提交 a2207fc2 编写于 作者: W wizardforcel
......@@ -10,12 +10,6 @@
* [ApacheCN 机器学习交流群 629470233](http://shang.qq.com/wpa/qunwpa?idkey=30e5f1123a79867570f665aa3a483ca404b1c3f77737bc01ec520ed5f078ddef)
* [ApacheCN 学习资源](http://www.apachecn.org/)
## 贡献指南
项目当前处于翻译阶段,请查看[贡献指南](CONTRIBUTING.md),并在[整体进度](https://github.com/apachecn/seaborn-doc-zh/issues/1)中领取任务。
> 请您勇敢地去翻译和改进翻译。虽然我们追求卓越,但我们并不要求您做到十全十美,因此请不要担心因为翻译上犯错——在大部分情况下,我们的服务器已经记录所有的翻译,因此您不必担心会因为您的失误遭到无法挽回的破坏。(改编自维基百科)
## 联系方式
### 负责人
......@@ -24,7 +18,6 @@
### 其他
* 认领翻译和项目进度-地址: <https://github.com/apachecn/seaborn-doc-zh/issues/1>
* 在我们的 [apachecn/seaborn-doc-zh](https://github.com/apachecn/seaborn-doc-zh) github 上提 issue.
* 发邮件到 Email: `apachecn@163.com`.
* 在我们的 [组织学习交流群](http://www.apachecn.org/organization/348.html) 中联系群主/管理员即可.
......
+ [seaborn 0.9 中文文档](README.md)
+ [An introduction to seaborn](docs/1.md)
+ [Installing and getting started](docs/2.md)
+ [Visualizing statistical relationships](docs/3.md)
+ [Plotting with categorical data](docs/4.md)
+ [Visualizing the distribution of a dataset](docs/5.md)
+ [Visualizing linear relationships](docs/6.md)
+ [Building structured multi-plot grids](docs/7.md)
+ [Controlling figure aesthetics](docs/8.md)
+ [Choosing color palettes](docs/9.md)
+ [Seaborn 简介](docs/1.md)
+ [安装和入门](docs/2.md)
+ [可视化统计关系](docs/3.md)
+ [可视化分类数据](docs/4.md)
+ [可视化数据集的分布](docs/5.md)
+ [线性关系可视化](docs/6.md)
+ [构建结构化多图网格](docs/7.md)
+ [控制图像的美学样式](docs/8.md)
+ [选择调色板](docs/9.md)
+ [seaborn.relplot](docs/10.md)
+ [seaborn.scatterplot](docs/11.md)
+ [seaborn.lineplot](docs/12.md)
......
......@@ -6,14 +6,14 @@ Seaborn 是一个基于 [matplotlib](https://matplotlib.org/) 且数据结构与
这里列出了一些 seaborn 的功能:
* 计算[多变量](examples/faceted_lineplot.html#faceted-lineplot)[关系](examples/scatter_bubbles.html#scatter-bubbles)的面向数据集接口
* 可视化类别变量的[观测](examples/jitter_stripplot.html#jitter-stripplot)[统计](examples/pointplot_anova.html#pointplot-anova)
* 可视化[单变量](examples/distplot_options.html#distplot-options)[多变量](examples/joint_kde.html#joint-kde)分布并与其子数据集[比较](examples/horizontal_boxplot.html#horizontal-boxplot)
* 控制[线性回归](examples/anscombes_quartet.html#anscombes-quartet)的不同[因变量](examples/logistic_regression.html#logistic-regression)并进行参数估计与作图
* 对复杂数据进行易行的整体[结构](examples/scatterplot_matrix.html#scatterplot-matrix)可视化
*[多表统计图](examples/faceted_histogram.html#faceted-histogram)的制作高度抽象并简化可视化过程
* 提供多个内建[主题](tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
* 提供[调色板](tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
* 计算[多变量](http://seaborn.pydata.org/examples/faceted_lineplot.html#faceted-lineplot)[关系](http://seaborn.pydata.org/examples/scatter_bubbles.html#scatter-bubbles)的面向数据集接口
* 可视化类别变量的[观测](http://seaborn.pydata.org/examples/jitter_stripplot.html#jitter-stripplot)[统计](http://seaborn.pydata.org/examples/pointplot_anova.html#pointplot-anova)
* 可视化[单变量](http://seaborn.pydata.org/examples/distplot_options.html#distplot-options)[多变量](http://seaborn.pydata.org/examples/joint_kde.html#joint-kde)分布并与其子数据集[比较](http://seaborn.pydata.org/examples/horizontal_boxplot.html#horizontal-boxplot)
* 控制[线性回归](http://seaborn.pydata.org/examples/anscombes_quartet.html#anscombes-quartet)的不同[因变量](http://seaborn.pydata.org/examples/logistic_regression.html#logistic-regression)并进行参数估计与作图
* 对复杂数据进行易行的整体[结构](http://seaborn.pydata.org/examples/scatterplot_matrix.html#scatterplot-matrix)可视化
*[多表统计图](http://seaborn.pydata.org/examples/faceted_histogram.html#faceted-histogram)的制作高度抽象并简化可视化过程
* 提供多个内建[主题](http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
* 提供[调色板](http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
Seaborn 框架旨在以数据可视化为中心来挖掘与理解数据。它提供的面向数据集制图函数主要是对行列索引和数组的操作,包含对整个数据集进行内部的语义映射与统计整合,以此生成富于信息的图表。
......@@ -49,7 +49,7 @@ sns.set()
```
这里改变了 [matplotlib rcParam 系统](https://matplotlib.org/users/customizing.html) 所以会影响所有 matplotlib 图像的显示,即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题,我们提供一些[其他选项](tutorial/aesthetics.html#aesthetics-tutorial),你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中(例如,在演讲投影中使用一个拥有可阅读字体的图表)。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式,你可以跳过这一部分,只使用 seaborn 提供的制图函数。
这里改变了 [matplotlib rcParam 系统](https://matplotlib.org/users/customizing.html) 所以会影响所有 matplotlib 图像的显示,即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题,我们提供一些[其他选项](http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial),你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中(例如,在演讲投影中使用一个拥有可阅读字体的图表)。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式,你可以跳过这一部分,只使用 seaborn 提供的制图函数。
1. 装载数据集
......@@ -225,7 +225,7 @@ sns.relplot(x="total_bill", y="tip", col="time",
![http://seaborn.pydata.org/_images/introduction_31_0.png](img/4263c8446521fa44bcb4c6f2bdec4bad.jpg)
如果要仅针对图像设计,所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射,比如颜色。(对颜色的恰当选择在数据可视化中非常关键,seaborn 提供了[附加支持](tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用)。
如果要仅针对图像设计,所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射,比如颜色。(对颜色的恰当选择在数据可视化中非常关键,seaborn 提供了[附加支持]http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用)。
最后,当 seaborn 的函数与 matploblib 函数具有显然一致性时(例如 [`scatterplot()`](generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot")`plt.scatter`),多余的参数会被直接传给 matploblib 层:
......@@ -313,4 +313,4 @@ fmri.head()
## 下一步
继续往下看,你有多个选择。比如你可能想去[安装 seaborn](installing.html#installing)。然后你可以看看[制图样例](examples/index.html#example-gallery)来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读[官方教程](tutorial.html#tutorial)来深入了解你所需要的工具。你也可以查看附带样例的[接口参考](api.html#api-ref)来实现你不同的想法。
继续往下看,你有多个选择。比如你可能想去[安装 seaborn](installing.html#installing)。然后你可以看看[制图样例](http://seaborn.pydata.org/examples/index.html#example-gallery)来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读[官方教程](tutorial.html#tutorial)来深入了解你所需要的工具。你也可以查看附带样例的[接口参考](api.html#api-ref)来实现你不同的想法。
......@@ -6,7 +6,7 @@
seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=None, col=None, col_wrap=None, row_order=None, col_order=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=None, dashes=None, style_order=None, legend='brief', kind='scatter', height=5, aspect=1, facet_kws=None, **kwargs)
```
绘制相关关系图像到FacetGrid的图像级别接口。
绘制相关关系图像到 FacetGrid 的图像级别接口。
此函数提供对一些不同轴级别函数的访问,这些函数通过子集的语义映射显示两个变量之间的关系。`kind`参数选择要使用的基础轴级函数:
* [`scatterplot()`](seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot") (通过`kind="scatter"`访问;默认为此)
......@@ -16,11 +16,11 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
对于数据不同子集的`x``y`的绘制关系可以通过`hue`, `size`以及`style`参数控制。这些参数控制使用哪些视觉语义来区分不同的子集。使用所有三个语义类型可以独立展示三个维度,但是这种方式得到的绘制结果难以被理解而且低效。使用多种语义(例如对相同变量同时使用`hue``style`)可以使图像更加易懂。
参考[tutorial](../tutorial/relational.html#relational-tutorial)获得更多信息。
参考[tutorial](http://seaborn.pydata.org/tutorial/relational.html#relational-tutorial)获得更多信息。
绘制后,会返回带有图像的[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid"),随后可以直接进行图像细节调节或者加入其他图层。
值得注意的是,与直接使用隐含函数的方式不同,数据必须以长格式的DataFrame传入,同时变量通过`x`, `y`及其他参数指定。
值得注意的是,与直接使用隐含函数的方式不同,数据必须以长格式的 DataFrame 传入,同时变量通过`x`, `y`及其他参数指定。
参数:`x, y``data`中的变量名
......@@ -40,7 +40,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
`data`:DataFrame
> 长格式的DataFrame,每列是一个变量,每行是一个观察值。
> 长格式的 DataFrame,每列是一个变量,每行是一个观察值。
`row, col``data`中的变量名,可选
......@@ -56,15 +56,15 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
`palette`:色盘名,列表,或者字典,可选
> 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西,或者将色调级别映射到matplotlib颜色的字典。
> 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西,或者将色调级别映射到 matplotlib 颜色的字典。
`hue_order`:列表,可选
> 指定`hue`变量层级出现的顺序,否则会根据数据确定。当`hue`变量为数值型时与此无关。
`hue_norm`:元组或者Normalize对象,可选
`hue_norm`:元组或者 Normalize 对象,可选
> 当`hue`变量为数值型时,用于数据单元的colormap的标准化。如果`hue`为类别变量则与此无关。
> 当`hue`变量为数值型时,用于数据单元的 colormap 的标准化。如果`hue`为类别变量则与此无关。
`sizes`:列表、典或者元组,可选
......@@ -74,25 +74,25 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
> 指定`size`变量层次的表现顺序,不指定则会通过数据确定。当`size`变量为数值型时与此无关。
`size_norm`:元组或者Normalize对象,可选
`size_norm`:元组或者 Normalize 对象,可选
> 当`size`变量为数值型时,用于数据单元的scaling plot对象的标准化。
> 当`size`变量为数值型时,用于数据单元的 scaling plot 对象的标准化。
`legend`:“brief”, “full”, 或者False, 可选
`legend`:“brief”, “full”, 或者 False, 可选
> 用于决定如何绘制坐标轴。如果参数值为“brief”, 数值型的`hue`以及`size`变量将会被用等间隔采样值表示。如果参数值为“full”, 每组都会在坐标轴中被记录。如果参数值为“false”, 不会添加坐标轴数据,也不会绘制坐标轴。
`kind`:string, 可选
> 绘制图的类型,与seaborn相关的图一致。可选项为(`scatter`及`line`).
> 绘制图的类型,与 seaborn 相关的图一致。可选项为(`scatter`及`line`).
`height`:标量, 可选
> 每个facet的高度(英寸)。参见`aspect`。
> 每个 facet 的高度(英寸)。参见`aspect`。
`aspect`:标量, 可选
> 每个facet的长宽比,因此“长宽比*高度”可以得出每个facet的宽度(英寸)。
> 每个 facet 的长宽比,因此“长宽比*高度”可以得出每个 facet 的宽度(英寸)。
`facet_kws`:dict, 可选
......@@ -111,7 +111,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
示例
使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的坐标轴布局绘制简单的facet。
使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的坐标轴布局绘制简单的 facet。
```py
>>> import seaborn as sns
......@@ -123,7 +123,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
![http://seaborn.pydata.org/_images/seaborn-relplot-1.png](img/1c7fa44b0679b71a3e8e8a4e26d75963.jpg)
利用其他变量绘制facet:
利用其他变量绘制 facet:
```py
>>> g = sns.relplot(x="total_bill", y="tip",
......@@ -133,7 +133,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
![http://seaborn.pydata.org/_images/seaborn-relplot-2.png](img/f0eb2f840a13f8dbd2b829e6bb51c4af.jpg)
绘制两行两列的facet:
绘制两行两列的 facet:
```py
>>> g = sns.relplot(x="total_bill", y="tip", hue="day",
......@@ -143,7 +143,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
![http://seaborn.pydata.org/_images/seaborn-relplot-3.png](img/e6f2f0c866185be9801d43c59f348826.jpg)
将多行facets转换为多列:
将多行 facets 转换为多列:
```py
>>> g = sns.relplot(x="total_bill", y="tip", hue="time",
......@@ -153,7 +153,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
![http://seaborn.pydata.org/_images/seaborn-relplot-4.png](img/a89db144a2f030e70603b92ba8728326.jpg)
利用指定的属性值对每个facet使用多种语义变量:
利用指定的属性值对每个 facet 使用多种语义变量:
```py
>>> g = sns.relplot(x="total_bill", y="tip", hue="time", size="size",
......@@ -176,7 +176,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
![http://seaborn.pydata.org/_images/seaborn-relplot-6.png](img/f14f4331afb42bd5512f2c24a5140604.jpg)
改变每个facet的大小:
改变每个 facet 的大小:
```py
>>> g = sns.relplot(x="timepoint", y="signal",
......
# seaborn.scatterplot
### seaborn.scatterplot
```py
> 译者:[leijuzi](https://github.com/leijuzi)
```python
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
```
绘制几个语义分组的散点图。
Draw a scatter plot with possibility of several semantic groupings.
The relationship between `x` and `y` can be shown for different subsets of the data using the `hue`, `size`, and `style` parameters. These parameters control what visual semantics are used to identify the different subsets. It is possible to show up to three dimensions independently by using all three semantic types, but this style of plot can be hard to interpret and is often ineffective. Using redundant semantics (i.e. both `hue` and `style` for the same variable) can be helpful for making graphics more accessible.
See the [tutorial](../tutorial/relational.html#relational-tutorial) for more information.
参数:`x, y`:names of variables in `data` or vector data, optional
> Input data variables; must be numeric. Can pass data directly or reference columns in `data`.
数据的不同子集的 x 和 y 之间的关系可以用 hue, size, style 这三个参数来控制绘图属性。
这些参数控制用于识别不同子集的视觉语义信息,三种语义类型全部使用的话可以独立显示三个维度,
但是这种风格的绘图很难解释或者说没大部分时候什么效果。使用过多的语义信息
(例如:对同一个变量同时使用 hue 和 style)对作图来说是很有帮助同时也更容易理解。
`hue`:name of variables in `data` or vector data, optional
阅读下面的教程可以 get 更多信息哦。
> Grouping variable that will produce points with different colors. Can be either categorical or numeric, although color mapping will behave differently in latter case.
**参数**:
`x, y`: data 或是向量 data 里面的变量名字,可选择
> 输入数据的变量,必须是数字,可以直接传递数据或引用数据中的列
`size`:name of variables in `data` or vector data, optional
`hue`: data 或是向量 data 里面的变量名字,可选择
> 将产生不同大小的点的变量进行分组,可以是类别也可以是数字,
但是大小映射在后一种情况会有不同的表现
> Grouping variable that will produce points with different sizes. Can be either categorical or numeric, although size mapping will behave differently in latter case.
`style`:name of variables in `data` or vector data, optional
> Grouping variable that will produce points with different markers. Can have a numeric dtype but will always be treated as categorical.
`style`: data 或是向量 data 里面的变量名字,可选择
> 将产生不同标记的点的变量进行分类,可以有一个数字类型,但是这个数字会被当作类别
`data`:DataFrame
> Tidy (“long-form”) dataframe 它的每一列是一个变量,每一行是一个观测值
> Tidy (“long-form”) dataframe where each column is a variable and each row is an observation.
`palette`:palette name, list, or dict, optional
> Colors to use for the different levels of the `hue` variable. Should be something that can be interpreted by [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), or a dictionary mapping hue levels to matplotlib colors.
`hue_order`:list, optional
plaette : 调色板的名字、列表或字典,可选
> 用于不同 level 的 hue 变量的颜色,应该是可以被 color_palette() 执行的 something,
或者是一个可以对 matplotlib colors 映射 hue 级别的字典。
> Specified order for the appearance of the `hue` variable levels, otherwise they are determined from the data. Not relevant when the `hue` variable is numeric.
`hue_order`:列表,可选
> 对 hue 变量的级别的表象有特定的顺序,否则的话,顺序由 data 决定。当 hue 是数字的时候与它不相关
`hue_norm`:tuple or Normalize object, optional
`hue_norm`:元组或标准化的对象,可选
> 当 hue 变量是数字的时候,应用于 hue 变量的色彩映射的数据单元中的标准化。如果是类别则不相关
> Normalization in data units for colormap applied to the `hue` variable when it is numeric. Not relevant if it is categorical.
`sizes`:列表,字典或元组,可选
> 当使用 size 的时候,用来决定如何选择 sizes 的一个对象。可以一直是一个包含 size 数值的列表,
或者是一个映射变量 size 级别到 sizes 的字典。当 size 是数字时,sizes 可以是包含 size 最大值
和最小值的元组,其他的值都会标准化到这个元组指定的范围
`sizes`:list, dict, or tuple, optional
`size_order`:元组,可选
> size 变量级别表现的特定顺序,否则顺序由 data 决定,当 size 变量是数字时不相关
> An object that determines how sizes are chosen when `size` is used. It can always be a list of size values or a dict mapping levels of the `size` variable to sizes. When `size` is numeric, it can also be a tuple specifying the minimum and maximum size to use such that other values are normalized within this range.
`size_norm`:元组或标准化的对象,可选
> 当变量 size 是数字时,用于缩放绘图对象的数据单元中的标准化
`size_order`:list, optional
`makers`:布尔型,列表或字典,可选
> 决定如何绘制不同级别 style 的标志符号。设置为 True 会使用默认的标志符号,或者通过一系列标志
或者一个字典映射 style 变量的级别到 markers。设置为 False 会绘制无标志的线。
Markers 在 matplotlib 中指定
> Specified order for appearance of the `size` variable levels, otherwise they are determined from the data. Not relevant when the `size` variable is numeric.
`style_order`:列表,可选
> 对于 style 变量级别表象的特定顺序,否则由 data 决定,当 style 是数字时不相关
`size_norm`:tuple or Normalize object, optional
> Normalization in data units for scaling plot objects when the `size` variable is numeric.
`markers`:boolean, list, or dictionary, optional
> Object determining how to draw the markers for different levels of the `style` variable. Setting to `True` will use default markers, or you can pass a list of markers or a dictionary mapping levels of the `style` variable to markers. Setting to `False` will draw marker-less lines. Markers are specified as in matplotlib.
`style_order`:list, optional
> Specified order for appearance of the `style` variable levels otherwise they are determined from the data. Not relevant when the `style` variable is numeric.
`{x,y}_bins`:lists or arrays or functions
> _Currently non-functional._
`{x,y}_bins`: 元组,矩阵或函数
> 暂时没有什么功能
`units`:{long_form_var}
> 分组特定的样本单元。使用时,将为每个具有适当的语义的单元绘制一根单独的线,
但不会添加任何图例条目。 当不需要确切的身份时,可用于显示实验重复的分布。
目前没啥作用
> Grouping variable identifying sampling units. When used, a separate line will be drawn for each unit with appropriate semantics, but no legend entry will be added. Useful for showing distribution of experimental replicates when exact identities are not needed.
>
> _Currently non-functional._
`estimator`:name of pandas method or callable or None, optional
> Method for aggregating across multiple observations of the `y` variable at the same `x` level. If `None`, all observations will be drawn. _Currently non-functional._
`estimator`:pandas 方法的名称,或者可调用的方法或者是 None,可选
> 聚类同一个 x 上多个观察值 y,如果是 None,所有的观察值都会绘制,目前暂无功能
`ci`:int or “sd” or None, optional
`ci`:整型或 'sd' or None,可选
> 与估算器聚合时绘制的置信区间的大小。 “sd”表示绘制数据的标准偏差。 设置为 None 将跳过自举。 目前无功能。
> Size of the confidence interval to draw when aggregating with an estimator. “sd” means to draw the standard deviation of the data. Setting to `None` will skip bootstrapping. _Currently non-functional._
`n_boot`:整型,可选
> 自举法的数量,用于计算区间的置信度,暂无功能
`n_boot`:int, optional
`alpha`:浮点型
> 设置点的不透明度
> Number of bootstraps to use for computing the confidence interval. _Currently non-functional._
`{x,y}_jitter`:布尔或者浮点型
> 暂无功能
`alpha`:float
`legend`:“brief”, “full”, or False, 可选
> 绘制图例的方式。如果为“brief" 数字 hue 和 size 变量会代表一个样本,即便有不同的值
if "full", 每一个分组都有图例。if False 不绘制也不添加图例
> Proportional opacity of the points.
`ax`:matplotlib 坐标轴,可选
> 绘制图像的坐标对象,否则使用当前坐标轴
`{x,y}_jitter`:booleans or floats
`kwargs`:键值映射对
> 在绘制的时候其他的键会传递给 plt.scatter
> _Currently non-functional._
返回值:ax:matplotlib 坐标轴
> 返回绘制所需的坐标
`legend`:“brief”, “full”, or False, optional
请参阅官方文档
> How to draw the legend. If “brief”, numeric `hue` and `size` variables will be represented with a sample of evenly spaced values. If “full”, every group will get an entry in the legend. If `False`, no legend data is added and no legend is drawn.
用线显示两个变量之间的关系以强调连续性。绘制带有一个分类变量的散点图,排列点以显示值的分布。
`ax`:matplotlib Axes, optional
> Axes object to draw the plot onto, otherwise uses the current Axes.
`kwargs`:key, value mappings
> Other keyword arguments are passed down to `plt.scatter` at draw time.
返回值:`ax`:matplotlib Axes
> Returns the Axes object with the plot drawn onto it.
See also
Show the relationship between two variables connected with lines to emphasize continuity.Draw a scatter plot with one categorical variable, arranging the points to show the distribution of values.
Examples
Draw a simple scatter plot between two variables:
```py
>>> import seaborn as sns; sns.set()
>>> import matplotlib.pyplot as plt
>>> tips = sns.load_dataset("tips")