Seaborn教程 - CSDN博客
Seaborn教程
绘图风格管理
控制图形审美
matplotlib是高度自定义的，但是很难去知道怎么调节参数获得一个很漂亮的plot，Seaborn库包含一些定制好的主题和一些高层次的参数去调节matplotlib的图像。
Seaborn库把matplotlib的参数分为两种，一种是设置图形的审美外观风格，另一种则是为了调节缩放以达到更好的观察效果。
设置风格通过axes_style()和set_style()实现，为了缩放图形一般用plotting_context()和set_context();对于两种情况，前一个函数类似于get，后一个类似于set。
Seaborn内置5种主题：darkgrid, whitegrid, dark, white和ticks，默认为darkgrid
sns.set_style('whitegrid')
data = np.random.normal(size=(20,6))+np.arange(6)/2
sns.boxplot(data=data)
缩放在seaborn库内相关的尺寸有：paper, notebook, talk和poster, notebook是默认值。
sns.set_context('paper')
plt.figure(figsize=(8,6))
sns.boxplot(data)
选择颜色方案
选择颜色方案是一个很有技巧的事情，Seaborn库定制一些颜色方案可使用。
一般使用到color_palette()和set_palette(),三种类型的调色板：qualitative, sequential和diverging
1. Qualitative 用于离散化没有固定顺序的分块数据
current_palette = sns.color_palette()
sns.palplot(current_palette)
sns.set_palette("husl")
pal = sns.dark_palette('purple', as_cmap=True)
sns.kdeplot(x, y, cmap=pal)
Sequential 用于有顺序的分块数据
diverging 用于中间有分割点的分块数据
数据分布可视化
单变量分布
sns.distplot默认画出一个直方图和kde(核密度估计）图
x = np.random.normal(size=100)
sns.distplot(x, kde=True , rug=True， hist=True)
核密度估计是非参数估计，关于核密度估计我会出一个详细的博客，distplot也可以采用拟合参数估计。
x = np.random.gamma(6, size=200)
sns.distplot(x, kde=False, fit=stats.gamma)
双变量分布
类似于二维的rug plot, kde plot, kind对应的有kde， hex
sns.jointplot(x = 'x', y='y', data =df, kind='kde')
成对特征之间的关系
sns.pairplot(iris)
g = sns.PairGrid(iris)
g.map_diag(sns.kdeplot)
g.map_offdiag(sns.kdeplot, cmap='Blues_d', n_levels=6)
回归关系可视化
画出包含95%置信区间的线性回归结果，线性的和多项式的拟合结果都可以，regplot()的参数可以调节。residplot可以画出拟合后的残差结果。
sns.regplot(x='total_bill', y='tip', data=tips)
sns.regplot(x='total_bill', y='tip', data=tips)
sns.residplot()
sns.jointplot(kind='reg')
类别型变量可视化
sns.stripplot(x='day', y='total_bill',data=tips, jitter=True);
sns.swarmplot(x, y, hue)
变量的分布图
sns.boxplot(x,y,hue)
sns.violinplot(x,y,hue)
sns.barplot(x,y,hue)
sns.countplot(x, data)
sns.pointplot(x, y,hue)
绘制多面板的相关图
类似于更高层次的pairplot
sns.factorplot(x, y, hue, col, kind)
数据敏感的gridplot
g = sns.FacetGrid(tips, col='time',row='age', hue='smoker')
g.map(plt.hist, 'total_bill', 'tip')
参考文献：
本文已收录于以下专栏：
相关文章推荐
Tomcat介绍
Google à 关键字 ‘tomcat download’第一个就是了，找到相应的版本下载。下载完成后直接解压出来就可以用了。可参考图1
Tomcat目录结构
Tomcat作...
Matplotlib绘图和可视化Matplotlib绘图和可视化
matplotlib API 入门
Figure和Subplot
颜色标记和线型
刻度标签和图例
注解以及在Subplot上绘图
Pandas入门上
pandas数据结构介绍
算数运算和数据对齐
Pandas入门(上)Martinpandas数据结构介绍要使用pandas首先得熟悉它的两个数据结构：Series和Dat...
前言，整了一通Anaconda，开始学习大数据、数据挖掘……balabala。作为一个啥都没有的小白，零基础开始了。之前的JavaEE先告一段落，个人感觉对JavaEE的学习最重要的还是各种框架单独走...
matplotlib和seaborn
安装部分，python的包安装不是很难，主要是兼容性问题，就是各个包是和python版本需要匹配的，另外matplotlib这个包用到了很多子包...
Matplotlib进阶：Seaborn教程martinMatplotlib进阶Seaborn教程
使用axes_style和set_style控制外观
选择颜色可选
可视化数据的...
Seaborn绘图
全部代码：/lawlite19/Blog-Back-Up/blob/master/code/seaborn_study.py
个人博客地址：ht...
探索性数据分析（EDA）目的是最大化对数据的直觉，完成这个事情的方法只能是结合统计学的图形以各种形式展现出来。通过EDA可以实现：
1. 得到数据的直观表现
发现潜在的结构
Python数据可视化模块—Seaborn1. 为什么介绍Seaborn库？Matplotlib是Python主要的绘图库。但是，不建议直接使用它。虽然Matplotlib很强大，但它因此也很复杂，你...
他的最新文章
讲师：宋宝华
讲师：何宇健
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。这里实例采用的数据集都是seaborn提供的几个经典数据集，dataset文件可见于。本博客只总结了一些，方便博主自己查询，详细介绍可以看seaborn官方和，官方文档还是写的很好的。
1 &set_style( ) &set( )
set_style( )是用来设置主题的，Seaborn有五个预设好的主题： darkgrid , whitegrid , dark , white ,和 ticks &默认：&darkgrid
import&matplotlib.pyplot&as&plt&&
import&seaborn&as&sns&&
sns.set_style("whitegrid")&&
plt.plot(np.arange(10))&&
plt.show()&&
set( )通过设置参数可以用来设置背景，调色板等，更加常用。
import&seaborn&as&sns&&
import&matplotlib.pyplot&as&plt&&
sns.set(style="white",&palette="muted",&color_codes=True)&&&&&
plt.plot(np.arange(10))&&
plt.show()&&
2 &distplot( ) &kdeplot( )
distplot( )为hist加强版，kdeplot( )为密度曲线图&
import&matplotlib.pyplot&as&plt&&
import&seaborn&as&sns&&
df_iris&=&pd.read_csv('../input/iris.csv')&&
fig,&axes&=&plt.subplots(1,2)&&
sns.distplot(df_iris['petal&length'],&ax&=&axes[0],&kde&=&True,&rug&=&True)&&&&&&&&
sns.kdeplot(df_iris['petal&length'],&ax&=&axes[1],&shade=True)&&&&&&&&&&&&&&&&&&&&&
plt.show()&&
import&numpy&as&np&&
import&seaborn&as&sns&&
import&matplotlib.pyplot&as&plt&&
sns.set(&palette="muted",&color_codes=True)&&
rs&=&np.random.RandomState(10)&&
d&=&rs.normal(size=100)&&
f,&axes&=&plt.subplots(2,&2,&figsize=(7,&7),&sharex=True)&&
sns.distplot(d,&kde=False,&color="b",&ax=axes[0,&0])&&
sns.distplot(d,&hist=False,&rug=True,&color="r",&ax=axes[0,&1])&&
sns.distplot(d,&hist=False,&color="g",&kde_kws={"shade":&True},&ax=axes[1,&0])&&
sns.distplot(d,&color="m",&ax=axes[1,&1])&&
plt.show()&&
3 &箱型图&boxplot( )
import&matplotlib.pyplot&as&plt&&
import&seaborn&as&sns&&
df_iris&=&pd.read_csv('../input/iris.csv')&&
sns.boxplot(x&=&df_iris['class'],y&=&df_iris['sepal&width'])&&
plt.show()&&
import&matplotlib.pyplot&as&plt&&
import&seaborn&as&sns&&
tips&=&pd.read_csv('../input/tips.csv')&&
sns.set(style="ticks")&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
sns.boxplot(x="day",&y="total_bill",&hue="sex",&data=tips,&palette="PRGn")&&&
plt.show()&&
4 &联合分布jointplot( )
tips&=&pd.read_csv('../input/tips.csv')&&&
sns.jointplot("total_bill",&"tip",&tips)&&
plt.show()&&
tips&=&pd.read_csv('../input/tips.csv')&&
sns.jointplot("total_bill",&"tip",&tips,&kind='reg')&&&&&&&
plt.show()&&
5 &热点图heatmap( )
&internal_chars = ['full_sq', 'life_sq', 'floor', 'max_floor', 'build_year', 'num_room', 'kitch_sq', 'state', 'price_doc']corrmat = train[internal_chars].corr()
f, ax = plt.subplots(figsize=(10, 7))plt.xticks(rotation='90')sns.heatmap(corrmat, square=True, linewidths=.5, annot=True)plt.show()
6 &散点图scatter( )
f, ax = plt.subplots(figsize=(10, 7))plt.scatter(x=train['full_sq'], y=train['price_doc'], c='r')plt.xlim(0,500)plt.show()
7.pointplot画出变量间的关系
grouped_df = train_df.groupby('floor')['price_doc'].aggregate(np.median).reset_index()
plt.figure(figsize=(12,8))
sns.pointplot(grouped_df.floor.values, grouped_df.price_doc.values, alpha=0.8, color=color[2])
plt.ylabel('Median Price', fontsize=12)
plt.xlabel('Floor number', fontsize=12)
plt.xticks(rotation='vertical') plt.show()
8&pairplot( )
import&matplotlib.pyplot&as&plt&&
import&seaborn&as&sns&&
data&=&pd.read_csv("../input/iris.csv")&&
sns.set()&&&&&&&&&&&&&&&&&&&&&&&&
sns.pairplot(data,hue="class")&&&
plt.show()&&
import&seaborn&as&sns&&
import&matplotlib.pyplot&as&plt&&
iris&=&pd.read_csv('../input/iris.csv')&&
sns.pairplot(iris,&vars=["sepal&width",&"sepal&length"],hue='class',palette="husl")&&&&
plt.show()&&
9 &FacetGrid( )
import&seaborn&as&sns&&
import&matplotlib.pyplot&as&plt&&
tips&=&pd.read_csv('../input/tips.csv')&&
g&=&sns.FacetGrid(tips,&col="time",&&row="smoker")&&
g&=&g.map(plt.hist,&"total_bill",&&color="r")&&
plt.show()&&
10 &barplot( )
f, ax=plt.subplots(figsize=(12,20))
#orient='h'表示是水平展示的，alpha表示颜色的深浅程度sns.barplot(y=group_df.sub_area.values, x=group_df.price_doc.values,orient='h', alpha=0.8, color='red')
#设置y轴、X轴的坐标名字与字体大小plt.ylabel('price_doc', fontsize=16)plt.xlabel('sub_area', fontsize=16)
#设置X轴的各列下标字体是水平的plt.xticks(rotation='horizontal')
#设置Y轴下标的字体大小plt.yticks(fontsize=15)plt.show()
注：如果orient='v'表示成竖直显示的话，一定要记得y=group_df.sub_area.values, x=group_df.price_doc.values调换一下坐标轴，否则报错
import matplotlib.pyplot as pltimport numpy as npplt.rc('font', family='SimHei', size=13) num = np.array([1, ])ratio = np.array([0.75, 0.76, 0.72, 0.75])men = num * ratiowomen = num * (1-ratio)x = ['聊天','支付','团购\n优惠券','在线视频'] width = 0.5idx = np.arange(len(x))plt.bar(idx, men, width, color='red', label='男性用户')plt.bar(idx, women, width, bottom=men, color='yellow', label='女性用户') &#这一块可是设置bottom,top，如果是水平放置的，可以设置right或者left。plt.xlabel('应用类别')plt.ylabel('男女分布')plt.xticks(idx+width/2, x, rotation=40)plt.legend()plt.show()
来源：http://blog.csdn.net/qq_/article/details/
&也可以参考：http://seaborn.pydata.org/tutorial/distributions.html
知乎专栏关于seaborn的：/p/
阅读(...) 评论()187 人赞了 10分钟python图表绘制 | seaborn入门（二）：barplot与countplot - 知乎专栏187 人赞了 10分钟python图表绘制 | seaborn入门（二）：barplot与countplot{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&title&:&10分钟python图表绘制 | seaborn入门（二）：barplot与countplot&,&author&:&kingdoms&,&content&:&\u003Ch2\u003ESeaborn介绍\u003C\u002Fh2\u003E\u003Cp\u003E官方链接：\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\u002Fseaborn.pydata.org\u002Findex.html\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003ESeaborn: statistical data visualization\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003ESeaborn是一种基于matplotlib的图形可视化python libraty。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003ESeaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。同时它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。掌握seaborn能很大程度帮助我们更高效的观察数据与图表，并且更加深入了解它们。\u003C\u002Fp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-14b93a648dc3f3eb99ca_b.png\& data-rawwidth=\&547\& data-rawheight=\&620\& class=\&origin_image zh-lightbox-thumb\& width=\&547\& data-original=\&https:\u002F\\u002Fv2-14b93a648dc3f3eb99ca_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='547'%20height='620'&&\u002Fsvg&\& data-rawwidth=\&547\& data-rawheight=\&620\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&547\& data-original=\&https:\u002F\\u002Fv2-14b93a648dc3f3eb99ca_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-14b93a648dc3f3eb99ca_b.png\&\u003E\u003Cbr\u003E\u003Cp\u003E其有如下特点：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E基于matplotlib aesthetics绘图风格，增加了一些绘图模式\u003C\u002Fli\u003E\u003Cli\u003E增加调色板功能，利用色彩丰富的图像揭示您数据中的模式\u003C\u002Fli\u003E\u003Cli\u003E运用数据子集绘制与比较单变量和双变量分布的功能\u003C\u002Fli\u003E\u003Cli\u003E运用聚类算法可视化矩阵数据\u003C\u002Fli\u003E\u003Cli\u003E灵活运用处理时间序列数据\u003C\u002Fli\u003E\u003Cli\u003E利用网格建立复杂图像集\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Ch2\u003E安装seaborn\u003C\u002Fh2\u003E\u003Col\u003E\u003Cli\u003E利用pip安装\u003Cbr\u003E\u003C\u002Fli\u003E\u003C\u002Fol\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Epip\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Einstall\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Eseaborn\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cp\u003E2. 在Anaconda环境下，打开prompt\u003C\u002Fp\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Econda\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Einstall\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Eseaborn\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cbr\u003E\u003Ch2\u003Ebarplot条形图\u003C\u002Fh2\u003E\u003Cp\u003E\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\u002Fseaborn.pydata.org\u002Fgenerated\u002Fseaborn.barplot.html%3Fhighlight%3Dbarplot%23seaborn.barplot\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003Eseaborn.barplot - seaborn 0.7.1 documentation\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003Eseaborn的barplot()利用矩阵条的高度反映数值变量的\u003Cb\u003E集中趋势\u003C\u002Fb\u003E，以及使用errorbar功能（差棒图）来估计变量之间的差值统计。请谨记bar plot展示的是\u003Cb\u003E某种变量分布的平均值\u003C\u002Fb\u003E，当需要精确观察每类变量的分布趋势，boxplot与violinplot往往是更好的选择。\u003C\u002Fp\u003E\u003Cp\u003E具体用法如下：\u003Cbr\u003E\u003C\u002Fp\u003Eseaborn.barplot(\u003Cem\u003Ex=None\u003C\u002Fem\u003E, \u003Cem\u003Ey=None\u003C\u002Fem\u003E, \u003Cem\u003Ehue=None\u003C\u002Fem\u003E, \u003Cem\u003Edata=None\u003C\u002Fem\u003E, \u003Cem\u003Eorder=None\u003C\u002Fem\u003E, \u003Cem\u003Ehue_order=None\u003C\u002Fem\u003E,\u003Cem\u003Eci=95\u003C\u002Fem\u003E, \u003Cem\u003En_boot=C\u002Fem\u003E, \u003Cem\u003Eunits=None\u003C\u002Fem\u003E, \u003Cem\u003Eorient=None\u003C\u002Fem\u003E, \u003Cem\u003Ecolor=None\u003C\u002Fem\u003E, \u003Cem\u003Epalette=None\u003C\u002Fem\u003E, \u003Cem\u003Esaturation=0.75\u003C\u002Fem\u003E, \u003Cem\u003Eerrcolor='.26'\u003C\u002Fem\u003E, \u003Cem\u003Eerrwidth=None\u003C\u002Fem\u003E, \u003Cem\u003Ecapsize=None\u003C\u002Fem\u003E, \u003Cem\u003Eax=None\u003C\u002Fem\u003E, \u003Cem\u003Eestimator=&function mean&，\u003C\u002Fem\u003E\u003Cem\u003E**kwargs\u003C\u002Fem\u003E)\u003Ca class=\& wrap external\& href=\&http:\u002F\\u002F?target=http%3A\u002F\u002Fseaborn.pydata.org\u002Fgenerated\u002Fseaborn.barplot.html%3Fhighlight%3Dbarplot%23seaborn.barplot\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E?\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003EParameters:\u003Cp\u003E\u003Cstrong\u003Ex, y, hue\u003C\u002Fstrong\u003E : names of variables in data or vector data, optional #设置x,y以及颜色控制的变量\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EInputs for plotting long-form data. See examples for interpretation.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Edata\u003C\u002Fstrong\u003E : DataFrame, array, or list of arrays, optional #设置输入的数据集\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EDataset for plotting. If x and y are absent, this is interpreted as wide-form. Otherwise it is expected to be long-form.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Eorder, hue_order\u003C\u002Fstrong\u003E : lists of strings, optional #控制变量绘图的顺序\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EOrder to plot the categorical levels in, otherwise the levels are inferred from the data objects.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cb\u003Eestimator : callable that maps vector -& scalar, optional\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E#设置对每类变量的计算函数，默认为平均值，可修改为max、median、max等\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EStatistical function to estimate within each categorical bin.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cb\u003Eax\u003C\u002Fb\u003E : matplotlib Axes, optional #设置子图位置，将在下节介绍绘图基础\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EAxes object to draw the plot onto, otherwise uses the current Axes.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Eorient\u003C\u002Fstrong\u003E : “v” | “h”, optional #控制绘图的方向，水平或者竖直\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EOrientation of the plot (vertical or horizontal). \u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Ecapsize\u003C\u002Fstrong\u003E : float, optional #设置误差棒帽条的宽度\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EWidth of the “caps” on error bars.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Eseaborn\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eas\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Esns\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eset_style\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&whitegrid\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Etips\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eload_dataset\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&tips\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \u003Cspan class=\&c1\&\u003E#载入自带数据集\u003C\u002Fspan\u003E\n\u003Cspan class=\&c1\&\u003E#x轴为分类变量day,y轴为数值变量total_bill，利用颜色再对sex分类\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eax\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ebarplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ex\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&day\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Ey\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&total_bill\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Ehue\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&sex\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Edata\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Etips\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-eb574b7589bbbdfa7e031daabc143323_b.png\& data-rawwidth=\&612\& data-rawheight=\&448\& class=\&origin_image zh-lightbox-thumb\& width=\&612\& data-original=\&https:\u002F\\u002Fv2-eb574b7589bbbdfa7e031daabc143323_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='612'%20height='448'&&\u002Fsvg&\& data-rawwidth=\&612\& data-rawheight=\&448\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&612\& data-original=\&https:\u002F\\u002Fv2-eb574b7589bbbdfa7e031daabc143323_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-eb574b7589bbbdfa7e031daabc143323_b.png\&\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&kn\&\u003Efrom\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Enumpy\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Emedian\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eax\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ebarplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ex\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&day\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Ey\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&tip\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Edata\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Etips\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Eestimator\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Emedian\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003Cspan class=\&c1\&\u003E#设置中位数为计算函数，注意y轴已显示为median\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-ff0aebf496aac3c7dd5407063edd3582_b.png\& data-rawwidth=\&585\& data-rawheight=\&422\& class=\&origin_image zh-lightbox-thumb\& width=\&585\& data-original=\&https:\u002F\\u002Fv2-ff0aebf496aac3c7dd5407063edd3582_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='585'%20height='422'&&\u002Fsvg&\& data-rawwidth=\&585\& data-rawheight=\&422\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&585\& data-original=\&https:\u002F\\u002Fv2-ff0aebf496aac3c7dd5407063edd3582_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-ff0aebf496aac3c7dd5407063edd3582_b.png\&\u003E\u003Ch2\u003Ecountplot计数图\u003C\u002Fh2\u003E\u003Cp\u003E\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\u002Fseaborn.pydata.org\u002Fgenerated\u002Fseaborn.countplot.html%3Fhighlight%3Dcountplot%23seaborn.countplot\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003Eseaborn.countplot - seaborn 0.7.1 documentation\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003Ecountplot故名思意，计数图，可将它认为一种应用到分类变量的直方图，也可认为它是用以比较类别间计数差，调用count函数的barplot。\u003C\u002Fp\u003E\u003Cp\u003Eseaborn.countplot(\u003Cem\u003Ex=None\u003C\u002Fem\u003E, \u003Cem\u003Ey=None\u003C\u002Fem\u003E, \u003Cem\u003Ehue=None\u003C\u002Fem\u003E, \u003Cem\u003Edata=None\u003C\u002Fem\u003E, \u003Cem\u003Eorder=None\u003C\u002Fem\u003E, \u003Cem\u003Ehue_order=None\u003C\u002Fem\u003E, \u003Cem\u003Eorient=None\u003C\u002Fem\u003E, \u003Cem\u003Ecolor=None\u003C\u002Fem\u003E, \u003Cem\u003Epalette=None\u003C\u002Fem\u003E, \u003Cem\u003Esaturation=0.75\u003C\u002Fem\u003E, \u003Cem\u003Eax=None\u003C\u002Fem\u003E, \u003Cem\u003E**kwargs\u003C\u002Fem\u003E)\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003Ex, y, hue\u003C\u002Fstrong\u003E : names of variables in data or vector data, optional\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EInputs for plotting long-form data. See examples for interpretation.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Edata\u003C\u002Fstrong\u003E : DataFrame, array, or list of arrays, optional\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EDataset for plotting. If x and y are absent, this is interpreted as wide-form. Otherwise it is expected to be long-form.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Eorder, hue_order\u003C\u002Fstrong\u003E : lists of strings, optional #设置顺序\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EOrder to plot the categorical levels in, otherwise the levels are inferred from the data objects.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Eorient\u003C\u002Fstrong\u003E : “v” | “h”, optional #设置水平或者垂直显示\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EOrientation of the plot (vertical or horizontal). \u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cp\u003E\u003Cstrong\u003Eax\u003C\u002Fstrong\u003E : matplotlib Axes, optional #设置子图位置，将在下节介绍绘图基础\u003C\u002Fp\u003E\u003Cblockquote\u003E\u003Cp\u003EAxes object to draw the plot onto, otherwise uses the current Axes.\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E&&&\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Eseaborn\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eas\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Esns\u003C\u002Fspan\u003E\n\u003Cspan class=\&o\&\u003E&&&\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eset\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Estyle\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&darkgrid\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003Cspan class=\&o\&\u003E&&&\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Etitanic\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eload_dataset\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&titanic\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \u003Cspan class=\&c1\&\u003E#titanic经典数据集，带有登船人员的信息\u003C\u002Fspan\u003E\n\u003Cspan class=\&c1\&\u003E#源数据集class代表三等舱位，who代表人员分类，男女小孩，对每一类人数计数\u003C\u002Fspan\u003E\n\u003Cspan class=\&o\&\u003E&&&\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Eax\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ecountplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ex\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&class\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Ehue\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&who\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Edata\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Etitanic\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-180fcdc4d956de989bcbe_b.png\& data-rawwidth=\&572\& data-rawheight=\&415\& class=\&origin_image zh-lightbox-thumb\& width=\&572\& data-original=\&https:\u002F\\u002Fv2-180fcdc4d956de989bcbe_r.png\&\u003E\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='572'%20height='415'&&\u002Fsvg&\& data-rawwidth=\&572\& data-rawheight=\&415\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&572\& data-original=\&https:\u002F\\u002Fv2-180fcdc4d956de989bcbe_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-180fcdc4d956de989bcbe_b.png\&\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Ch2\u003ESenior Example Ⅰ for Practice\u003C\u002Fh2\u003E\u003Cp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-b77c4ecbeff6ed69e675d_b.png\& data-rawwidth=\&622\& data-rawheight=\&394\& class=\&origin_image zh-lightbox-thumb\& width=\&622\& data-original=\&https:\u002F\\u002Fv2-b77c4ecbeff6ed69e675d_r.png\&\u003EPython source code:\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='622'%20height='394'&&\u002Fsvg&\& data-rawwidth=\&622\& data-rawheight=\&394\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&622\& data-original=\&https:\u002F\\u002Fv2-b77c4ecbeff6ed69e675d_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-b77c4ecbeff6ed69e675d_b.png\&\u003EPython source code:\u003Ca class=\& wrap external\& href=\&http:\u002F\\u002F?target=http%3A\u002F\u002Fseaborn.pydata.org\u002F_downloads\u002Ftimeseries_of_barplots.py\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E[download source: timeseries_of_barplots.py]\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Enumpy\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eas\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Enp\u003C\u002Fspan\u003E\n\u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Eseaborn\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eas\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Esns\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eset\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Estyle\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&white\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \u003Cspan class=\&c1\&\u003E#设置绘图背景\u003C\u002Fspan\u003E\n\n\u003Cspan class=\&c1\&\u003E# Load the example planets dataset\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eplanets\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eload_dataset\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&planets\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\n\u003Cspan class=\&c1\&\u003E# Make a range of years to show categories with no observations\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eyears\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Enp\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Earange\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&mi\&\u003EC\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&mi\&\u003EC\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \u003Cspan class=\&c1\&\u003E#生成连续整数\u003C\u002Fspan\u003E\n\n\u003Cspan class=\&c1\&\u003E# Draw a count plot to show the number of planets discovered each year\u003C\u002Fspan\u003E\n\u003Cspan class=\&c1\&\u003E#选择调色板，绘图参数与顺序，factorplot一种分类变量的集合作图方式，利用kind选择bar、plot等绘图参数以后将具体介绍\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eg\u003C\u002Fspan\u003E \u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Efactorplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ex\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&year\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Edata\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eplanets\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Ekind\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&count\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\n
\u003Cspan class=\&n\&\u003Epalette\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s2\&\u003E\&BuPu\&\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Esize\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&mi\&\u003E6\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Easpect\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&mf\&\u003E1.5\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E \u003Cspan class=\&n\&\u003Eorder\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eyears\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eg\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eset_xticklabels\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Estep\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&mi\&\u003E2\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E \u003Cspan class=\&c1\&\u003E#设置x轴标签间距为2年\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cbr\u003E\u003Ch2\u003ESenior Example Ⅱ for Practice\u003C\u002Fh2\u003E\u003Cp\u003E利用countplot与barplot探索dc超级英雄数据，数据集如下所示：\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-9e30aaaf7_b.png\& data-rawwidth=\&685\& data-rawheight=\&293\& class=\&origin_image zh-lightbox-thumb\& width=\&685\& data-original=\&https:\u002F\\u002Fv2-9e30aaaf7_r.png\&\u003E如图第一行为蝙蝠侠的数据有名称，联盟属性，眼睛颜色，头发颜色，性别等信息，一共6896个漫画角色与13维信息。\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='685'%20height='293'&&\u002Fsvg&\& data-rawwidth=\&685\& data-rawheight=\&293\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&685\& data-original=\&https:\u002F\\u002Fv2-9e30aaaf7_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-9e30aaaf7_b.png\&\u003E如图第一行为蝙蝠侠的数据有名称，联盟属性，眼睛颜色，头发颜色，性别等信息，一共6896个漫画角色与13维信息。\u003C\u002Fp\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&c1\&\u003E# -*-coding:utf-8 -*-\u003C\u002Fspan\u003E\n\u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Epandas\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eas\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Epd\u003C\u002Fspan\u003E\n\u003Cspan class=\&kn\&\u003Eimport\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Eseaborn\u003C\u002Fspan\u003E \u003Cspan class=\&kn\&\u003Eas\u003C\u002Fspan\u003E \u003Cspan class=\&nn\&\u003Esns\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Epd\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eread_csv\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'H:\u002Fzhihu\u002Fdc.csv'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\n\u003Cspan class=\&c1\&\u003E#第一个图，我们来探索下英雄与坏蛋们眼睛颜色的分布\u003C\u002Fspan\u003E\n\u003Cspan class=\&c1\&\u003E#看看坏蛋的眼睛颜色是不是都是什么奇怪的颜色\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ecountplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ey\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'EYE'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edata\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ehue\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'ALIGN'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-97866ef6aacbe36c77da_b.png\& data-rawwidth=\&629\& data-rawheight=\&375\& class=\&origin_image zh-lightbox-thumb\& width=\&629\& data-original=\&https:\u002F\\u002Fv2-97866ef6aacbe36c77da_r.png\&\u003E乍一看，大部分角色的眼睛颜色都是蓝色棕色绿色等欧美人种颜色，定睛一看，黑颜色与红颜色的眼睛坏人阵营就占优势了。\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='629'%20height='375'&&\u002Fsvg&\& data-rawwidth=\&629\& data-rawheight=\&375\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&629\& data-original=\&https:\u002F\\u002Fv2-97866ef6aacbe36c77da_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-97866ef6aacbe36c77da_b.png\&\u003E乍一看，大部分角色的眼睛颜色都是蓝色棕色绿色等欧美人种颜色，定睛一看，黑颜色与红颜色的眼睛坏人阵营就占优势了。\u003C\u002Fp\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&c1\&\u003E#第二个图我们来用用barplot，发现每个角色的出场次数是个数值型变量，是个不错的探索数据，我们来看看各个阵营间与性别间的平均上场次数\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ebarplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ey\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'APPEARANCES'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ex\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'ALIGN'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edata\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ehue\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'SEX'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-8688c1bdf96a0b675abb402_b.png\& data-rawwidth=\&556\& data-rawheight=\&387\& class=\&origin_image zh-lightbox-thumb\& width=\&556\& data-original=\&https:\u002F\\u002Fv2-8688c1bdf96a0b675abb402_r.png\&\u003E别问我怎么怎么有四个性别，世界之大无奇不有，还有无性别与变性的。总的来说男性和女性还是占了大部分等场时间。\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='556'%20height='387'&&\u002Fsvg&\& data-rawwidth=\&556\& data-rawheight=\&387\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&556\& data-original=\&https:\u002F\\u002Fv2-8688c1bdf96a0b675abb402_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-8688c1bdf96a0b675abb402_b.png\&\u003E别问我怎么怎么有四个性别，世界之大无奇不有，还有无性别与变性的。总的来说男性和女性还是占了大部分等场时间。\u003C\u002Fp\u003E\u003Cdiv class=\&highlight\&\u003E\u003Cpre\u003E\u003Ccode class=\&language-python\&\u003E\u003Cspan\u003E\u003C\u002Fspan\u003E\u003Cspan class=\&c1\&\u003E#再来复习一波上一节的知识，来看看好坏阵营间登场小于50次的各大配角们的登场次数分布\u003C\u002Fspan\u003E\n\u003Cspan class=\&n\&\u003Eax1\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ekdeplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E[\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'APPEARANCES'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E][\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E[\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'ALIGN'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E]\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E==\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'Good Characters'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E][\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E[\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'APPEARANCES'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E]\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E&\u003C\u002Fspan\u003E\u003Cspan class=\&mi\&\u003E50\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E],\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eshade\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&bp\&\u003ETrue\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Elabel\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'good'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\n\u003Cspan class=\&n\&\u003Eax2\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Esns\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E.\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Ekdeplot\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E(\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E[\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'APPEARANCES'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E][\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E[\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'ALIGN'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E]\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E==\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'Bad Characters'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E][\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Edc\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E[\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'APPEARANCES'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E]\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E&\u003C\u002Fspan\u003E\u003Cspan class=\&mi\&\u003E50\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E],\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Eshade\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&bp\&\u003ETrue\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E,\u003C\u002Fspan\u003E\u003Cspan class=\&n\&\u003Elabel\u003C\u002Fspan\u003E\u003Cspan class=\&o\&\u003E=\u003C\u002Fspan\u003E\u003Cspan class=\&s1\&\u003E'bad'\u003C\u002Fspan\u003E\u003Cspan class=\&p\&\u003E)\u003C\u002Fspan\u003E\n\u003C\u002Fcode\u003E\u003C\u002Fpre\u003E\u003C\u002Fdiv\u003E\u003Cp\u003E\u003Cnoscript\u003E\u003Cimg src=\&https:\u002F\\u002Fv2-a45ed806dd5aa2fef33b5beec7411601_b.png\& data-rawwidth=\&535\& data-rawheight=\&360\& class=\&origin_image zh-lightbox-thumb\& width=\&535\& data-original=\&https:\u002F\\u002Fv2-a45ed806dd5aa2fef33b5beec7411601_r.png\&\u003E酱油坏蛋们主要集中在10次以内，活不过10集看来是常态。不过好像好人也是这样的不过没有坏蛋趋势集中。\u003C\u002Fnoscript\u003E\u003Cimg src=\&data:image\u002Fsvg+utf8,&svg%20xmlns='http:\u002F\u002Fwww.w3.org\u002FFsvg'%20width='535'%20height='360'&&\u002Fsvg&\& data-rawwidth=\&535\& data-rawheight=\&360\& class=\&origin_image zh-lightbox-thumb lazy\& width=\&535\& data-original=\&https:\u002F\\u002Fv2-a45ed806dd5aa2fef33b5beec7411601_r.png\& data-actualsrc=\&https:\u002F\\u002Fv2-a45ed806dd5aa2fef33b5beec7411601_b.png\&\u003E酱油坏蛋们主要集中在10次以内，活不过10集看来是常态。不过好像好人也是这样的不过没有坏蛋趋势集中。\u003C\u002Fp\u003E\u003Cp\u003E\u003Ca href=\&http:\u002F\\u002F?target=http%3A\u002F\\u002Fs\u002F1nvTnPPn\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E[download:DC、漫威超级英雄数据集]\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cblockquote\u003E\u003Cp\u003E小作者第二篇文章，对大家有用的话请\u003Cb\u003E多多关注与提出意见\u003C\u002Fb\u003E，一定积极采纳。\u003C\u002Fp\u003E\u003Cp\u003E经过两期的具体用法小讲堂，大家应该对作图有了个大致的了解，\u003Cb\u003E下一期将着重讲解绘图参数的调参与设置\u003C\u002Fb\u003E，方便各位做私人订制的图！\u003C\u002Fp\u003E\u003Cp\u003E需要数据集进行训练的小伙伴可以私信我。谢谢各位观众大老爷。\u003C\u002Fp\u003E\u003Cp\u003E本文同步发于集智（\u003Ca href=\&jizhi.im\& data-title=\&jizhi.im\& class=\&\& data-editable=\&true\&\u003Ejizhi.im\u003C\u002Fa\u003E）:\u003Ca href=\&http:\u002F\\u002F?target=https%3A\u002F\u002Fjizhi.im\u002Fblog\u002Fpost\u002Fsnsintro02\& class=\& wrap external\& target=\&_blank\& rel=\&nofollow noreferrer\&\u003E[Seaborn入门] 02 barplot与countplot\u003Ci class=\&icon-external\&\u003E\u003C\u002Fi\u003E\u003C\u002Fa\u003E，原文代码可在线调试与训练，方便各位小伙伴练习~\u003C\u002Fp\u003E\u003C\u002Fblockquote\u003E\u003Ch1\u003EMerry Christmas !!!\u003C\u002Fh1\u003E&,&updated&:new Date(&T11:30:10.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:8,&collapsedCount&:0,&likeCount&:187,&state&:&published&,&isLiked&:false,&slug&:&&,&lastestTipjarors&:[{&isFollowed&:false,&name&:&棉棉&,&headline&:&&,&avatarUrl&:&https:\u002F\\u002F50\u002Faa743bbf48cec61a_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&mian-mian-3-29-35&,&bio&:&地球人&,&hash&:&e67aed3d49dc68cc77baf2&,&uid&:841600,&isOrg&:false,&description&:&&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fmian-mian-3-29-35&,&avatar&:{&id&:&aa743bbf48cec61a&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&isFollowed&:false,&name&:&MarshallDTeach&,&headline&:&贴标签是最愚蠢的行为&,&avatarUrl&:&https:\u002F\\u002F50\u002Fa06377dbdd14b83ac24fb71a115001ec_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&ting-ba-1&,&bio&:&学生&,&hash&:&e561f75e287cfe929a3c55f&,&uid&:567700,&isOrg&:false,&description&:&贴标签是最愚蠢的行为&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fting-ba-1&,&avatar&:{&id&:&a06377dbdd14b83ac24fb71a115001ec&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\\u002Fv2-b65476afcc28c5c32d4c9ce39de641c4_r.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&数据分析&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&数据可视化&},{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&Python&}],&adminClosedComment&:false,&titleImageSize&:{&width&:768,&height&:433},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&tipjarState&:&activated&,&tipjarTagLine&:&这个月的土不新鲜了&,&sourceUrl&:&&,&pageCommentsCount&:8,&tipjarorCount&:2,&annotationAction&:[],&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T19:30:10+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[{&bio&:&数学本科生&,&isFollowing&:false,&hash&:&ce16c1c7e5fd0ef863f6&,&uid&:985500,&isOrg&:false,&slug&:&xu-xu-dong-37-36&,&isFollowed&:false,&description&:&&,&name&:&徐旭东&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fxu-xu-dong-37-36&,&avatar&:{&id&:&da8e974dc&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:null,&isFollowing&:false,&hash&:&7f3f65ab6c0563ade6d6dece370c8233&,&uid&:980100,&isOrg&:false,&slug&:&zhang-hui-lin-71-5&,&isFollowed&:false,&description&:&一介书生，一只程序猿。&,&name&:&人云木木&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fzhang-hui-lin-71-5&,&avatar&:{&id&:&13c7bb521db65fa57bf5&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:null,&isFollowing&:false,&hash&:&bdb8aee45e839d126803aabd3be9cbfa&,&uid&:28,&isOrg&:false,&slug&:&zhigu42&,&isFollowed&:false,&description&:&&,&name&:&李桎梏&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fzhigu42&,&avatar&:{&id&:&v2-6f7ae3c5efef48dfcf8d3cf&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&一只语冰的大号夏虫&,&isFollowing&:false,&hash&:&c946f903dda2f08717d5&,&uid&:92,&isOrg&:false,&slug&:&yu-bin&,&isFollowed&:false,&description&:&&,&name&:&夏大虫&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fyu-bin&,&avatar&:{&id&:&da8e974dc&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&Machine Learning&Computer Vision&,&isFollowing&:false,&hash&:&b2325aeaed5e30dc381bcb4a3ea5a654&,&uid&:049000,&isOrg&:false,&slug&:&typewind&,&isFollowed&:false,&description&:&https:\u002F\u002Ftypewind.github.io\u002F&,&name&:&Typewind&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Ftypewind&,&avatar&:{&id&:&da8e974dc&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&summary&:&\u003Cimg src=\&http:\u002F\\u002Fv2-14b93a648dc3f3eb99ca_200x112.png\& data-rawwidth=\&547\& data-rawheight=\&620\& class=\&origin_image inline-img zh-lightbox-thumb\& data-original=\&http:\u002F\\u002Fv2-14b93a648dc3f3eb99ca_r.png\&\u003ESeaborn介绍官方链接：\u003Ca href=\&http:\u002F\u002Fseaborn.pydata.org\u002Findex.html\& class=\&\& data-editable=\&true\& data-title=\&Seaborn: statistical data visualization\&\u003ESeaborn: statistical data visualization\u003C\u002Fa\u003E Seaborn是一种基于matplotlib的图形可视化python libraty。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。 Seaborn其实是在matplotlib的基础上进行了更高级的API封…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&annotationDetail&:null,&commentsCount&:8,&likesCount&:187,&FULLINFO&:true}},&User&:{&kingdoms&:{&isFollowed&:false,&name&:&知行&,&headline&:&我还是彩笔，我还在学习&,&avatarUrl&:&https:\u002F\\u002F50\u002Fv2-f86200bae83fbf6b2ff8f6_s.jpg&,&isFollowing&:false,&type&:&people&,&slug&:&kingdoms&,&bio&:&数据民工\u002FDota2捕鱼达人&,&hash&:&c0b08ac70faccb44fff7ef6&,&uid&:36,&isOrg&:false,&description&:&我还是彩笔，我还在学习&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\\u002Fpeople\u002Fkingdoms&,&avatar&:{&id&:&v2-f86200bae83fbf6b2ff8f6&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&nwebStickySidebar&:&sticky&,&androidPassThroughPush&:&getui&,&newMore&:&new&,&liveReviewBuyBar&:&live_review_buy_bar_2&,&liveStore&:&ls_a2_b2_c1_f2&,&searchHybridTabs&:&without-tabs&,&isOffice&:&false&,&homeUi2&:&default&,&answerRelatedReadings&:&qa_recommend_with_ads_and_article&,&remixOneKeyPlayButton&:&headerButton&,&asdfadsf&:&asdfad&,&qrcodeLogin&:&qrcode&,&newBuyBar&:&livenewbuy3&,&isShowUnicomFreeEntry&:&unicom_free_entry_off&,&newMobileColumnAppheader&:&new_header&,&zcmLighting&:&zcm&,&favAct&:&default&,&appStoreRateDialog&:&close&,&mobileQaPageProxyHeifetz&:&m_qa_page_nweb&,&iOSNewestVersion&:&4.2.0&,&default&:&None&,&wechatShareModal&:&wechat_share_modal_show&,&qaStickySidebar&:&sticky_sidebar&,&androidProfilePanel&:&panel_b&,&nwebWriteAnswer&:&default&}},&columns&:{&next&:{}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:false,&title&:&&,&titleImageUploading&:false,&error&:&&,&content&:&&,&draftLoading&:false,&globalLoading&:false,&pendingVideo&:{&resource&:null,&error&:null}},&drafts&:{&draftsList&:[],&next&:{}},&config&:{&userNotBindPhoneTipString&:{}},&recommendPosts&:{&articleRecommendations&:[],&columnRecommendations&:[]},&env&:{&edition&:{},&isAppView&:false,&appViewConfig&:{&content_padding_top&:128,&content_padding_bottom&:56,&content_padding_left&:16,&content_padding_right&:16,&title_font_size&:22,&body_font_size&:16,&is_dark_theme&:false,&can_auto_load_image&:true,&app_info&:&OS=iOS&},&isApp&:false},&message&:{&newCount&:0},&pushNotification&:{&newCount&:0}}