seaborn.regplot
译者：P3n9W31
seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)
绘制数据和线性回归模型拟合。
估算回归模型有许多互斥的选项。查看这个教程 来了解更多的信息。
参数：x，y：字符串，序列（series）或者是向量数组（vector array）
输入变量。 如果是字符串，应该与
data中的列名相对应。 使用 pandas 对象时，轴将被 Series 的名字标记。
data：DataFrame
Tidy (“long-form”)格式的 DataFrame，其中每列为一个变量，每行为一个观测样本。
x_estimator：可调用的映射向量 ->标量，可选
将此函数应用于
x的每个唯一值并绘制结果的估计值。当x是离散变量时，这是十分有用的。如果给出x_ci，则该估计将被引导并且将绘制置信区间。
x_bins：整数或向量，可选
将
x变量加入离散区间，然后估计中心趋势和置信区间。 此分箱仅影响散点图的绘制方式; 回归仍然适合原始数据。该参数被解释为均匀大小（不必要间隔）的箱的数量或箱中心的位置。使用此参数时，它意味着x_estimator的默认值为numpy.mean。
x_ci："ci"，'sd'，位于 [0, 100]之间的整数或 None，可选
绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为
“ci”，遵循ci参数的值。 如果是“sd”，则跳过 bootstrapping 并显示每个 bin 中观察值的标准偏差。
scatter：布尔值，可选
如果为
True，则绘制带有基础观测值（或x_estimator值）的散点图。
fit_reg：布尔值，可选
如果为
True，则估计并绘制与x和y变量相关的回归模型。
ci：位于 [0, 100]之间的整数或 None，可选
回归估计的置信区间的大小。这将使用回归线周围的半透明带绘制。 使用自助法（bootstrap）估计置信区间; 对于大型数据集，建议通过将此参数设置为 None 来避免该计算。
n_boot：整数，可选
用于估计
ci的自助法（bootstrap）重采样数。 默认值试图在时间和稳定性之间找到平衡; 你可能希望为“最终”版本的图像增加此值。
units： data,中的变量名，可选
如果
x和y观察结果嵌套在采样单元中，则可以在此处指定。在通过对所有的单元和观察样本（在单元内）执行重新采样的多级自助法（multilevel bootstrap）来计算置信区间时将考虑这一点。 否则，这不会影响估计或绘制回归的方式。
order：整数，可选
如果
order大于 1，使用numpy.polyfit来估计多项式回归。
logistic：布尔值，可选
如果为“True”，则假设
y是二元变量并使用statsmodels来估计逻辑回归模型。 请注意，这比线性回归的计算密集程度要大得多，因此您可能希望减少引导程序重新采样（n_boot）的数量或将ci设置为“无”。
lowess：布尔值，可选
如果为“True”，则使用
statsmodels来估计非参数 lowess 模型（局部加权线性回归）。 请注意，目前无法为此类模型绘制置信区间。
robust：布尔值，可选
如果为“True”，则使用
statsmodels来估计稳健回归。 这将削弱异常值。 请注意，这比标准线性回归的计算密集程度要大得多，因此您可能希望减少引导程序重新采样（n_boot）的数量或将ci设置为“无”。
logx：布尔值，可选
如果为
True，则估计形式 y~log（x）的线性回归，但在输入空间中绘制散点图和回归模型。 请注意，x必须为正才能正常工作。
{x,y}_partial： data 中的字符串或矩阵
混淆（Confounding）变量以在绘图之前退回
x或y变量。
truncate：布尔值，可选
默认情况下，绘制回归线以在绘制散点图后填充 x 轴限制。 如果
truncate是True，它将改为受到数据本身限制的限制。
{x,y}_jitter：浮点数，可选
将此大小的均匀随机噪声添加到“x”或“y”变量中。 在拟合回归之后，噪声被添加到数据的副本中，并且仅影响散点图的外观。 在绘制采用离散值的变量时，这会很有用。
label：字符串
要应用于散点图或回归线（如果
scatter为'False`）的标签，以便在图例中使用。
color：matplotlib 颜色
适用于所有绘图元素的颜色; 将被
scatter_kws或line_kws中传递的颜色取代。
marker：matplotlib 标记代码或标记代码列表，可选
散点图的标记。
{scatter,line}_kws：字典
传递给
plt.scatter和plt.plot的附加关键字参数。
ax：matplotlib Axes 对象，可选
绘制到指定轴对象，否则在当前轴对象上绘图。
返回值：ax：matplotlib Axes 对象
包含了图像的 Axes 对象。
也可以看看
结合 regplot() 和 FacetGrid 来绘制数据集中的多个线性关系。 结合 regplot() 和 JointGrid （与kind="reg"一起使用时）。结合 regplot() 和 PairGrid （当用于kind =“reg”）。绘制线性回归模型的残差。
注意
regplot() 和 lmplot() 函数密切相关，但是前者是坐标轴级别的函数，而后者是结合了regplot() 和 FacetGrid的图像级别的函数。
通过 jointplot() 和 pairplot() 函数来组合 regplot() 和 JointGrid 或 PairGrid 是十分容易的，虽然这些函数不直接接受所有 regplot()的参数。
例子
绘制 DataFrame 中两个变量之间的关系：
>>> import seaborn as sns; sns.set(color_codes=True)
>>> tips = sns.load_dataset("tips")
>>> ax = sns.regplot(x="total_bill", y="tip", data=tips)
利用两个定义为 numpy 数组的变量进行绘图; 使用不同的颜色：
>>> import numpy as np; np.random.seed(8)
>>> mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
>>> x, y = np.random.multivariate_normal(mean, cov, 80).T
>>> ax = sns.regplot(x=x, y=y, color="g")
利用两个定义为 pandas Series 的变量来进行绘图; 使用不同的标记：
>>> import pandas as pd
>>> x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
>>> ax = sns.regplot(x=x, y=y, marker="+")
使用 68％置信区间，该区间对应于估计的标准误差：
>>> ax = sns.regplot(x=x, y=y, ci=68)
使用离散的x变量进行绘图并添加一些抖动：
>>> ax = sns.regplot(x="size", y="total_bill", data=tips, x_jitter=.1)
绘制一个离散的x变量，显示唯一值的均值和置信区间：
>>> ax = sns.regplot(x="size", y="total_bill", data=tips,
... x_estimator=np.mean)
将连续的变量划分为分离的区间并进行绘图：
>>> ax = sns.regplot(x=x, y=y, x_bins=4)
拟合高阶多项式回归并截断模型预测：
>>> ans = sns.load_dataset("anscombe")
>>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],
... scatter_kws={"s": 80},
... order=2, ci=None, truncate=True)
拟合稳健回归并且不绘制置信区间：
>>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "III"],
... scatter_kws={"s": 80},
... robust=True, ci=None)
对数据运用逻辑回归; 抖动 y 变量并使用较少的 bootstrap 迭代：
>>> tips["big_tip"] = (tips.tip / tips.total_bill) > .175
>>> ax = sns.regplot(x="total_bill", y="big_tip", data=tips,
... logistic=True, n_boot=500, y_jitter=.03)
使用 log(x) 拟合回归模型并截断模型预测：
>>> ax = sns.regplot(x="size", y="total_bill", data=tips,
... x_estimator=np.mean, logx=True, truncate=True)
