當(dāng)探索具有中等數(shù)量（不多不少的意思……）維度的數(shù)據(jù)集時，一個很好的方式是基于不同的子數(shù)據(jù)集構(gòu)建不同的實例，并將它們以網(wǎng)格的方式組織在一張圖之中。這種技術(shù)有時被稱為“l(fā)attice”或“trellis”（大概是格子圖、網(wǎng)格圖），這跟“small multiples”的概念類似（多張更小的子圖）。它能幫助我們快速從復(fù)雜的數(shù)據(jù)中提取大量信息。matplotlib對于創(chuàng)建帶有多個坐標(biāo)軸（每個坐標(biāo)軸體系意味著一張子圖）的圖形有著良好的支持，seaborn基于這些來直接地將圖形的排布結(jié)構(gòu)與數(shù)據(jù)集的結(jié)構(gòu)聯(lián)結(jié)起來。
要利用這些特性，我們的數(shù)據(jù)集應(yīng)該保存在一個pandas DataFrame中，并且應(yīng)該是Hadley Whickam口中的“tidy data”格式。簡短來說，就是我們的dataframe對象中，每一行是一個觀測樣本，每一列是一個變量。
對于一些更高級的應(yīng)用來說，我們可以直接使用這篇教程中討論的一些對象來獲得最大的靈活性。一些seaborn函數(shù)（如lmplot()/catplot()/pairplot()）也隱式地使用了這些對象。很多seaborn函數(shù)是坐標(biāo)軸級別的，它們僅僅針對某個特定的matplotlib Axes來繪圖，而不會修改圖形的屬性；而在這篇教程中即將討論到的這些方法是更高級別的函數(shù)，在被調(diào)用時，它們會創(chuàng)建一個新的圖形，而且一般情況下對于創(chuàng)建過程更加嚴(yán)格。在某些案例中，這些函數(shù)和他們依賴的類所需要輸入的參數(shù)依賴于不同的接口屬性，比如在lmplot()中我們通過設(shè)置高度和寬高比（height和aspect）來控制每個子圖（facet）的大小，而非直接指定整個圖形的大小。這些函數(shù)在調(diào)用后都會返回這個圖形對象，而且大多數(shù)對象都提供了非常方便的方法來改變繪圖的方式，這些方法往往更加抽象和簡單。
當(dāng)我們想要基于不同的數(shù)據(jù)子集來展示某個變量的分布或者多個變量之間的關(guān)系時，F(xiàn)acetGrid類會提供很大的幫助。一個FacetGrid圖可以從三個維度來構(gòu)建：row、col和hue。前兩個與它返回的坐標(biāo)軸數(shù)組有著之間的關(guān)聯(lián)；我們可以把hue變量理解為第三個維度，就像長、寬和高一樣，只不過在這里我們是用不同的顏色來體現(xiàn)它的。
在使用FacetGrid時，我們會通過一個pandas DataFrame以及控制圖形網(wǎng)格的行、列和顏色的變量名稱來初始化一個對象。這些維度變量（控制行、列和顏色的變量）應(yīng)該是分類變量或者離散變量，然后這些變量的不同水平組合起來就構(gòu)成了整個圖形的每一個子圖（facet，在這里可以理解為我們維度拆解的最小粒度）。比如說我們想要檢驗一下tips數(shù)據(jù)集中午餐和晚餐的差異。
另外，relplot()/catplot()/lmplot()內(nèi)置了FacetGrid對象，繪圖完成后他們都會返回這個對象，這樣我們就可以進行更多的調(diào)整。
傳入數(shù)據(jù)和維度變量名稱會初始化一個網(wǎng)格，其中生成了基于matplotlib的圖形和坐標(biāo)軸，但是不會在這些坐標(biāo)軸中畫任何東西（因為我們還沒告訴它們畫什么）。
在這些網(wǎng)格中畫圖的主要方式是使用FacetGrid.map()方法。我們需要告訴它使用哪個繪圖函數(shù)以及使用哪些（哪個）變量。我們用直方圖來看下兩個數(shù)據(jù)子集中小費的分布情況：
這一函數(shù)的目標(biāo)是一步到位地提供一幅完整的成品圖，它在完成繪圖后還會對每個坐標(biāo)軸添加注釋。想要生成一個戰(zhàn)士變量關(guān)系的圖，只需要傳遞更多的變量名稱進去。我們還可以提供關(guān)鍵字參數(shù)，它會將他們傳遞給繪圖函數(shù)：
有很多選項可以傳遞給FacetGrid的構(gòu)造函數(shù)，用以控制網(wǎng)格的樣式：
需要注意的是，margin_title參數(shù)并沒有被matplotlib API提供正式支持，在某些案例中或許并不可用。比如說當(dāng)圖外邊有圖例時，它是不可用的。
圖的大小是通過每張子圖的高度和寬高比來控制的：
它默認會從DataFrame中推導(dǎo)分類的順序。如果用來控制某個方面(facet：維度/軸/角度，看哪個概念能幫助你理解它，你就用哪個名字)的變量是分類變量，那么分類變量的順序就會被使用。否則，seaborn會使用這些分類在數(shù)據(jù)集中出現(xiàn)的先后順序。當(dāng)然，我們完全可以通過*_order參數(shù)直接指定某個維度變量的順序：
我們可以指定某個seaborn調(diào)色板，也可以通過字典將hue變量中的每個分類與其對應(yīng)的matplotlib顏色傳遞給函數(shù)（這樣就可以隨心所以使用大量的matplotlib支持的色彩）：
我們還可以控制hue變量的不同水平展示出來的其他樣式（方面），這些在黑白色調(diào)下（比如黑白印刷圖）對于提高圖形的可讀性尤其有用。我們需要將一個字典傳遞給hue_kws參數(shù)，在這個字典中，key（字典的鍵）是繪圖函數(shù)的關(guān)鍵字參數(shù)名稱；而value（字典的值）則是一個列表，用于存儲關(guān)鍵字參數(shù)的取值，其中每個取值對應(yīng)了hue變量的一個水平。
如果某個維度變量（用于col/row/hue參數(shù)的變量，之后不再說明）具有非常多的水平（level：取值），我們可以把它們分布到不同的列，然后把它們“折疊”到不同的行中。當(dāng)我們使用這種操作時，我們不能設(shè)置row變量。
當(dāng)我們已經(jīng)使用FacetGrid.map()完成了繪圖，我們可能還想對圖形的某些方面做些調(diào)整。FacetGrid支持很多在更高層級調(diào)整圖形的方法，最常用的是FacetGrid.set()，還有一些更加具體的方法比如FacetGrid.set_axis_labels()，如圖：
想要做更多定制的話，我們可以直接操作更底層的Figure和Axes對象，它們存儲在FacetGrid.fig和FacetGrid.axes中，其中，F(xiàn)acetGrid.axes是一個二維數(shù)組。假如我們沒有指定行和列，那么我們也可以直接使用FacetGrid.ax來操作那個唯一的坐標(biāo)軸：
使用FacetGrid時，我們并非只能使用現(xiàn)成的matplotlib和seaborn繪圖函數(shù)。不過，如果想要正常工作，我們的自定義函數(shù)需要滿足一下規(guī)則：
我們來看一個符合最低條件的例子，這個繪圖函數(shù)僅接受一組來自某個分類（子數(shù)據(jù)集）的向量型數(shù)據(jù)：
如果我們想要繪制一個二元圖，我們需要讓函數(shù)接受兩組數(shù)據(jù)，且x軸對應(yīng)的數(shù)據(jù)在前邊，y軸對應(yīng)的數(shù)據(jù)在后邊：
由于plt.scatter可以接受關(guān)鍵字參數(shù)color和label并且能正確處理它們，所以我們可以毫不費力地增加一個hue參數(shù)（因為它的原理就是給不同的分類數(shù)據(jù)傳入不同的顏色參數(shù)）：
我們還可以通過關(guān)鍵字參數(shù)控制額外的美學(xué)設(shè)計來區(qū)分hue變量的不同水平：
當(dāng)然，有時我們完全不想處理color和label。這種情況下我們需要顯式地接受他們，然后用自己的邏輯去處理他們。比如下邊這個使用plt.hexbin的例子，在與FacetGridAPI搭配的過程中。如果我們沒有手動調(diào)整顏色處理方式的話，它們的表現(xiàn)會不太好：
PairGrid也支持我們以同樣的方式快速繪制多個子圖。在PairGrid中，每行每列都被分配給一個不同的變量，所以最后生成的圖片可以展示數(shù)據(jù)集中所有的成對關(guān)系。這種風(fēng)格的圖形有時被稱作“散點圖矩陣”，因為散點圖是表現(xiàn)兩兩關(guān)系最常用的方法。不過PairGrid并不會僅僅局限于散點圖。
了解FacetGrid和PairGrid之間的區(qū)別非常重要。在FacetGrid中，每張圖表現(xiàn)的都是同樣的變量關(guān)系，只是每張圖對應(yīng)著不同的數(shù)據(jù)子集，數(shù)據(jù)子集的劃分是由我們指定的維度變量決定的（col、row和hue），這些變量相互交叉后產(chǎn)生一系列最小粒度的數(shù)據(jù)子集，每個子集就對應(yīng)了一張子圖，也就是說，不管是多少行、多少列還是多少顏色，它們都對應(yīng)著這些維度變量的取值（水平）。而在PairGrid中，每張子圖都代表了不同的兩個變量間的關(guān)系（當(dāng)然，上三角和下三角會有鏡像的關(guān)系，因為它們相當(dāng)于互換了x軸和y軸）。PairGrid可以對于我們數(shù)據(jù)集中的變量關(guān)系提供一個非?？焖?、整體（不深入）的總結(jié)。
它的基本使用方法與FacetGrid非常類似。首先我們初始化一個網(wǎng)格，然后把繪圖函數(shù)傳遞給map方法，它會將我們的繪圖函數(shù)在所有的子圖中調(diào)用。與PairGrid對應(yīng)的函數(shù)是pairplot()，它失去了一些靈活性，但是讓我們的繪圖更加快捷。
我們可以在對角線上用不同的函數(shù)來展示單變量的分布情況。不過需要注意的是，軸上的刻度與分桶計數(shù)或者密度沒有關(guān)系（因為我們已經(jīng)用軸刻度去展示數(shù)據(jù)的取值了）。
在這種圖中，我們常常會對屬于不同分類的樣本標(biāo)記上不同的顏色。比如，iris數(shù)據(jù)集中有三種不同的鳶尾花，其中每個樣本都有4個特征，因此我們可以看下它們的區(qū)別在哪里。
默認情況下，數(shù)據(jù)集中所有的數(shù)值型變量都會被使用，不過我們也可以僅選用特定的列：
我們也可以分別在上三角和下三角中使用不同的函數(shù)，用以強調(diào)關(guān)系的不同角度。
事實上，這種對稱的方形網(wǎng)格矩陣只是一個特例，我們可以在行和列上分別使用不同的變量。
當(dāng)然，設(shè)計（美學(xué)）屬性都是可以配置的。比如，我們可以使用不同的調(diào)色板、可以給繪圖函數(shù)傳遞關(guān)鍵字參數(shù)。
PairGrid很靈活，但是想要快速觀察數(shù)據(jù)特點的話，使用pairplot()更容易。這個函數(shù)默認使用散點圖和直方圖，但是也支持一些其他類型（現(xiàn)在我們還可以在非對角位置上畫回歸圖、在對角位置上畫KDE圖），未來還會支持更多。
在pairplot()中我們也可以通過關(guān)鍵字參數(shù)調(diào)整設(shè)計風(fēng)格（美學(xué)），并且它會返回一個PairGrid對象用于更多的調(diào)整。
聯(lián)系客服
