seaborn库学习----分布图displot、histplot、kdeplot、ecdfplot

提供的api说明displotFigure-level interface for drawing distribution plots onto a FacetGrid. 图形级界面，用于在FacetGrid上绘制分布图。histplotPlot univariate or bivariate histograms to show distributions of datasets. 绘制单变量或双变量直方图来显示数据集的分布。kdeplotPlot univariate or bivariate distributions using kernel density estimation. 使用核密度估计绘制单变量或双变量分布ecdfplotPlot empirical cumulative distribution functions.绘制经验累积分布函数。rugplotPlot marginal distributions by drawing ticks along the x and y axes. 通过在x和y轴上画刻度来绘制边缘分布。distplotDEPRECATED: Flexibly plot a univariate distribution of observations. :灵活地绘制观测数据的单变量分布。

displot

语法

seaborn.displot(data=Node,*, x=None, y=None, hue=None, row=None, col=None, weights=None, kind='hist', 
rug=False, rug_kws=None, log_scale=None, legend=True, palette=None, hue_order=None, hue_norm=None, 
color=None, col_wrap=None, row_order=None, col_order=None, height=5, aspect=1, facet_kws=None,**kwargs)

这个函数提供了几种可视化数据的单变量或双变量分布的方法，包括通过语义映射和跨多个子图分面定义的数据子集。
通过kind参数，选择不同的方法：

histplot()
kedplot()
edfplot() 此外，可以将rugplot()添加到任何类型的图中以显示单个的观察结果。

参数说明

data是输入的数据集，数据类型可以是pandas.DataFrame对象、numpy.ndarray数组、映射或序列类型等。
x和y是参数data中的键或向量，指定关系图中x轴和y轴的变量。
hue也是data中的键或向量，根据hue变量对数据进行分组，并在图中使用不同颜色的元素加以区分。
hue_order指定色调语义的分类级别的处理和绘图顺序。
hue_norm可以是设置数据单元规范化范围的一对值，也可以是将数据单元映射到[0,1]区间的对象。使用意味着数字映射。
size也是data中的键或向量，根据size变量控制图中点的大小或线条的粗细。
style也是data中的键或向量，根据style变量对数据进行分组，并在图中使用不同类型的元素加以区分，比如点线、虚线等。
kind指定要绘制的关系图类型，可选"scatter"(散点图)和"line"(线形图)，默认值为"scatter"。

举例

#可以加载anaconda中sns库自己带的一些数据源 进行示例。  
penguins = sns.load_dataset("penguins")
sns.displot(data=penguins, x="flipper_length_mm")

在这里插入图片描述

使用kind=‘kde’参数来显示核密度估计,(kernel density estimates)；

使用kind='ecdf’参数来显示经验累积分布函数（empirical cumulative distribution functions）

同时也可以在直方图中，显示核密度估计

绘制一个二元分析图，将x和y都赋值:
这幅图片里面内容不是很有意义，但是也能看得出pCO2值与year的变化与分布；
在这里插入图片描述目前，二元分析图仅适用于直方图和KDEs: 当然也可以使用kdes方式来画二元分析图，可以发现数据的分布情况；
对于每种类型的图，你也可以用一个边缘的“地毯”来显示单个的观察结果: 即在坐标轴上显示每个变量的分布状况
在这里插入图片描述
每种图都可以使用hue参数映射为数据的子集单独绘制:使用的数据中有空值，所以加上了warn_singular。
shi
可以再加上一些参数，来是的画的更好看；