#!/usr/bin/env python
# -*- coding:utf-8 -*-
import numpy as np
import pandas as pd
from scipy import stats, integrate
import matplotlib.pyplot as plt
import matplotlib as mpl
import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "distributions")))
x = np.random.normal(size=100)
sns.distplot(x,kde
 
=False) #直方圖繪製
sns.distplot(x, bins=20, kde=False)
#根據均值和協方差生成資料
mean, cov = [0, 1], [(1, .5), (.5, 1)]
data = np.random.multivariate_normal(mean, cov, 200)
df = pd.DataFrame(data, columns=["x", "y"])
#觀測兩個變數之間的分佈關係最好用散點圖
sns.jointplot(x="x", y="y", data=df);
iris = sns.load_dataset("iris") #讀入自帶的資料集
sns.pairplot(iris)
#
 
4.REG
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "regression")))
tips = sns.load_dataset("tips")
tips.head()
#迴歸分析繪製圖
#regplot()和lmplot()都可以繪製迴歸關係,推薦regplot()
sns.regplot(x="total_bill", y="tip", data=tips)
#x_jitter：小範圍的浮動
sns.regplot(x="size", y="tip", data=tips, x_jitter=.05)
#多變數分析圖
sns.
 
set(style="whitegrid", color_codes=True)
np.random.seed(sum(map(ord, "categorical")))
titanic = sns.load_dataset("titanic")
tips = sns.load_dataset("tips")
iris = sns.load_dataset("iris")
sns.stripplot(x="day", y="total_bill", data=tips);
sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)#jitter：小範圍的浮動
sns.swarmplot(x="day", y="total_bill", hue="sex",data=tips)#樹形圖
#盒圖
#IQR即統計學概念四分位距，第一/四分位與第三/四分位之間的距離
#N = 1.5IQR 如果一個值>Q3+N或　<　Ｑ1-N,則為離群點
sns.boxplot(x="day", y="total_bill", hue="time", data=tips);
#小提琴圖
sns.violinplot(x="total_bill", y="day", hue="time", data=tips);
#條形圖可以顯示值的集中趨勢
sns.barplot(x="sex",y="survived",hue="class",data=titanic)
#點圖可以更好的描述變化差異
sns.pointplot(x="sex", y="survived", hue="class", data=titanic)
sns.boxplot(data=iris,orient="h");#盒型圖，orient=“h'橫著畫
#分類屬性
#多層面板分類圖
sns.factorplot(x="day", y="total_bill", hue="smoker", data=tips)
sns.factorplot(x="day", y="total_bill", hue="smoker",
               col="time", data=tips, kind="swarm")#點圖
sns.factorplot(x="time", y="total_bill", hue="smoker",#盒圖
               col="day", data=tips, kind="box", size=4, aspect=.5)
'''
Parameters：
•x,y,hue 資料集變數 變數名
•date 資料集 資料集名
•row,col 更多分類變數進行平鋪顯示 變數名
•col_wrap 每行的最高平鋪數 整數
•estimator 在每個分類中進行向量到標量的對映 向量
•ci 置信區間 浮點數或None
•n_boot 計算置信區間時使用的引導迭代次數 整數
•units 取樣單元的識別符號，用於執行多級引導和重複測量設計 資料變數或向量資料
•order, hue_order 對應排序列表 字串列表
•row_order, col_order 對應排序列表 字串列表
•kind : 可選：point 預設, bar 柱形圖, count 頻次, box 箱體, violin 提琴, strip 散點，swarm 分散點 size 每個面的高度（英寸） 標量 aspect 縱橫比 標量 orient 方向 "v"/"h" color 顏色 matplotlib顏色 palette 調色盤 seaborn顏色色板或字典 legend hue的資訊面板 True/False legend_out 是否擴充套件圖形，並將資訊框繪製在中心右邊 True/False share{x,y} 共享軸線 True/False

'''