seaborn.pairplot
译者：cancan233
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)
绘制数据集中的成对关系
默认情况下，此函数将创建一个 Axes 网络，以便data中的每个变量将在 y 轴上共享一行，并在 x 轴上共享一列。对角轴的处理方式并不同，以此绘制一个图表来显示该列中变量的数据的单变量分布。
还可以显示变量的子集或在行和列上绘制不同的变量。
这是PairGrid的高级界面，旨在简化一些常见的样式。如果你需要更多的灵活性，你应该直接使用PairGrid。
参数：data：数据框架
整洁（长形式）数据框，其中每列是变量，每行是观察量。
hue：字符串（变量名），可选。
data中的变量将绘图方面映射到不同的颜色。
hue_order：字符串列表。
命令调色板中的色调变量的级别。
palette：字典或 seaborn 调色板。
用于映射
hue变量的颜色集。如果是字典，关键字应该是hue变量中的值。
vars：变量名列表，可选。
要使用的
data中的变量，否则每一列使用数字的数据类型。
{x, y}_vars：变量名列表，可选。
data中的变量分别用于图的行和列；即制作非方形图。
kind：{‘scatter’, ‘reg’}, 可选。
一种非等同关系的图类型
diag_kind：{‘auto’, ‘hist’, ‘kde’}, 可选
对角线子图的一种图形。默认值取决于是否使用
hue。
markers：单个 matplotlit 标记代码或列表，可选
要么是用于所有数据点的标记，要么是长度和色调变量中的级别数相同的标记列表，这样不同颜色的点也会有不同的散点图标记。
height：标量，可选。
每个刻面的高度（以英寸为单位）
aspect：标量，可选。
Aspect*height 给出每个刻面的宽度（以英寸为单位）
dropna：布尔值，可选。
在绘图之前删除数据中的缺失值。
{plot, diag, grid}_kws：字典，可选。
关键字参数的字典。
返回值：grid：PairGrid
返回底层的
PairGrid实例以进一步调整。
也可以看看
子图网络可以更灵活地绘制成对关系。
范例
绘制联合关系地散点图和单变量分布的直方图：
>>> import seaborn as sns; sns.set(style="ticks", color_codes=True)
>>> iris = sns.load_dataset("iris")
>>> g = sns.pairplot(iris)
通过绘图元素的颜色显示分类变量的不同级别：
>>> g = sns.pairplot(iris, hue="species")
使用不同的调色板：
>>> g = sns.pairplot(iris, hue="species", palette="husl")
为hue变量的每个级别使用不同的标记：
>>> g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"])
绘制变量的子集：
>>> g = sns.pairplot(iris, vars=["sepal_width", "sepal_length"])
绘制更大的图：
>>> g = sns.pairplot(iris, height=3,
... vars=["sepal_width", "sepal_length"])
在行和列中绘制不同的变量：
>>> g = sns.pairplot(iris,
... x_vars=["sepal_width", "sepal_length"],
... y_vars=["petal_width", "petal_length"])
对单变量图使用核密度估计：
>>> g = sns.pairplot(iris, diag_kind="kde")
将线性回归模型拟合到散点图：
>>> g = sns.pairplot(iris, kind="reg")
将关键字参数传递给底层函数（直接使用PairGrid可能更容易）
>>> g = sns.pairplot(iris, diag_kind="kde", markers="+",
... plot_kws=dict(s=50, edgecolor="b", linewidth=1),
... diag_kws=dict(shade=True))
