本篇文章可以看作是上篇文章的延续，对于想美化自己图表的小伙伴可以看看
进行研究时，选择图像模式一般很容易，说实话：向团队或客户传达图像模式有时要困难得多。不仅很难用外行术语解释某些图像模式（尝试向非数学家解释一个数学符号），而且有时，您还需要试图表示对各种模式需要依赖的条件……怎么说呢？
图表对于我们研究人员至关重要，因此我们需要它们能够很好地传达我们的意思。如果没有这些，我们的知识和发现所承担的责任要轻得多，但图表仍然具有最佳的视觉效果，所以我们需要确保图表可以尽可能地传达我们的发现。
在下面，我将讨论Seaborn以及为什么我相对于其他第三方库更喜欢它。我还将给出我经常使用的3张图表。
为什么选择Seaborn
令人惊讶的是，流行的Python图表库很少而且功能相差甚远，因为很难进行一刀切的设置：认为Matplotlib旨在反映Matlab输出和ggplot，与R语言中的绘图方式相似。
关于为什么我更喜欢Seaborn而不是其他第三方库的原因：
- Seaborn与Matplotlib比需要少得多的代码就可以生成类似的高质量输出
- Chartifys的视觉效果不是很好（Spotify-有点太笨拙了）。
- ggplot似乎不是Python固有的，所以感觉我一直在努力使它对我有用。
- Plotly有一个“社区版本”，这让我对这部分未来是否许可有一定担忧，因此我通常会远离这些内容。从设计角度和功能上来说，它实际上是相当不错的，并且提供了广泛的产品组合，但是，它并没有比Seaborn好多少。
最重要的是，研究人员通常需要花费大量时间来绘制分布图，如果不能轻松地绘制分布图，则您的绘制程序包实际上是多余的。Seaborn绘制直方图很方便，而KDE与其他软件包确实很难做到（Plotly例外）。
最后，Seaborn涵盖了所有设计方面的内容，这使您（研究人员）有更多的时间进行研究。Matplotlib的视觉效果很不好，Chartify太难以使用，我都不太喜欢。
单变量分布图
如果您发现了一个随机变量，其分布有一定规律，那么Seaborn的调度功能将非常有用。通过显示以下内容有助于传达图片特征：
- 直方图形式的基础分布
- 顶部附近有一个近似功能，可以提供平滑的图像
网格线和清晰的字体颜色（漂亮的半透明的蓝色）可提供简单有效的服务！
图1：随机单变量分布
联合分布
在这里，我们尝试传达更多更复杂的动态信息。我们有两个我们认为应该关联的变量，但是如何可视化这种关系呢？
图表两个侧面分布非常适合从视觉上观察边缘分布，而面积图非常适合识别密度较大的区域。
图2：两个随机变量的联合分布
我在研究和文章中都使用了这种图，因为它使我能够将单变量动力学（带有内核图）和联合动力学保持在我的思想和观察的最前沿：所有这些都在传达我所经历的思考。在分层讨论方面非常有用，我强烈建议您使用。
箱形图和晶须图
分布图的问题在于，它们常常会被异常值扭曲，除非您知道这些异常值存在并且进行处理。
箱形图得到了广泛的使用，它是一种显示可靠的指标的有效方法，例如中位数和四分位数范围，它们对于异常值（由于其较高的分解点）具有更大的弹性，
Seaborn的箱形图实施方式看起来很棒，因为它可以突出显示多个维度来传达一个相当复杂的指标，同时，其视觉效果也足以适合学术期刊。此外，Seaborn还出色地完成了提高代码效率的工作，从而使研究人员不必花时间来使代码可读。
图4：箱形图和晶须图
同时识别和讨论多种功能和模式对于您的研究成功至关重要，因此，我强烈建议您使用此图表。同时，您需要确保将图表定位到您的受众群体！
在上面的文章中，我广泛讨论了为什么对我来说Seaborn是最好的绘图程序包，并给出了我使用的3个图表示例。我坚信以一种容易理解的方式传达信息：文字越少越好！坚持才是关键！
这些图表使您轻松地做到这一点，因此，如果您是视觉研究员，或者如果您喜欢看全局，那么Seaborn就适合您。
再次感谢，如果您有任何疑问，请告诉我！
代码
以下代码段是用于创建上面很棒的图表的简单代码段！
图0：子图
import seaborn as sns df = sns.load_dataset(“iris”) sns.pairplot(df, hue=”species”)
图1：单变量分布
x = np.random.normal(size=100) sns.distplot(x);
图2：联合分布
mean, cov = [0, 1], [(1, .5), (.5, 1)] data = np.random.multivariate_normal(mean, cov, 200) df = pd.DataFrame(data, columns=["x", "y"]) sns.jointplot(x="x", y="y", data=df, kind="kde");
图3：多变量联合分布
iris = sns.load_dataset('iris') g = sns.PairGrid(iris) g.map_diag(sns.kdeplot) g.map_offdiag(sns.kdeplot, n_levels=6);
图4：箱形图和晶须图
import seaborn as sns import matplotlib.pyplot as pltsns.set(style="ticks")# Initialize the figure with a logarithmic x axis f, ax = plt.subplots(figsize=(7, 6)) ax.set_xscale("log")# Load the example planets dataset planets = sns.load_dataset("planets")# Plot the orbital period with horizontal boxes sns.boxplot(x="distance", y="method", data=planets,whis="range", palette="vlag")# Add in points to show each observation sns.swarmplot(x="distance", y="method", data=planets,size=2, color=".3", linewidth=0)# Tweak the visual presentation ax.xaxis.grid(True) ax.set(ylabel="") sns.despine(trim=True, left=True)
