# seaborn.JointGrid > 译者：[Yet-sun](https://github.com/Yet-sun) ```py class seaborn.JointGrid(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, size=None) ``` 用于绘制具有边际单变量图的双变量图的网格。 ```py __init__(x, y, data=None, height=6, ratio=5, space=0.2, dropna=True, xlim=None, ylim=None, size=None) ``` 设置子图的网格。 参数：`x, y`：字符串或向量 > 在 `data`中的数据或变量名 `data`：DataFrame, 可选 > 当 `x` and `y` 是变量名的时候为 DataFrame。 `height`：数字 > 图中每一条边的大小（以英寸为单位） `ratio`：数字 > 联合轴大小与边缘轴高度的比率。 `space`：数字，可选 > 联合轴和边缘轴之间的空间 `dropna`：bool, 可选 > 如果为 True，则删除 `x` 和 `y`中缺少的观察结果。 `{x, y}lim`：二元组，可选 > 在绘图之前设置轴限制。 也可以看看 用于绘制具有多种不同默认绘图类型的双变量图的高级界面。 例子： 初始化图形，但不在其上绘制任何图形： ```py >>> import seaborn as sns; sns.set(style="ticks", color_codes=True) >>> tips = sns.load_dataset("tips") >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips) ```  使用默认参数添加绘图： ```py >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips) >>> g = g.plot(sns.regplot, sns.distplot) ```  分别绘制联合分布图和边缘直方图，这可以以更精细的级别控制其他参数： ```py >>> import matplotlib.pyplot as plt >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips) >>> g = g.plot_joint(plt.scatter, color=".5", edgecolor="white") >>> g = g.plot_marginals(sns.distplot, kde=False, color=".5") ```  分别绘制两个边缘直方图： ```py >>> import numpy as np >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips) >>> g = g.plot_joint(plt.scatter, color="m", edgecolor="white") >>> _ = g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6, ... bins=np.arange(0, 60, 5)) >>> _ = g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6, ... orientation="horizontal", ... bins=np.arange(0, 12, 1)) ```  添加注释，其中包含总结双变量关系的统计信息： ```py >>> from scipy import stats >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips) >>> g = g.plot_joint(plt.scatter, ... color="g", s=40, edgecolor="white") >>> g = g.plot_marginals(sns.distplot, kde=False, color="g") >>> g = g.annotate(stats.pearsonr) ```  使用自定义的函数和注释格式 ```py >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips) >>> g = g.plot_joint(plt.scatter, ... color="g", s=40, edgecolor="white") >>> g = g.plot_marginals(sns.distplot, kde=False, color="g") >>> rsquare = lambda a, b: stats.pearsonr(a, b)[0] ** 2 >>> g = g.annotate(rsquare, template="{stat}: {val:.2f}", ... stat="$R^2$", loc="upper left", fontsize=12) ```  移除联合轴和边缘轴之间的空间： ```py >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips, space=0) >>> g = g.plot_joint(sns.kdeplot, cmap="Blues_d") >>> g = g.plot_marginals(sns.kdeplot, shade=True) ```  绘制具有相对较大边缘轴的较小图： ```py >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips, ... height=5, ratio=2) >>> g = g.plot_joint(sns.kdeplot, cmap="Reds_d") >>> g = g.plot_marginals(sns.kdeplot, color="r", shade=True) ```  设置轴的限制： ```py >>> g = sns.JointGrid(x="total_bill", y="tip", data=tips, ... xlim=(0, 50), ylim=(0, 8)) >>> g = g.plot_joint(sns.kdeplot, cmap="Purples_d") >>> g = g.plot_marginals(sns.kdeplot, color="m", shade=True) ```  方法 [`__init__`](#seaborn.JointGrid.__init__ "seaborn.JointGrid.__init__")(x, y[, data, height, ratio, space, …]) | 设置子图的网格设置子图的网格。 `annotate`(func[, template, stat, loc]) | 用关于关系的统计数据来标注绘图。 [`plot`](seaborn.JointGrid.plot.html#seaborn.JointGrid.plot "seaborn.JointGrid.plot")(joint_func, marginal_func[, annot_func]) | 绘制完整绘图的快捷方式。 [`plot_joint`](seaborn.JointGrid.plot_joint.html#seaborn.JointGrid.plot_joint "seaborn.JointGrid.plot_joint")(func, **kwargs) | 绘制 `x` 和 `y`的双变量图。 [`plot_marginals`](seaborn.JointGrid.plot_marginals.html#seaborn.JointGrid.plot_marginals "seaborn.JointGrid.plot_marginals")(func, **kwargs) | 分别绘制 `x` 和 `y` 的单变量图。 `savefig`(*args, **kwargs) | 封装 figure.savefig 默认为紧边界框。 `set_axis_labels`([xlabel, ylabel]) |在双变量轴上设置轴标签。