### seaborn.scatterplot > 译者：[leijuzi](https://github.com/leijuzi) ```python seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs) ``` 绘制几个语义分组的散点图。 数据的不同子集的 x 和 y 之间的关系可以用 hue, size, style 这三个参数来控制绘图属性。 这些参数控制用于识别不同子集的视觉语义信息，三种语义类型全部使用的话可以独立显示三个维度， 但是这种风格的绘图很难解释或者说没大部分时候什么效果。使用过多的语义信息 （例如：对同一个变量同时使用 hue 和 style)对作图来说是很有帮助同时也更容易理解。 阅读下面的教程可以 get 更多信息哦。 **参数**: `x, y`: data 或是向量 data 里面的变量名字，可选择 > 输入数据的变量，必须是数字，可以直接传递数据或引用数据中的列 `hue`： data 或是向量 data 里面的变量名字，可选择 > 将产生不同大小的点的变量进行分组，可以是类别也可以是数字， 但是大小映射在后一种情况会有不同的表现 `style`： data 或是向量 data 里面的变量名字，可选择 > 将产生不同标记的点的变量进行分类，可以有一个数字类型，但是这个数字会被当作类别 `data`：DataFrame > Tidy (“long-form”) dataframe 它的每一列是一个变量，每一行是一个观测值 plaette : 调色板的名字、列表或字典，可选 > 用于不同 level 的 hue 变量的颜色，应该是可以被 color_palette() 执行的 something， 或者是一个可以对 matplotlib colors 映射 hue 级别的字典。 `hue_order`：列表，可选 > 对 hue 变量的级别的表象有特定的顺序，否则的话，顺序由 data 决定。当 hue 是数字的时候与它不相关 `hue_norm`：元组或标准化的对象，可选 > 当 hue 变量是数字的时候，应用于 hue 变量的色彩映射的数据单元中的标准化。如果是类别则不相关 `sizes`：列表，字典或元组，可选 > 当使用 size 的时候，用来决定如何选择 sizes 的一个对象。可以一直是一个包含 size 数值的列表， 或者是一个映射变量 size 级别到 sizes 的字典。当 size 是数字时，sizes 可以是包含 size 最大值 和最小值的元组，其他的值都会标准化到这个元组指定的范围 `size_order`：元组，可选 > size 变量级别表现的特定顺序，否则顺序由 data 决定，当 size 变量是数字时不相关 `size_norm`：元组或标准化的对象，可选 > 当变量 size 是数字时，用于缩放绘图对象的数据单元中的标准化 `makers`：布尔型，列表或字典，可选 > 决定如何绘制不同级别 style 的标志符号。设置为 True 会使用默认的标志符号，或者通过一系列标志 或者一个字典映射 style 变量的级别到 markers。设置为 False 会绘制无标志的线。 Markers 在 matplotlib 中指定 `style_order`：列表，可选 > 对于 style 变量级别表象的特定顺序，否则由 data 决定，当 style 是数字时不相关 `{x,y}_bins`: 元组，矩阵或函数 > 暂时没有什么功能 `units`：{long_form_var} > 分组特定的样本单元。使用时，将为每个具有适当的语义的单元绘制一根单独的线， 但不会添加任何图例条目。 当不需要确切的身份时，可用于显示实验重复的分布。 目前没啥作用 `estimator`：pandas 方法的名称，或者可调用的方法或者是 None，可选 > 聚类同一个 x 上多个观察值 y，如果是 None，所有的观察值都会绘制，目前暂无功能 `ci`：整型或 'sd' or None,可选 > 与估算器聚合时绘制的置信区间的大小。 “sd”表示绘制数据的标准偏差。 设置为 None 将跳过自举。 目前无功能。 `n_boot`：整型，可选 > 自举法的数量，用于计算区间的置信度，暂无功能 `alpha`：浮点型 > 设置点的不透明度 `{x,y}_jitter`：布尔或者浮点型 > 暂无功能 `legend`：“brief”, “full”, or False, 可选 > 绘制图例的方式。如果为“brief" 数字 hue 和 size 变量会代表一个样本，即便有不同的值 if "full", 每一个分组都有图例。if False 不绘制也不添加图例 `ax`：matplotlib 坐标轴，可选 > 绘制图像的坐标对象，否则使用当前坐标轴 `kwargs`：键值映射对 > 在绘制的时候其他的键会传递给 plt.scatter 返回值：ax：matplotlib 坐标轴 > 返回绘制所需的坐标 请参阅官方文档 用线显示两个变量之间的关系以强调连续性。绘制带有一个分类变量的散点图，排列点以显示值的分布。 例子 绘制一个两个变量的简单散点图： ```python import seaborn as sns; sns.set() import matplotlib.pyplot as plt tips = sns.load_dataset('tips') ax = sns.scatterplot(x='total_bill',y='tip',data=tips) ```  通过其他的变量分组并且用不同的颜色展示分组 ```python ax = sns.scatterplot(x='total_bill',y='tip',hue='time',data=tips) ```  通过不同的颜色和标记显示分组变量： ```python ax = sns.scatterplot(x='total_bill',y='tip', hue='time',style='time',data=tips) ```  不同的颜色和标志显示两个不同的分组变量： ```python ax = sns.scatterplot(x='total_bill',y='tip', hue='day',style='time',data=tips) ```  用不同大小的点显示一个变量的数量： ```python ax = sns.scatterplot(x='total_bill',y='tip', size='size',data=tips) ```  使用渐变的颜色显示变量的数量： ```python ax = sns.scatterplot(x='total_bill',y='tip', hue='size', size='size',data=tips) ```  用一个不一样的渐变颜色映射： ```python cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True) ax = sns.scatterplot(x='total_bill',y='tip', hue='size', size='size',palette=cmap,data=tips) ```  改变点大小的最小值和最大值并在图例中显示所有的尺寸： ```python cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True) ax = sns.scatterplot(x='total_bill',y='tip', hue='size',size='size', sizes=(20,200),legend='full',palette=cmap,data=tips) ```  使用一个更小的颜色强度范围： ```python cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True) ax = sns.scatterplot(x='total_bill',y='tip',hue='size',size='size', sizes=(20,200),hue_norm=(0,7), legend='full',data=tips) ```  一个类别变量不同的大小，用不同的颜色： ```python ax = sns.scatterplot(x='total_bill',y='tip',hue='day',size='smoker', palette='Set2',data=tips) ```  使用一些特定的标识： ```python markers = {'Lunch':'s','Dinner':'X'} ax = sns.scatterplot(x='total_bill',y='tip',style='time', markers=markers,data=tips) ```  使用 matplotlib 的参数控制绘制属性： ```python ax = sns.scatterplot(x='total_bill',y='tip', s=100,color='.2',marker='+',data=tips) ```  使用 data 向量代替 data frame 名字： ```python iris = sns.load_dataset('iris') ax = sns.scatterplot(x=iris.sepal_length,y=iris.sepal_width, hue = iris.species,style=iris.species) ```  传递宽格式数据并根据其索引进行绘图: ```python import numpy as np, pandas as pd; plt.close("all") index = pd.date_range('1 1 2000',periods=100,freq='m',name='date') data = np.random.randn(100,4).cumsum(axis=0) wide_df = pd.DataFrame(data,index,['a','b','c','d']) print(wide_df.head()) ax = sns.scatterplot(data=wide_df) ```