　　博客地址：http://www.cnblogs.com/yudanqu/

　　Seaborn是对matplotlib的extend，是一个数据可视化库，提供更高级的API封装，在应用中更加的方便灵活。下面我简单介绍一下他的用法，实际应用的时候，可以直接从文档中查找这个库，这时候使用就很快捷了。

提要：1、直方图和密度图
 
　　　2、柱状图和热力图
 
　　　3、设置图形显示效果
 
　　　4、调色功能

　　老样子，首先将使用它所需要的库导入进来，当然，其中包括numpy之类的是为了演示它的功能才导入的，大家要先理解一下每个库的作用。

 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 from pandas import Series,DataFrame
 import seaborn as sns

1、直方图和密度图

　　如果在交互式环境中，可以通过%matplotlab来解决每次通过plt.show()来显示图像（本人在ipython中，貌似jupyter中%matplotlib inline等等）

# matplotlib

 s1 = Series(np.random.randn(1000)) # 生成1000个点的符合正态分布的随机数
 plt.hist(s1) # 直方图，也可以通过plot(),修改里面kind参数实现
 s1.plot(kind='kde') # 密度图

# seaborn

 sns.distplot(s1,hist=True,kde=True,rug=True) # 前两个默认就是True,rug是在最下方显示出频率情况，默认为False
 # bins=20 表示等分为20份的效果，同样有label等等参数
 sns.kdeplot(s1,shade=True,color='r') # shade表示线下颜色为阴影,color表示颜色是红色
 sns.rugplot(s1) # 在下方画出频率情况

　　给出两种方式通过最基本的方式画出来的效果，怎么样，是不是发现seaborn很强大。

2、柱状图和热力图

　　（1）下载实验数据：

 df = sns.load_dataset('flights') # 在线下载一个数据用于实验，在sns.load_dataset()函数里有很多的数据，想了解更多的可以到GitHub中找到源码，你就会很清楚了

　　我们可以先看一下里面的数据，可以看到，这是一个航空的数据，里面有年、月和乘客数量，接下来我们就要在这份数据上进行分析。

　　（2）我们可以通过透视表来先对这份数据进行一下处理：

 df = df.pivot(index='month',columns='year',values='passengers') # 生成一个透视表，得到一个以年、月为轴的二维数据表

　　大家可以自己试一下，这样生成的结果是以年为columns，以月为index，表内数据为对应的乘客数量。

　　（3）绘制柱状图

 s = df.sum()
 # 通过matplotlib绘出图形
 s.plot(kind='bar')
 # 通过seaborn绘出图形
 sns.barplot(x=s.index,y=s.values)

　　（4）绘制热力图

 df.plot() # 线性的显示数据情况
2 sns.heatmap(df) # 生成热力图
3 # sns.heatmap(df,annot=True,fmt='d') # annot参数是指显示数据，fmt='d'是指以整数形式显示

3、设置图形显示效果

（1）axes_style and set_style

 x = np.linspace(0,14,100)
 y1 = np.sin(x)
 y2 = np.sin(x+2)*1.25
 def sinplot():
     plt.plot(x,y1)
     plt.plot(x,y2)
 
 sinplot() # 以matplotlib显示，生成两个函数图像

 # seaborn的5种装饰风格
 styles = ['darkgrid','dark','white','whitegrid','tricks'] # 颜色代表背景颜色，grid代表是否有网格
 sns.set_style(style[0]) # 进行装饰，括号内可以直接写装饰风格
 sinplot() # 经过修饰之后的图像
 
 sns.axes_style() # 显示当前主题的内容，这些数据都可以修改微调
 # 更改的时候就将其信息的以字典形式复制到set_style()里，当做参数来修改（注意是以字典的形式）
 sns.set() # 设置风格为空，即清空自己定义的，恢复到默认的时候

（2）plotting_context() and set_context()

 context = ['paper','notebook','talk','poster'] # seaborn本身定义好的
 sns.set_context('paper',rc={'grid.linewidth':3.0}) # rc参数
 sinplot()
 
 sns.plotting_context() # 显示出当前状态的数据
 sns.set() # 恢复到默认

　　图像貌似一样，但并不是没有成功，只是变化比较细微，真正用到的时候就可以体会到了。

4、调色功能

 # 先绘制一个图像
 def sinplot1():
     x = np.linspace(0,14,100)
     plt.figure(figsize=(8,6)) # 图像比较小时，通过这个函数更改大小
     for i in range(4):
     　　plt.plot(x,np.sin(x+i)*(i+0.75),label='sin(x+%s)*(%s+0.75)' % (i,i))
     plt.legend()
 sinplot1()

 # 引入seaborn
 sns.color_palette() # 使用调色板
 # 不传入参数返回当前使用的调色板（RGB）
 sns.palplot(sns.color_palette()) # 画出调色板，参数为上面的调色板

接下来，我们就要调整我们的调色板了

 pal.style = ['deep','nuted','pastel','bright','dark','colorblind'] # seaborn默认定义的调色板
 
 # 第一种设置画板方式
 sns.set_palette(sns.color_palette('dark')) # 设置色板
 sns.set() # 恢复默认风格
 
 # 第二种设置画板方式，并且最后恢复到默认
 with sns.color_palette():
     sinplot1() # 在内部调整画板输出图形，当with结束时，则恢复默认

调色板里的颜色是定义好的，那么如果我们将要绘制的图形包括很多的函数，需要更多的颜色，该怎么办呢。

 # 默认提供的色板数量是固定的，如果图像是更多的函数，那么颜色将循环色板中的风格。如果想不使他颜色有相同，可以通过sns.color_palette()来修改
 sns.color_palette([(0.5,0.2,0.6),(0.3,0.3,0.4)]) # 因为色板是以列表的形式存储的，里面的每种风格以元组的形式存在所以需要用[()]
 
 # 第二种增加色板颜色的方法
 sns.color_palette('hls',8) # hls方法，后面写参数8，即生成有8种不同颜色的色板

　　作者：渔单渠（yudanqu）