簇状柱形图
为了描绘两个分类变量之间的关系，我们可以将在上节课见到的单变量条形图扩展为簇状柱形图。和标准条形图一样，我们依然需要描绘每组的数据点计数，但是每组现在是两个变量的标签组合。因此我们需要按照某种顺序整理长条，使图形容易解释。在簇状柱形图中，我们根据第一个变量的级别将长条分成一簇，然后在每个簇内根据第二个变量对长条进行排序。使用 seaborn 的 countplot 函数通过一个示例来讲解最容易理解。要使图形从单变量图形变成双变量图形，我们用 "hue" 参数添加第二个变量：
sb.countplot(data = df, x = 'cat_var1', hue = 'cat_var2')
第一个分类变量用很宽泛的 x 轴表示（对照组、实验 A、实验 B）。在每组绘制三个长条，第二个分类变量的每个级别对应一个长条（低、中、高）。用颜色区分每个级别，并在图形的右上角用图例记录。图形告诉我们三个 "cat_var1" 群组在 "cat_var2" 级别的频率分布很平衡，虽然 "实验 A" 组与另外两组相比，中间点（橙色中心长条）的计数稍微低些。
但是，该示例中的图例位置有点干扰性。我们可以使用 Axes 方法设置 countplot 返回的 Axes 对象的 legend 属性。
ax = sb.countplot(data = df, x = 'cat_var1', hue = 'cat_var2')
ax.legend(loc = 8, ncol = 3, framealpha = 1, title = 'cat_var2')
文档：Axes.legend
其他方法（热图）
描绘两个分类变量之间关系的另一种方式是热图。之前我们介绍热图是直方图的二维版本；现在我们将其当做条形图的二维版本。seaborn 函数 heatmap 可以轻松地实现这种类型的热图，但是输入参数与我们在这门课程中介绍的大部分可视化函数不一样。我们需要将计数总结为矩阵，然后进行绘制，而不是提供原始 dataframe。
ct_counts = df.groupby(['cat_var1', 'cat_var2']).size()
ct_counts = ct_counts.reset_index(name = 'count')
ct_counts = ct_counts.pivot(index = 'cat_var2', columns = 'cat_var1', values = 'count')
（文档：Series reset_index, DataFrame pivot）
sb.heatmap(ct_counts)
热图和簇状柱形图传达的信息一样：行上的相似颜色表示 "cat_var1" 群组的大小相似，并且在 "cat_var2" 级别上的分布相似。实验 A 的中间观测值的数量稍微少些，而对照组的高级别数据点的数量多些，实验 B 的低级别数据点的数量稍微多些。但是与簇状柱形图相比，差别大小的描绘不够精确。因此，我们可能需要在图形中添加注释，注明每个单元格的计数。
sb.heatmap(ct_counts, annot = True, fmt = 'd')
annot = True 可以在每个单元格中显示注释，但是默认的字符串格式精度只能达到小数点后两位。添加 fmt = 'd' 表示注释将全变成整数形式。
