DataFrame

sns.jointplot(x="x", y="y", data=df)           # 绘制联合分布图 默认散点+边缘直方图
sns.jointplot(x="x", y="y", data=df, kind='kde')      # 二维密度图+边缘密度曲线
sns.jointplot(x="x", y="y", data=df,kind='reg')       # 散点回归图+密度直方图

4.3 成对关系图

主要辅助作 EDA 探索分析

（1） pairplot 绘制

1. data：数据框
2. vars ：变量名列表（参与绘图的列）
3. kind ：非对角线图形，可选 'scatter'、 'reg'
4. diag_kind : 对角线图形，可选 'auto'、 'hist' 、'kde'
5. height : 高度（子图）
6. aspect : 宽长比

# sns.load_dataset("iris")
g = sns.pairplot(iris)            # 绘制成对关系图
g.fig.set_size_inches(10, 6)      # 设置整体图长度和高度

（2） PairGrid 绘制

1. 与 pairplot 参数大部分相同，但是少了 diag_kind 和 kind
2. 需要通过 map_diag 和 map_offdiag 方法去指定绘图形状
3. 这两个方法只需要传入 Seaborn 或者 Matplotlib 的绘图函数
4. 可以通过 hue 参数来指定分组标准

# g.map_diag(sns.histplot)
# g.map_offdiag(sns.kdeplot, n_levels=6)
# g.map(sns.kdeplot)

g = sns.PairGrid(iris,hue='species')      # 创建PairGrid对象，按species分组
g.map_diag(sns.kdeplot)                   # 对角线绘密度图
g.map_offdiag(sns.scatterplot)            # 非对角线绘散点图
g.fig.set_size_inches(10,7)              # 设置整体图长度和高度