参考资料：活用pandas库
# 导入库
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
tips=pd.read_csv(r"...\seaborn常用数据案例\tips.csv")
print(tips.head())1、成对关系表示
当数据大部分是数据时，可以使用pairplot函数把所有成对关系描绘出来，该函数会为每对变量绘制散点图，并且为单变量数据绘制直方图。
fig=sns.pairplot(tips)
pairplot的一个缺点就是存在冗余信息，即图的上半部分和下半部分相同。可以使用pairgrid手动指定图的上半部分和下半部分。如下：
pair_grid=sns.PairGrid(tips)
# 可以使用plt.scatter代替sns.regplot
pair_grid=pair_grid.map_upper(sns.regplot)
pair_grid=pair_grid.map_lower(sns.kdeplot)
pair_grid=pair_grid.map_diag(sns.histplot,kde=True)
2、多变量数据的可视化
（1）颜色
使用violinplot函数是，可以通过hue参数按性别（sex）给图着色。可以为“小提琴”的左右两半着不同颜色，用于区分性别，以此减少冗余信息。
fig,ax=plt.subplots()
ax=sns.violinplot(x='time',y='total_bill',hue='sex',data=tips,split=True)
其他绘图函数也存在hue参数，如lmplot函数,pairplot函数。
sns.lmplot(x='total_bill',y='tip',data=tips,hue='sex',fit_reg=False)
sns.pairplot(tips,hue='sex')
（2）大小和形状
我们还可以通过点的大小表示更多的信息，但应该谨慎使用该方法，因为人眼不太擅长区分点的大小。
sns.lmplot(x='total_bill',y='tip',data=tips,fit_reg=False,scatter_kws={'s':tips['size']*10})
另外，在处理多个变量时，有时综合运用不同元素显示信息会非常有用。下例中，运用了颜色和形状区分变量sex的值。
sns.lmplot(x='total_bill',y='tip',data=tips,fit_reg=False,hue='sex',markers=['o','x'])
（3）分面
如果想显示更多变量，或者确定了要实现的可视化图，但向基于一个分类变量画出多幅图，可以使用分面（facet）来满足这些需求。要使用分面，数据必须是“整洁数据”：数据中的每一行都表示一个观测值，每一列是一个变量（也是“长数据”）。
如下图所示在lmplot创建这个可视化，需要将另外两个参数col和col_wrap传递到seaborn中的散点图中。col参数用于指定分面变量，col_wrap参数用于指定图的每行包含的具体列数。如果不适用col_wrap参数，所有图将会在同一行中。
# 导入数据
anscombe=pd.read_csv(r"...\seaborn常用数据案例\anscombe.csv")
# 查看数据
anscombe.sample(10)
# 可视化分面
sns.lmplot(x='x',y='y',data=anscombe,fit_reg=False,col='dataset',col_wrap=2)
我们知道lmplot是图级（figure-level）函数，而在seaborn中，许多图使用轴域级（axes-level）函数创建的。这意味着并不是每个绘图函数都有分面参数col和col_wrap。为此必须先创建FacetGrid，它知道要在哪个变量上进行分面，然后为每个分面提供单独的绘图代码。如下：
# 创建FacetGrid
facet=sns.FacetGrid(tips,col='time')
# 针对每个用餐时段，绘制总消费额的直方图
facet.map(sns.histplot,'total_bill',kde=True)
各个分面不限于单变量图，如下：
facet=sns.FacetGrid(tips,col='day',col_wrap=2,hue='sex')
facet=facet.map(plt.scatter,'total_bill','tip')
facet.add_legend()
对于分面，还可以让一个变量在x轴上分面，另一个变量在y轴上分面，可以通过传递row参数来实现，如下：
facet=sns.FacetGrid(tips,col='time',row='smoker',hue='sex')
facet.map(plt.scatter,'total_bill','tip')
