diff --git a/docs/4.md b/docs/4.md
index 719b3f5be0565f4a7bc9688f0d15b3aa0a608433..f7f0ff568ba56505b52f14549fef2d896e4282c5 100644
--- a/docs/4.md
+++ b/docs/4.md
@@ -4,7 +4,7 @@
 
 在seaborn中，有几种不同的方法可以对分类数据进行可视化。类似于[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")与[`scatterplot()`](../generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")或者[`lineplot()`](../generated/seaborn.lineplot.html#seaborn.lineplot "seaborn.lineplot")之间的关系，有两种方法可以制作这些图。有许多axes-level函数可以用不同的方式绘制分类数据，还有一个figure-level接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")，可以对它们进行统一的高级访问。
 
-将不同的分类图类型视为属于三个不同的族，这是很有帮助的。下面我们将详细讨论，它们是：
+将不同的分类图类型视为三个不同的家族，这是很有帮助的。下面我们将详细讨论，它们是：
 
 分类散点图：
 
@@ -23,9 +23,9 @@
 *   [`barplot()`](../generated/seaborn.barplot.html#seaborn.barplot "seaborn.barplot") (with `kind="bar"`)
 *   [`countplot()`](../generated/seaborn.countplot.html#seaborn.countplot "seaborn.countplot") (with `kind="count"`)
 
-这些系列使用不同的粒度级别来表示数据，我们应该根据需要解决的问题来决定到底要使用哪个。它们有统一的API，所以我们可以轻松地在不同类型之间进行切换，并从多个角度来观察数据。
+这些家族使用不同的粒度级别来表示数据，我们应该根据实际情况来决定到底要使用哪个。它们有统一的API，所以我们可以轻松地在不同类型之间进行切换，并从多个角度来观察数据。
 
-在本教程中，我们主要关注figure-level接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")。这个函数是上述每个函数更高级别的接口，因此当我们显示每种绘图时都会引用它们，保留更详细的特定类型的API文档。
+在本教程中，我们主要关注figure-level接口[`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")。这个函数是上述每个函数更高级别的接口，因此当我们显示每种绘图时都会引用它们，不清楚的话可以随时查看特定类型的API文档。
 
 ```py
 import seaborn as sns
@@ -104,7 +104,7 @@ sns.catplot(x="total_bill", y="day", hue="time", kind="swarm", data=tips);
 
 随着数据集的大小增加，分类散点图中每个类别可以提供的值分布信息受到限制。当发生这种情况时，有几种方法可以总结分布信息，以便于我们可以跨分类级别进行简单比较。
 
-### Boxplots
+### 箱线图
 
 第一个是熟悉的[`boxplot()`](../generated/seaborn.boxplot.html#seaborn.boxplot "seaborn.boxplot")。它可以显示分布的三个四分位数值以及极值。“胡须”延伸到位于下四分位数和上四分位数的1.5 IQR内的点，超出此范围的观察值会独立显示。这意味着箱线图中的每个值对应于数据中的实际观察值。
 
@@ -145,7 +145,7 @@ sns.catplot(x="color", y="price", kind="boxen",
 
 ![http://seaborn.pydata.org/_images/categorical_24_0.png](img/79a1d5cfd5409b9ac27b12fa7ec657d6.jpg)
 
-### Violinplots
+### 小提琴图
 
 另一种方法是[`violinplot()`](../generated/seaborn.violinplot.html#seaborn.violinplot "seaborn.violinplot")，它将箱线图与[分布](distributions.html#distribution-tutorial)教程中描述的核密度估算程序结合起来：
 
@@ -235,7 +235,7 @@ sns.catplot(y="deck", hue="class", kind="count",
 
 ![http://seaborn.pydata.org/_images/categorical_40_0.png](img/642ca1bac62921f4290064ab256538bb.jpg)
 
-### Point plots
+### 点图
 
 [`pointplot()`](../generated/seaborn.pointplot.html#seaborn.pointplot "seaborn.pointplot")函数提供了另一种可视化相同信息的样式。此函数还对另一个轴上的高度估计值进行编码，但不是显示一个完整的条形图，而是绘制点估计值和置信区间。另外，[`pointplot()`](../generated/seaborn.pointplot.html#seaborn.pointplot "seaborn.pointplot")连接来自相同`hue`类别的点。我们可以很容易的看出主要关系如何随着色调语义的变化而变化，因为人类的眼睛很擅长观察斜率的差异：
 
@@ -258,7 +258,7 @@ sns.catplot(x="class", y="survived", hue="sex",
 
 ![http://seaborn.pydata.org/_images/categorical_44_0.png](img/77fc98bcda361af76626399c4a1e7ad8.jpg)
 
-## Plotting “wide-form” data
+## 绘制“宽格式”数据
 
 虽然优选使用“长形式”或“整齐”数据，但这些函数也可以应用于各种“宽格式”的数据，包括pandas DataFrames或二维numpy数组。这些对象应该直接传递给`data`参数： 
 
@@ -289,11 +289,11 @@ sns.countplot(y="deck", data=titanic, color="c");
 
 ![http://seaborn.pydata.org/_images/categorical_50_0.png](img/b18371fc898cfe7904a1fc240f6fe4e8.jpg)
 
-当你需要一个明确的数字与一个更复杂的数字与其他类型的情节共存时，你应该采取这种方法。
+当你需要一个分类图与一个更复杂的其他类型的图共存时，你可以采取这种方法。
 
-## Showing multiple relationships with facets
+## 显示与facet的多种关系
 
-Just like [`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot"), the fact that [`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot") is built on a [`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") means that it is easy to add faceting variables to visualize higher-dimensional relationships:
+就像[`relplot()`](../generated/seaborn.relplot.html#seaborn.relplot "seaborn.relplot")一样, [`catplot()`](../generated/seaborn.catplot.html#seaborn.catplot "seaborn.catplot")建立在[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")上，这意味着很容易添加层面变量来可视化高维关系：
 
 ```py
 sns.catplot(x="day", y="total_bill", hue="smoker",
@@ -304,7 +304,7 @@ sns.catplot(x="day", y="total_bill", hue="smoker",
 
 ![http://seaborn.pydata.org/_images/categorical_52_0.png](img/c8197cd6e74c99a9483c72ed6b43a01a.jpg)
 
-For further customization of the plot, you can use the methods on the [`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") object that it returns:
+要进一步自定义绘图，我们可以使用它返回的[`FacetGrid`](../generated/seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")对象上的方法：
 
 ```py
 g = sns.catplot(x="fare", y="survived", row="class",