print(sns.get_dataset_names())   #獲取所有數據表名稱
# ['anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'exercise', 'flights', 
# 'fmri', 'gammas', 'iris', 'mpg', 'planets', 'tips', 'titanic']
tips = sns.load_dataset('tips')  #導入小費tips數據表，返回一個DataFrame
tips.head()

distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,hist_kws=None, kde_kws=None, rug_kws=None,
fit_kws=None,color=None, vertical=False,?norm_hist=False, axlabel=None,label=None, ax=None)

fig = plt.figure(figsize=(12,5))
ax1 = plt.subplot(121)
rs = np.random.RandomState(10)  # 設定隨機數種子
s = pd.Series(rs.randn(100) * 100)
sns.distplot(s,bins = 10,hist = True,kde = True,rug = True,norm_hist=False,color = 'y',label = 'distplot',axlabel = 'x')
plt.legend()

ax1 = plt.subplot(122)
sns.distplot(s,rug = True, 
             hist_kws={"histtype": "step", "linewidth": 1,"alpha": 1, "color": "g"},  # 設置箱子的風格、線寬、透明度、顏色,風格包括：'bar', 'barstacked', 'step', 'stepfilled'
             kde_kws={"color": "r", "linewidth": 1, "label": "KDE",'linestyle':'--'},   # 設置密度曲線顏色，線寬，標注、線形
             rug_kws = {'color':'r'} )  # 設置數據頻率分布顏色

#密度曲線
kdeplot(data, data2=None, shade=False, vertical=False, kernel="gau",bw="scott", gridsize=100, cut=3, clip=None,?
legend=True,cumulative=False,shade_lowest=True,cbar=False, cbar_ax=None,cbar_kws=None, ax=None, **kwargs)

sns.kdeplot(s,shade = False, color = 'r',vertical = False)# 是否填充、設置顏色、是否水平
sns.kdeplot(s,bw=0.2, label="bw: 0.2",linestyle = '-',linewidth = 1.2,alpha = 0.5)
sns.kdeplot(s,bw=2, label="bw: 2",linestyle = '-',linewidth = 1.2,alpha = 0.5,shade=True)
sns.rugplot(s,height = 0.1,color = 'k',alpha = 0.5)  #數據分布

rs = np.random.RandomState(2)  # 設定隨機數種子
df = pd.DataFrame(rs.randn(100,2),columns = ['A','B'])
sns.kdeplot(df['A'],df['B'],shade = True,cbar = True,cmap = 'Reds',shade_lowest=True, n_levels = 8)# 曲線個數（如果非常多，則會越平滑） 
plt.grid(linestyle = '--')
plt.scatter(df['A'], df['B'], s=5, alpha = 0.5, color = 'k') #散點
sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5) #x軸數據分布
sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5) #y軸數據分布

rs1 = np.random.RandomState(2)
rs2 = np.random.RandomState(5)
df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = ['A','B'])
df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = ['A','B'])
sns.set_style('darkgrid')
sns.set_context('talk')
sns.kdeplot(df1['A'],df1['B'],cmap = 'Greens',shade = True,shade_lowest=False)
sns.kdeplot(df2['A'],df2['B'],cmap = 'Blues', shade = True,shade_lowest=False)

rs = np.random.RandomState(2)
df = pd.DataFrame(rs.randn(200,2),columns = ['A','B'])

sns.jointplot(x=df['A'], y=df['B'],  # 設置x軸和y軸，顯示columns名稱
              data=df,   # 設置數據
              color = 'k',   # 設置顏色
              s = 50, edgecolor="w",linewidth=1,  # 設置散點大小、邊緣線顏色及寬度(只針對scatter）
              kind = 'scatter',   # 設置類型：“scatter”、“reg”、“resid”、“kde”、“hex”
              space = 0.1,  # 設置散點圖和上方、右側直方圖圖的間距
              size = 6,   # 圖表大小（自動調整為正方形）
              ratio = 3,  # 散點圖與直方圖高度比，整型
              marginal_kws=dict(bins=15, rug=True,color='green')  # 設置直方圖箱數以及是否顯示rug
              )

sns.jointplot(x=df['A'], y=df['B'],data=df,kind='reg',size=5)  #
sns.jointplot(x=df['A'], y=df['B'],data=df,kind='resid',size=5) #
sns.jointplot(x=df['A'], y=df['B'],data=df,kind='kde',size=5) #
sns.jointplot(x=df['A'], y=df['B'],data=df,kind='hex',size=5) #蜂窩圖

rs = np.random.RandomState(15)
df = pd.DataFrame(rs.randn(300,2),columns = ['A','B'])
g = sns.jointplot(x=df['A'], y=df['B'],data = df, kind="kde", color="pink",shade_lowest=False) #密度圖，并賦值給一個變量
g.plot_joint(plt.scatter,c="w", s=30, linewidth=1, marker="+")  #在密度圖中添加散點圖

# plot_joint() + plot_marginals()
g = sns.JointGrid(x="total_bill", y="tip", data=tips)# 創建一個繪圖區域，并設置好x、y對應數據
g = g.plot_joint(plt.scatter,color="g", s=40, edgecolor="white")   # 中間區域通過g.plot_joint繪制散點圖
plt.grid('--')

g.plot_marginals(sns.distplot, kde=True, color="y")     #
h = sns.JointGrid(x="total_bill", y="tip", data=tips)# 創建一個繪圖區域，并設置好x、y對應數據
h = h.plot_joint(sns.kdeplot,cmap = 'Reds_r')   # 中間區域通過g.plot_joint繪制散點圖
plt.grid('--')
h.plot_marginals(sns.kdeplot, color="b")

# plot_joint() + ax_marg_x.hist() + ax_marg_y.hist()

sns.set_style("white")# 設置風格
tips = sns.load_dataset("tips") # 導入系統的小費數據
print(tips.head())
g = sns.JointGrid(x="total_bill", y="tip", data=tips)# 創建繪圖區域，設置好x、y對應數據

g.plot_joint(plt.scatter, color ='y', edgecolor = 'white')  # 設置內部散點圖scatter
g.ax_marg_x.hist(tips["total_bill"], color="b", alpha=.6,bins=np.arange(0, 60, 3))  # 設置x軸直方圖，注意bins是數組
g.ax_marg_y.hist(tips["tip"], color="r", alpha=.6, orientation="horizontal", bins=np.arange(0, 12, 1)) # 設置y軸直方圖，需要orientation參數

from scipy import stats
g.annotate(stats.pearsonr)  # 設置標注，可以為pearsonr，spearmanr
plt.grid(linestyle = '--')

sns.set_style("white")
iris = sns.load_dataset("iris")
print(iris.head())
sns.pairplot(iris,
            kind = 'scatter',  # 散點圖/回歸分布圖 {‘scatter', ‘reg'}
            diag_kind="hist",  # 對角線處直方圖/密度圖 {‘hist', ‘kde'}
            hue="species",   # 按照某一字段進行分類
            palette="husl",  # 設置調色板
            markers=["o", "s", "D"],  # 設置不同系列的點樣式（個數與hue分類的個數一致）
            height = 1.5,   # 圖表大小
            )

sns.pairplot(iris,vars=["sepal_width", "sepal_length"], kind = 'reg', diag_kind="kde", hue="species", palette="husl")

sns.pairplot(iris, vars=["sepal_length", "petal_length"],diag_kind="kde", markers="+",
             plot_kws=dict(s=50, edgecolor="b", linewidth=1),# 設置非對角線點樣式
             diag_kws=dict(shade=True,color='r',linewidth=1)# 設置對角線密度圖樣式
            )

# map_diag() + map_offdiag()

g = sns.PairGrid(iris,hue="species",palette = 'hls',vars=["sepal_width", "sepal_length"])
g.map_diag(plt.hist, # 對角線圖表，plt.hist/sns.kdeplot
           histtype = 'barstacked',   # 可選：'bar', 'barstacked', 'step', 'stepfilled'
           linewidth = 1, edgecolor = 'gray')
g.map_offdiag(plt.scatter, # f非對角線其他圖表，plt.scatter/plt.bar...
              edgecolor="yellow", s=20, linewidth = 1,   # 設置點顏色、大小、描邊寬度)

# map_diag() + map_lower() + map_upper()
g = sns.PairGrid(iris)
g.map_diag(sns.kdeplot, lw=1.5,color='y',alpha=0.5)   # 設置對角線圖表
g.map_upper(plt.scatter, color = 'r',s=8)     # 設置對角線上端圖表顯示為散點圖
g.map_lower(sns.kdeplot,cmap='Blues_r') # 設置對角線下端圖表顯示為多密度分布圖