Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。本站整理的Seaborn的41个样例代码，在github进行分享，绝大部分数据可视化的问题可以参考这里的样例代码。
Matplotlib试着让简单的事情更加简单，困难的事情变得可能，而Seaborn就是让困难的东西更加简单。
Seaborn是针对统计绘图的，一般来说，Seaborn能满足数据分析90%的绘图需求。
Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用Seaborn就能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物。
用matplotlib最大的困难是其默认的各种参数，而Seaborn则完全避免了这一问题。
seaborn一共有5个大类21种图，分别是：
Relational plots 关系类图表
1.relplot() 关系类图表的接口，其实是下两种图的集成，通过指定kind参数可以画出下面的两种图
2.scatterplot() 散点图
3.lineplot() 折线图
Categorical plots 分类图表
1.catplot() 分类图表的接口，其实是下面八种图表的集成，通过指定kind参数可以画出下面的八种图
2.stripplot() 分类散点图
3.swarmplot() 能够显示分布密度的分类散点图
4.boxplot() 箱图
5.violinplot() 小提琴图
6.boxenplot() 增强箱图
7.pointplot() 点图
8.barplot() 条形图
9.countplot() 计数图
Distribution plot 分布图
1.jointplot() 双变量关系图
2.pairplot() 变量关系组图
3.distplot() 直方图，质量估计图
4.kdeplot() 核函数密度估计图
5.rugplot() 将数组中的数据点绘制为轴上的数据
Regression plots 回归图
1.lmplot() 回归模型图
2.regplot() 线性回归图
3.residplot() 线性回归残差图
Matrix plots 矩阵图
1.heatmap() 热力图
2.clustermap() 聚集图
github地址：
https://github.com/fengdu78/machine_learning_beginner/tree/master/seaborn
主要内容：
Jupyter notebook格式，Seaborn.ipynb包含共41个Seaborn的样例代码，只需要修改数据源就能画出类似下图这样的图表。
（Seaborn内置了不少样例数据，为dataframe类型， 命令：df = sns.load_dataset("anscombe")即读取“anscombe”样例数据，如果要查看数据，可以使用类似df.head()命令查看，绘图的时候替换为自己的数据即可。）
参考：
http://seaborn.pydata.org/examples/index.html
欢迎留言交流！
