0、seaborn简介：
- 前言：下面的总结只是介绍seaborn有哪些方法和属性，至于具体使用，通过下面给出的名称稍作查找即可。重点应该关注本文介绍的seaborn的使用方法
- seaborn与机器学习的关系：
- 知识图谱
0.1、了解即可的知识：
- seaborn：在matplotlib的基础上画一些更好看的图，在进行探索性数据分析时会常用到，对于seaborn需要做简单了解，掌握对应画法的查询方法。
- 官网：https://seaborn.pydata.org/
- 下载方法：在控制界面输入“pip install seaborn”
- 如果seaborn版本不是最新，可以跟新：“pip install --upgrade seabron”
- seaborn中也自带一些数据集，通过属性调用就可以查看：“get_dataset_names()”，要调用这些数据集要通过调用方法：load_dataset(“数据集名称”)
- 设置seaborn主题风格的方法：set_style(“风格名称”) # darkgrid、whitegrid、dark、white、ticks
- 在seaborn中可以通过despine()方法去掉不需要的边框，这种操作在matplotlib中是无法实现的。通过其中的offset参数可以设置图形到轴线的距离。
- set_context()方法可以设置图形当中内容的格式，比如字体大小之类的。
- 在seaborn中绘制子图可以将风格的使用控制在一定的作用范围内
f = plt.figure(figsize=(10,4))
# 子图
with sns.axes_style('dark'):
f.add_subplot(1,2, 1) # 1行2列排第1个
sinplot()
- 离散型颜色调色板：
1、seaborn默认的颜色是六种，如果面对分类问题大于六种时，就可以使用hls颜色空间来划分，例如需要有n种不同颜色时，就可以调用sns.color_palette(‘hls’, n)，调色板在seaborn中就相当于一个参数了。
2、亮度和饱和度：”sns.hls_palette(n,l=‘亮度数值’,‘饱和度数值’)“ - 连续性颜色调色板：
1、颜色有浅到深：“sns.color_palette(‘‘颜色名称’)”
2、颜色有深到浅：“sns.color_palette(’‘颜色名称_r’)”
3、其他方法：“sns.cubehelix_palette(n, start=数值, rot=数值)”，“sns.light_palette(“颜色名称”)”
4、对于颜色问题，大部分时间使用默认的即可
0.2、★★★seaborn使用重点
- 单变量分析（单个特征数据分布情况查看）：直方图，会根据数据自动生成每个柱子（bins）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set() # 使用seaborn默认设置
x = np.random.normal(size=100) # 随机生成高斯分布的数据
display(x.shape)
sns.displot(x,kde=False) # 直方图,kde为核密度估计，通过bins参数可以设置柱子的个数
文章来源：https://uudwc.com/A/woyGV
- 观测两个变量之间关系最好用的就是散点图：
mean = [0, 1]
cov = [[1, 0.5], [0.5, 1]] # 协方差
# 创建2维的正态分布
data = np.random.multivariate_normal(mean, cov, 200)
# data
df = pd.DataFrame(data=data, columns=['x','y'])
df
# 画双变量图
# sns.jointplot(x='x', y='y', data=df)
sns.jointplot(x='x', y='y', data=df)
散点图中可能会有点重叠在一起，所以可以通过下面的hex图来看到散点图的同时看到数据密度分布文章来源地址https://uudwc.com/A/woyGV
mean = [0, 1]
cov = [[1, 0.5], [0.5, 1]] # 协方差
# # 创建2维的正态分布
data = np.random.multivariate_normal(mean, cov, 1000)
# data
df = pd.DataFrame(data=data, columns=['x','y'])
df
with sns.axes_style('white'):
sns.jointplot(x=
