[Python学习笔记(四)] Seaborn库基础学习——01
用 matplotlib能够完成一些基本的图表操作，而 Seaborn 库可以让这些图的表现更加丰富。
1、 import seaborn as sns
用于导入 seaborn 库，并取别名为 sns ，后续介绍都用 sns 代表 seaborn 。
2、 sns.set()
设置画图空间为 Seaborn 默认风格。
3、 sns.set_style( strStyle )
设置画图空间为指定风格，分别有：
- darkgrid
- whitegrid
- dark
- white
- ticks
4、 sns.despine()
隐藏右边和上边的边框线。
5、 sns.despine( offset = 10 )
设置纵横两轴近原点端点距离原地的距离。
6、 sns.despine( left = True )
在隐藏右和上边框线的同时，隐藏左边线。
7、 with sns.axed_style( "darkgrid" ) :
此背景风格设置只对冒号后对应缩进内画的图有效，其他区域不变。
8、 sns.color_palette()
调色板，画图时可以从他的对象中取颜色，不传参的话会取六个默认的颜色循环：deep, muted, pastel, bright, dark, colorblind。
9、 sns.palplot( sns.color_palette( "hls" , 8 ) )
在 hls 颜色空间中均匀地取八种颜色放入调色盘。
10、 sns.boxplot ( data = data , palette = sns.color_palette ( "hls" , 8 )
用调色盘画箱线图。
11、 sns.hls_palette( 8 , l = .7 , s = .9)
用hls_palette() 函数可以在从 hls 颜色空间取颜色时，控制颜色的亮度和饱和度，
- l-亮度 lightness
- s-饱和 saturation
12、 sns.color_palette( "Paired" , 10)
取 10 个， 5 对颜色，都是深浅对应的。
13、 sns.xkcd_rgb[ "pale red" , lw = 3 ]
使用 xkcd 可以通过颜色名调用颜色，不过这个需要知道颜色名跟颜色的对应关系。
14、sns.color_palette( "Blues" , 8 )
取颜色由浅到深渐变的 8 种蓝色（变来变去还是蓝色）。
15、 sns.color_palette( "Blues_r" , 8 )
要取颜色由深到浅的颜色时，只需要在颜色名后面加上 "_r" 就行了。
16、 sns.color_palette( "cubehelix" , 8 )
取颜色由深到浅线性变换的 8 个颜色（不同的颜色）。
17、 sns.cubehelix_palette( 8 , start = .5 , rot = -.75 )
完成16的操作的专用函数，根据 start 和 rot 不同的值，可以得到不同的颜色。
18、 sns.light_palette( "green" )
调用系统定义好的由浅到深的连续渐变调色板。
19、 sns.dark_palette( "green" )
调用系统定义好的由深到浅的连续渐变调色板。
20、 sns.distplot( x , bins = 20 , kde = False , fit = stats.gamma)
以 ndarray 类型的 x 作为数据，画柱形图，查看单变量数据分布情况， bins 是将 X 轴上的值分成 20 段 ，画图时统计每一段的值出现的次数
fit 会画出数据走势线。
21、 sns.jointplot( x = "x" , y = "y" , data = df )
画出反映两个变量之间关系的散点图，以及各自的柱形图。
22、 sns.jointplot( x = x , y = y , kind = "hex" , color = "k" )
当数据量很大时，可以调整 kind 参数为 "hex" ，会用颜色深浅来表示数据分不密度，以此达到观测效果。
23、 sns.pairplot( sns.load_dataset( "iris" ) )
当有多个变量时，可以用 pairplot 画出各个变量俩俩关系的散点图及各自的柱形图。
24、 sns.regplot( x = ColumnName1 , y = ColumnName2 , data = DataFrame1 )
sns.lmplot( x = ColumnName1 , y = ColumnName2 , data = DataFrame1 )
regplot() 和 implot() 都可以绘制线性回归图， lmplot 相比 regplot 更灵活的同时也更复杂。
