一、目录：
分布图
- displot （直方图）
- kedplot（概率密度图）
- jointplot（联合密度图）
- pairplot（多变量图）
分类图
- boxplot（箱线图）
- violinplot（提琴图）
回归图
- lmplot （回归图）
矩阵图
- heatmap （热力图）
二、回归图：
lmplot()是一个衡量变量之间关系的图形，他会在绘制二维散点图时，自动完成回归拟合
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None,
col_wrap=None, height=5, aspect=1, markers='o', sharex=True, sharey=True,
hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True,
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, x_jitter=None,
y_jitter=None, scatter_kws=None, line_kws=None, size=None)
- col，row：根据所指定的属性，在行、列上进行分类（指在整个画图面板上）
- col_wrap：指定每行的列数，最多等于col参数所对应的不同类别的数量
- aspect：控制图的长宽比
- order：多项式回归，控制进行回归曲线的幂次，设定指数，可以用多项式拟合。（指的是回归曲线的用一次函数拟合还是二次函数等拟合数据，这个拟合并不是完全精确的，只是粗略的一个给出一个数据之间关系的直观表示）
- logistic：逻辑回归
- ci：置信区间
- robust：如果是True，使用statsmodels来估计一个稳健的回归（鲁棒线性模型）。这将减少异常值。请注意 logistic回归和robust回归相较于简单线性回归需要更大的计算量，其置信区间的产生也依赖于bootstrap采样，你可以关掉置信区间估计来提高速度（ci=None）；
- 转换为log(x)
默认情况
设置col后，将原本会放在一个图表里的数据分列
设置为逻辑回归，也是一个粗略的直观展示并不精确
三、总结：
seaborn中还有其他的非常好用的统计图形可以使用，还可以通过sns.set_style()设置全局参数。在具体使用中，最好是结合matplotlib一起使用，用图形更好的表达数据，理解数据，用图形来表达数据观点，不要局限在画出复杂精美的图像中。
