1. jointplot 两变量图
数据分析中常用做图的方式实现相关性分析，即X轴设置为变量A，Y轴设置为变量B，做散点图，由于散点图中点的叠加显示，往往还需要关注每个变量自身的分布情况，jointplot把描述变量的分布图和变量相关的散点图组合在一起，是相关性分析最常用的工具，图片上还能展示回归曲线，以及相关系数。
import statsmodels.api as sm
import seaborn as sns
sns.set(style="darkgrid")
data = sm.datasets.ccard.load_pandas().data
g = sns.jointplot('AVGEXP', 'AGE', data=data, kind="reg",
xlim=(0, 1000), ylim=(0, 50), color="m")
本例中使用statsmodels库的ccard数据，分析了其中两个数值类型变量的相关性，使用xlim和ylim设置了图片显示范围，忽略了离群点，kind参数可设置做图方式：scatter散点图，kde密度图，hex六边形图等，本例中选择reg画出了线性回归图。
2. pairplot多变量图
如果用对N个变量的相关性做散点图，用maplotlib需要做NxN个图，用pairplot函数调用一次即可实现，其对角线上是直方图，其余都是两两变量的散点图，不仅简单，还能组合在一起作对比。
data = sm.datasets.ccard.load_pandas().data
sns.pairplot(data, vars=['AGE','INCOME', 'INCOMESQ','OWNRENT'])
图中可以看到，数据类型INCOME与INCOMESQ呈强相关，AGE与INCOME也有一定相关趋势，对角线上的图对应的是每个因素与其自身的对比，图中以直方图显示了该变量的分布。
3. factorplot两变量关系图
factorplot用于绘制两维变量的关系图，用kind可指定其作图类型，包括：point, bar, count, box, violin, strip等。
data = sm.datasets.fair.load_pandas().data
sns.factorplot(x='occupation', y='affairs', hue='religious', data=data)
4. FacetGrid结构化绘图网格
FacetGrid可以选择任意的做图方式，以及自定义的做图函数，通常包含两部分，FacetGrid部分指定了数据集，行，列，map部分指定做图方式，以及相应参数。
g = sns.FacetGrid(tips, col = 'time', row = 'smoker') # 按行和列的分类做N个图
g.map(plt.hist, 'total_bill', bins = 10) # 指定做图方式
可以看到无论是连续图，还是分类图，无论是用FacetGrid还是barplot都是将多个特征放在同一张图片上展示，其差别一方面在于观察角度不同，另一方面也取决于数据自身的类型。
