Seaborn 双变量图

从之前的学习可以知道，Seaborn 散点图主要用于判断两个变量直接是否存在关联趋势。实际上散点图只能查看两个变量之间的关系，但有时我们还希望同时查看变量自身数据分布的情况，又应该怎么做呢？此时我们可以借助双变量图来实现。

Seaborn 双变量图函数

在 Seaborn 中，我们可以使用 jointplot() 函数来绘制一个双变量图。双变量图也叫做 “双变量关系图”，它会在中间处绘制一个散点图来表示两个变量的关系，并且在边缘处分别绘制一个描述变量自身数据分布的直方图。

语法：

sns.jointplot(data, x, y)

说明：

data 用于定义数据部分，它是一个 DataFrame。x 用于指定 DataFrame 的哪一列作为 x 轴坐标，y 用于指定 DataFrame 的哪一列作为 y 轴坐标。

Seaborn 双变量图案例

Seaborn 内置了一个数据集 penguins，该数据集保存的是 344 只企鹅的相关数据，包括种类、岛屿、性别、体重等，部分内容如下图所示。需要注意的是，penguins 数据中存在一定的缺失值，不过这并不会影响我们绘制图表。

Seaborn penguins 数据集

示例 1：Seaborn 绘制双变量图

import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 加载内置数据集
df = sns.load_dataset('penguins')
# 重命名列
column_map = {
    'species': '种类',
    'island': '岛屿',
    'bill_length_mm': '喙长',
    'bill_depth_mm': '喙深',
    'flipper_length_mm': '鳍长',
    'body_mass_g': '体重',
    'sex': '性别'
}
df.rename(columns=column_map, inplace=True)

# 绘制图表
sns.jointplot(data=df, x='喙长', y='喙深')

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 双变量图

分析：

从结果可以看出来，jointplot() 会在中央部分绘制两个变量的散点图，并且在边缘部分绘制单个变量的直方图。

示例 2：添加区分

import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 加载内置数据集
df = sns.load_dataset('penguins')
# 重命名列
column_map = {
    'species': '种类',
    'island': '岛屿',
    'bill_length_mm': '喙长',
    'bill_depth_mm': '喙深',
    'flipper_length_mm': '鳍长',
    'body_mass_g': '体重',
    'sex': '性别'
}
df.rename(columns=column_map, inplace=True)

# 绘制图表
sns.jointplot(data=df, x='喙长', y='喙深', hue='性别')

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 双变量图添加区分

分析：

hue='性别' 表示根据 “性别” 来进行区分。需要注意的是，此时对于单个变量的数据分布情况，使用的是 “Seaborn 核密度图” 来表示，而不是使用 “Seaborn 直方图” 来表示。

示例 3：图表类型

import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 加载内置数据集
df = sns.load_dataset('penguins')
# 重命名列
column_map = {
    'species': '种类',
    'island': '岛屿',
    'bill_length_mm': '喙长',
    'bill_depth_mm': '喙深',
    'flipper_length_mm': '鳍长',
    'body_mass_g': '体重',
    'sex': '性别'
}
df.rename(columns=column_map, inplace=True)

# 绘制图表
sns.jointplot(data=df, x='喙长', y='喙深', kind='reg')

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 双变量图 kind='reg'

分析：

默认情况下，双变量图中央部分是使用散点图来表示的。如果想要改变该图表类型，我们可以使用 kind 这个参数来实现。其中，参数 kind 的取值如下表所示。

参数 kind 的取值
取值	说明
scatter（默认值）	散点图
reg	回归图
hist	直方图
kde	核密度图
hex	六边形箱图
resid	回归图的残差

当我们使用 kind='hist' 时，效果如下图所示。

Seaborn 双变量图 kind='hist'

当我们使用 kind='kde' 时，效果如下图所示。

Seaborn 双变量图 kind='kde'

当我们使用 kind='hex' 时，效果如下图所示。

Seaborn 双变量图 kind='hex'

当我们使用 kind='resid' 时，效果如下图所示。

Seaborn 双变量图 kind='resid'

示例 4：散点外观

import matplotlib.pyplot as plt
import seaborn as sns

# 设置
sns.set_theme(rc={'font.sans-serif': 'SimHei', 'axes.unicode_minus': False})

# 加载内置数据集
df = sns.load_dataset('penguins')
# 重命名列
column_map = {
    'species': '种类',
    'island': '岛屿',
    'bill_length_mm': '喙长',
    'bill_depth_mm': '喙深',
    'flipper_length_mm': '鳍长',
    'body_mass_g': '体重',
    'sex': '性别'
}
df.rename(columns=column_map, inplace=True)

# 绘制图表
sns.jointplot(data=df, x='喙长', y='喙深', marker='x')

# 显示
plt.show()

运行之后，效果如下图所示。

Seaborn 双变量图散点外观

分析：

如果想要改变散点的外观，我们可以使用 marker 这个参数来实现。其中，Seaborn 中的 marker 参数继承了 Matplotlib 中的 marker 参数，它们的取值是一样的。

最后，我们来总结一下 jointplot() 函数的参数，常用的如下表所示。

jointplot() 函数的参数
参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
hue	添加区分（颜色）
kind	图表类型
marker	散点外观