conda  install seaborn  是安装到jupyter那个环境的

1. 整体风格设置

对图表整体颜色、比例等进行风格设置，包括颜色色板等
调用系统风格进行数据可视化

set() / set_style() / axes_style() / despine() / set_context()

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

#创建正弦函数及图表
def sinplot(flip = 1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * 5) * (7 - i) * flip)
sinplot()
    

1.1 set（）

sns.set() #设置风格之后就会固定住，唯一办法就是刷新重新设置下
sinplot()
plt.grid(linestyle = ‘--‘)

1.2 set_style（）

# 2、set_style()
# 切换seaborn图表风格
# 风格选择包括："white", "dark", "whitegrid", "darkgrid", "ticks"

fig = plt.figure(figsize=(6,6))

ax1 = fig.add_subplot(2,1,1)
sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data)
plt.title(‘style - whitegrid‘)
# 仍然可以使用matplotlib的参数

ax2 = fig.add_subplot(2,1,2)
#sns.set_style("dark")
sinplot()
# 子图显示

1.3 despine（）

# 3、despine()
# 设置图表坐标轴
# seaborn.despine(fig=None, ax=None, top=True, right=True, left=False,
# bottom=False, offset=None, trim=False)

sns.set_style("ticks")
# 设置风格

fig = plt.figure(figsize=(6,9))
plt.subplots_adjust(hspace=0.3)
# 创建图表

ax1 = fig.add_subplot(3,1,1)
sinplot()
sns.despine()
# 删除了上、右坐标轴

ax2 = fig.add_subplot(3,1,2)
sns.violinplot(data=data) #小提琴图
# sns.despine(offset=10, trim=True)  #offset坐标轴会偏移10； trim=False是坐标轴没有限制
# offset：与坐标轴之间的偏移
# trim：为True时，将坐标轴限制在数据最大最小值

ax3 = fig.add_subplot(3,1,3)
sns.boxplot(data=data, palette="deep")
sns.despine(left=True, right = False) #left=True是左边不显示；right=False是显示
# top, right, left, bottom：布尔型，为True时不显示

1.4 axes_style（）

# 4、axes_style()
# 设置局部图表风格，可学习和with配合的用法

with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
# 设置局部图表风格，用with做代码块区分

sns.set_style("whitegrid")
plt.subplot(212)
sinplot()
# 外部表格风格

1.5 set_context（）

# 5、set_context()
# 设置显示比例尺度
# 选择包括：‘paper‘, ‘notebook‘, ‘talk‘, ‘poster‘

sns.set_context("paper")
sinplot()
# 默认为notebook

2. 调色盘

# 对图表整体颜色、比例等进行风格设置，包括颜色色板等
# 调用系统风格进行数据可视化

# color_palette()

2.1 color_palette（）

# 1、color_palette()
# 默认6种颜色：deep, muted, pastel, bright, dark, colorblind
# seaborn.color_palette(palette=None, n_colors=None, desat=None)
current_palette = sns.color_palette()
sns.palplot(current_palette)

# 一、其他颜色风格
# 风格内容：Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu,
# BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r,
# Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r, PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples,
# Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r, RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3,
# Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r, YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r,
# autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r, cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix,
# cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r, gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow,
# gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot, gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv,
# hsv_r, icefire, icefire_r, inferno, inferno_r, jet, jet_r, magma, magma_r, mako, mako_r, nipy_spectral, nipy_spectral_r, ocean, ocean_r,
# pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, rocket, rocket_r, seismic, seismic_r, spectral, spectral_r, spring,
# spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, vlag, vlag_r, winter, winter_r
sns.palplot(sns.color_palette("inferno_r", 8))
# 这里颜色风格为 hls
# 颜色色块个数为8个
# 风格颜色反转(不是所有颜色都可以反转)：Blues/Blues_r

#分组颜色设置 - “Paired”
sns.palplot(sns.color_palette("Paired", 10)) #color_palette默认颜色

2.2 亮度、饱和度

# 2、设置亮度，饱和度
# 可用方法：
# ① husl_palette([n_colors, h, s, l])
# ② hls_palette([n_colors, h, l, s])
sns.palplot(sns.hls_palette(8, l=.3, s=.9)) #l--> 亮度；s--> 饱和度

2.3 cubehelix_palette（）

# 3、cubehelix_palette()
# 按照线性增长计算，设置颜色

sns.palplot(sns.cubehelix_palette(8, gamma=2)) #gamma值越大越暗
sns.palplot(sns.cubehelix_palette(8, start=.5, rot=-.75)) #8个色带，从1.2颜色开始算，rot是旋转角度；start、rot起始终止颜色
sns.palplot(sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True))
# n_colors → 颜色个数
# start → 值区间在0-3，开始颜色
# rot → 颜色旋转角度
# gamma → 颜色伽马值，越大颜色越暗
# dark，light → 值区间0-1，颜色深浅
# reverse → 布尔值，默认为False，由浅到深

2.4 dark_palette（）

 #4、dark_palette(color[, n_colors, reverse, ...]) / light_palette(color[, n_colors, reverse, ...])
# 颜色深浅

sns.palplot(sns.light_palette("green"))   # 按照green做浅色调色盘
#sns.palplot(sns.color_palette("Greens"))  # cmap为Greens风格

sns.palplot(sns.dark_palette("red", reverse=True))   # 按照blue做深色调色盘
# reverse → 转制颜色

2.5 diverging_palette（）

# 5、diverging_palette()
# 创建分散颜色
# seaborn.diverging_palette(h_neg, h_pos, s=75, l=50, sep=10, n=6,
# center=‘light‘, as_cmap=False)¶

sns.palplot(sns.diverging_palette(145, 280, s=85, l=25, n=7)) #第一个起始值和末尾颜色值，s和l是饱和度、亮度，n个数
# h_neg, h_pos → 起始/终止颜色值
# s → 值区间0-100，饱和度
# l → 值区间0-100，亮度
# n → 颜色个数
# center → 中心颜色为浅色还是深色“light”，“dark”,默认为light

# 5、diverging_palette()
# 创建分散颜色

plt.figure(figsize = (8,6))
x = np.arange(25).reshape(5, 5) #二维的组
cmap = sns.diverging_palette(200, 20, sep=20, as_cmap=True) #调色盘
sns.heatmap(x, cmap=cmap)#创建热力图它就显示成热力图的效果了

# 设置调色板后，绘图创建图表 

sns.set_style("whitegrid")
# 设置风格

with sns.color_palette("PuBuGn_d"): #设置调色盘
    plt.subplot(211)
    sinplot()

sns.set_palette("husl") #或者这样
plt.subplot(212)
sinplot()
# 绘制系列颜色

3. 分布数据可视化 - 直方图与密度图

distplot() / kdeplot() / rugplot()

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

sns.set_style("darkgrid")
sns.set_context("paper")
# 设置风格、尺度

import warnings
warnings.filterwarnings(‘ignore‘)
# 不发出警告

rs = np.random.RandomState(10)  # 设定随机数种子
s = pd.Series(rs.randn(100) * 100)
sns.distplot(s,bins = 10,hist = True,kde = False,norm_hist=False,
            rug = True,vertical = False,
            color = ‘y‘,label = ‘distplot‘,axlabel = ‘x‘)
plt.legend()
# bins → 箱数
# hist、ked → 是否显示箱数/显示密度曲线
# norm_hist → 直方图是否按照密度来显示
# rug → 是否显示数据分布情况
# vertical → 是否水平显示
# color → 设置颜色
# label → 图例
# axlabel → x轴标注

# 1、直方图 - distplot()
# 颜色详细设置

sns.distplot(s,rug = True,
            rug_kws = {‘color‘:‘g‘} ,
            # 设置数据频率分布颜色
            kde_kws={"color": "k", "lw": 1, "label": "KDE",‘linestyle‘:‘--‘},
            # 设置密度曲线颜色，线宽，标注、线形
            hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"})
            # 设置箱子的风格、线宽、透明度、颜色
            # 风格包括：‘bar‘, ‘barstacked‘, ‘step‘, ‘stepfilled‘

# 2、密度图 - kdeplot()
# 单个样本数据密度分布图

sns.kdeplot(s,
           shade = False,  # 是否填充
           color = ‘r‘,   # 设置颜色
           vertical = False  # 设置是否水平
           )

sns.kdeplot(s,bw=5, label="bw: 0.2",
            linestyle = ‘-‘,linewidth = 1.2,alpha = 0.5)
sns.kdeplot(s,bw=20, label="bw: 2",
            linestyle = ‘-‘,linewidth = 1.2,alpha = 0.5)
# bw → 控制拟合的程度，类似直方图的箱数，设置的数量越大越平滑，越小越容易过度拟合

sns.rugplot(s,height = 0.1,color = ‘k‘,alpha = 0.5)
# 数据频率分布图

# 2、密度图 - kdeplot()
# 两个样本数据密度分布图

rs = np.random.RandomState(2)  # 设定随机数种子
df = pd.DataFrame(rs.randn(100,2),
                 columns = [‘A‘,‘B‘])
sns.kdeplot(df[‘A‘],df[‘B‘], #两个样本的数据密度图
           cbar = True,    # 是否显示颜色图例
           shade = True,   # 是否填充
           cmap = ‘Reds‘,  # 设置调色盘
           shade_lowest=False,  # 最外围颜色是否显示
           n_levels = 10   # 曲线个数（如果非常多，则会越平滑）
           )
# 两个维度数据生成曲线密度图，以颜色作为密度衰减显示
plt.grid(linestyle = ‘--‘)
plt.scatter(df[‘A‘], df[‘B‘], s=5, alpha = 0.5, color = ‘k‘) #散点

sns.rugplot(df[‘A‘], color="g", axis=‘x‘,alpha = 0.5)
sns.rugplot(df[‘B‘], color="r", axis=‘y‘,alpha = 0.5)
# 注意设置x，y轴

# 2、密度图 - kdeplot()
# 两个样本数据密度分布图
# 多个密度图

rs1 = np.random.RandomState(2)
rs2 = np.random.RandomState(5)
df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = [‘A‘,‘B‘])
df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = [‘A‘,‘B‘])
# 创建数据

sns.kdeplot(df1[‘A‘],df1[‘B‘],cmap = ‘Greens‘,
            shade = True,shade_lowest=False)
sns.kdeplot(df2[‘A‘],df2[‘B‘],cmap = ‘Blues‘,
            shade = True,shade_lowest=False)
# 创建图表

4. 分布数据可视化 - 散点图

分布数据可视化 - 散点图

jointplot() / pairplot()

综合和矩阵散点图

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
% matplotlib inline

sns.set_style("whitegrid")
sns.set_context("paper")
# 设置风格、尺度

import warnings
warnings.filterwarnings(‘ignore‘)
# 不发出警告

# 1、综合散点图 - jointplot()
# 散点图 + 分布图

rs = np.random.RandomState(2)
df = pd.DataFrame(rs.randn(200,2),columns = [‘A‘,‘B‘])
# 创建数据

sns.jointplot(x=df[‘A‘], y=df[‘B‘],  # 设置xy轴，显示columns名称
              data=df,   # 设置数据
              color = ‘k‘,   # 设置颜色
              s = 50, edgecolor="w",linewidth=1,  # 设置散点大小、边缘线颜色及宽度(只针对scatter）
              kind = ‘scatter‘,   # 设置类型：“scatter”、“reg”、“resid”、“kde”、“hex”
              space = 0.2,  # 设置散点图和布局图的间距
              size = 5,   # 图表大小（自动调整为正方形）
              ratio = 4,  # 散点图与布局图高度比，整型
              marginal_kws=dict(bins=15, rug=True)  # 设置柱状图箱数，是否设置rug
              )  

# 1、综合散点图 - jointplot()
# 散点图 + 分布图
# 六边形图

df = pd.DataFrame(rs.randn(500,2),columns = [‘A‘,‘B‘])
# 创建数据

with sns.axes_style("white"):
    sns.jointplot(x=df[‘A‘], y=df[‘B‘],data = df, kind="hex", color="k",
                 marginal_kws=dict(bins=20))

# 1、综合散点图 - jointplot()
# 散点图 + 分布图
# 密度图

rs = np.random.RandomState(15)
df = pd.DataFrame(rs.randn(300,2),columns = [‘A‘,‘B‘])
# 创建数据

g = sns.jointplot(x=df[‘A‘], y=df[‘B‘],data = df,
                  kind="kde", color="k",
                  shade_lowest=False) #是否对外围做面积的覆盖
# 创建密度图

g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+")
# 添加散点图

# 1、综合散点图 - JointGrid()
# 可拆分绘制的散点图
# plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()

sns.set_style("white")
# 设置风格

tips = sns.load_dataset("tips")
print(tips.head())
# 导入数据

g = sns.JointGrid(x="total_bill", y="tip", data=tips)
# 创建一个绘图表格区域，设置好x、y对应数据

g.plot_joint(plt.scatter, color =‘m‘, edgecolor = ‘white‘)  # 设置框内图表，scatter，首先设置个内部的点图
g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,
                 bins=np.arange(0, 60, 3))            # 设置x轴直方图，注意bins是数组
g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6,
                 orientation="horizontal",
                 bins=np.arange(0, 12, 1))            # 设置x轴直方图，注意需要orientation参数

from scipy import stats
g.annotate(stats.pearsonr)
# 设置标注，可以为pearsonr，spearmanr

plt.grid(linestyle = ‘--‘)

# 1、综合散点图 - JointGrid()
# 可拆分绘制的散点图
# plot_joint() + plot_marginals()

g = sns.JointGrid(x="total_bill", y="tip", data=tips)
# 创建一个绘图表格区域，设置好x、y对应数据

g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white")   # 绘制散点图
plt.grid(linestyle = ‘--‘)

g.plot_marginals(sns.distplot, kde=True, color="g")                # 绘制x，y轴直方图

# 1、综合散点图 - JointGrid()
# 可拆分绘制的散点图
# plot_joint() + plot_marginals()
# kde - 密度图

g = sns.JointGrid(x="total_bill", y="tip", data=tips)
# 创建一个绘图表格区域，设置好x、y对应数据

g = g.plot_joint(sns.kdeplot,cmap = ‘Reds_r‘)             # 绘制密度图
plt.grid(linestyle = ‘--‘)

g.plot_marginals(sns.kdeplot, shade = True, color="r")  # 绘制x，y轴密度图

# 2、矩阵散点图 - pairplot()

sns.set_style("white")
# 设置风格

iris = sns.load_dataset("iris")
print(iris.head())
# 读取数据

sns.pairplot(iris,
            kind = ‘scatter‘,  # 散点图/回归分布图 {‘scatter’, ‘reg’}
            diag_kind="hist",  # 直方图/密度图 {‘hist’, ‘kde’}
            hue="species",   # 按照某一字段进行分类
            palette="husl",  # 设置调色板
            markers=["o", "s", "D"],  # 设置不同系列的点样式（这里根据参考分类个数）
            size = 1,   # 图表大小
            )

# 2、矩阵散点图 - pairplot()
# 只提取局部变量进行对比

sns.pairplot(iris,vars=["sepal_width", "sepal_length"],
             kind = ‘reg‘, diag_kind="kde",
             hue="species", palette="husl")

# 2、矩阵散点图 - pairplot()
# 其他参数设置

sns.pairplot(iris, diag_kind="kde", markers="+",
             plot_kws=dict(s=50, edgecolor="b", linewidth=1),
             # 设置点样式
             diag_kws=dict(shade=True)
             # 设置密度图样式
            )

# 2、矩阵散点图 - PairGrid()
# 可拆分绘制的散点图
# map_diag() + map_offdiag()

g = sns.PairGrid(iris,hue="species",palette = ‘hls‘,
                vars = [‘sepal_length‘,‘sepal_width‘,‘petal_length‘,‘petal_width‘],  # 可筛选
                )
# 创建一个绘图表格区域，设置好x、y对应数据，按照species分类

g.map_diag(plt.hist,
           histtype = ‘barstacked‘,   # 可选：‘bar‘, ‘barstacked‘, ‘step‘, ‘stepfilled‘
           linewidth = 1, edgecolor = ‘w‘)
# 对角线图表，plt.hist/sns.kdeplot

g.map_offdiag(plt.scatter,
              edgecolor="w", s=40,linewidth = 1,   # 设置点颜色、大小、描边宽度
             )
# 其他图表，plt.scatter/plt.bar...

g.add_legend()
# 添加图例

# 2、矩阵散点图 - PairGrid()
# 可拆分绘制的散点图
# map_diag() + map_lower() + map_upper()

g = sns.PairGrid(iris)
g.map_diag(sns.kdeplot, lw=3)   # 设置对角线图表
g.map_upper(plt.scatter, color = ‘r‘)     # 设置对角线上端图表
g.map_lower(sns.kdeplot, cmap="Blues_d")      # 设置对角线下端图表

原文地址：https://www.cnblogs.com/shengyang17/p/9693991.html