标签：drop axis 分布 曲线 ref 估计 接口 自定义 plot
分布图包括单变量核密度曲线，直方图，双变量多变量的联合直方图，和密度图
方法：
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
kde=False 则可以只绘制直方图，或者 hist=False 只绘制核密度估计图举例：
sns.distplot(iris["sepal_length"])
方法：
seaborn.kdeplot(data, data2=None, shade=False, vertical=False, kernel=‘gau‘, bw=‘scott‘, gridsize=100, cut=3, clip=None, legend=True, cumulative=False, shade_lowest=True, cbar=False, cbar_ax=None, cbar_kws=None, ax=None, **kwargs)
kdeplot 可以专门用于绘制核密度估计图，其效果和 distplot(hist=False) 一致，但 kdeplot 拥有更多的自定义设置举例：
sns.kdeplot(iris["sepal_length"])
方法：
seaborn.jointplot(x, y, data=None, kind=‘scatter‘, stat_func=None, color=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, joint_kws=None, marginal_kws=None, annot_kws=None, **kwargs)
jointplot 并不是一个 Figure-level 接口，但其支持 kind= 参数指定绘制出不同样式的分布图。例如，绘制出核密度估计对比图 kind = ‘kde‘。举例：
例如，我们探寻 sepal_length 和 sepal_width 二元特征变量之间的关系。
sns.jointplot(x="sepal_length", y="sepal_width", data=iris)
支持将数据集中的特征变量两两对比绘图，默认情况下，对角线上是单变量分布图，而其他是二元变量分布图
方法：
seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind=‘scatter‘, diag_kind=‘auto‘, markers=None, height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None)
举例：
sns.pairplot(iris, hue="species")
方法：
seaborn.rugplot(a, height=0.05, axis=‘x‘, ax=None, **kwargs)
标签：drop axis 分布 曲线 ref 估计 接口 自定义 plot
原文地址：https://www.cnblogs.com/nxf-rabbit75/p/12098541.html
