探索變數間的關係

兩個變數：lmplot，繪製迴歸模型

（1.1）兩個維度資料都是連續的：散點圖 + 線性迴歸 + 95%置信區間
（1.2）一個維度資料是連續的，一個維度資料是離散的，連續軸抖動x_jitter引數
（1.3）x_estimator引數將“離散取值維度”用均值和置信區間代替散點

擬合不同模型

（1.1）lmplot預設引數線性擬合
（1.2）lmplot的order引數，設定高階擬合
（1.3）lmplot的robust引數，設定抗噪聲魯棒性
（1.4）lmplot的logistic引數，設定擬合曲線是logistic（二類分類模型）

某特徵內部分組對比

（1.1）lmplot的hue引數按cloumns分組，一圖多組
（1.2）lmplot的hue引數按cloumns分組，加col引數——列增加，加row引數——行增加
（1.3）lmplot的col引數分出來多組後，col_wrap引數控制圖形顯示排布；size引數設定圖形大小，aspect引數設定圖形橫縱比

——————————————————————————————————

探索變數間的關係

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import
 
 matplotlib.pyplot as plt
import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "regression")))
tips = sns.load_dataset("tips")
tips.head()

兩個變數：lmplot，繪製線性迴歸模型

（1.1）兩個維度資料都是連續的：散點圖 + 線性迴歸 + 95%置信區間

sns.lmplot(x="total_bill", y="tip", data=tips)

（1.2）一個維度資料是連續的，一個維度資料是離散的，連續軸抖動x_jitter引數

sns.lmplot(x="size", y="tip", data=tips, x_jitter=.08)

（1.3）x_estimator引數將“離散取值維度”用均值和置信區間代替散點

sns.lmplot(x="size", y="tip", data=tips, x_estimator=np.mean)

擬合不同模型

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(color_codes=True)
anscombe = sns.load_dataset("anscombe")
anscombe.groupby('dataset').groups

#輸出類別：
{'I': Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype='int64'),
 'II': Int64Index([11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21], dtype='int64'),
 'III': Int64Index([22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32], dtype='int64'),
 'IV': Int64Index([33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43], dtype='int64')}

（1.1）lmplot預設引數線性擬合

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(color_codes=True)
anscombe = sns.load_dataset("anscombe")

sns.lmplot(x="x", y="y", data=anscombe.query("dataset == 'I'"),\
           ci=None, scatter_kws={"s": 80}) 
#anscombe.query("dataset == 'I'")是取anscombe
#ci預設值95，Size of the confidence interval for the regression estimate.Bootstrap

（1.2）lmplot的order引數，設定高階擬合

sns.lmplot(x="x", y="y", data=anscombe.query("dataset == 'II'"), \
           order=2, ci=None, scatter_kws={"s": 80})  #lmplot預設order引數是一階的

（1.3）lmplot的robust引數，設定抗噪聲魯棒性

sns.lmplot(x="x", y="y", data=anscombe.query("dataset == 'III'"), \
           robust=True, ci=None, scatter_kws={"s": 80})

（1.4）lmplot的logistic引數，設定擬合曲線是logistic（二類分類模型）

sns.lmplot(x="total_bill", y="big_tip", data=tips, \
           logistic=True, y_jitter=.03, ci=None)

（2）residplot評價不同模型擬合效果，畫殘差曲線(對比一階擬合直線的殘差)

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(color_codes=True)
anscombe = sns.load_dataset("anscombe")

sns.residplot(x="x", y="y", data=anscombe.query("dataset == 'I'"), scatter_kws={"s": 80})

sns.residplot(x="x", y="y", data=anscombe.query("dataset == 'II'"), scatter_kws={"s": 80})

某特徵內部分組對比

（1.1）lmplot的hue引數按cloumns分組，一圖多組

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(color_codes=True)
np.random.seed(sum(map(ord, "regression")))
tips = sns.load_dataset("tips")

sns.lmplot(x="total_bill", y="tip", hue="day", data=tips)

（1.2）lmplot的hue引數按cloumns分組，加col引數——列增加，加row引數——行增加

sns.lmplot(x="total_bill", y="tip", hue="smoker", col="time", row="sex", data=tips, markers=["o", "x"], size=3)
#markers引數標示例項點，size引數控制圖形大小

（1.3）lmplot的col引數分出來多組後，col_wrap引數控制圖形顯示排布；size引數設定圖形大小，aspect引數設定圖形橫縱比

sns.lmplot(x="total_bill", y="tip", col="day", data=tips, col_wrap=3, size=3, aspect=0.8)#