# Seaborn
> 原文:[https://www.bookbookmark.ds100.org/ch/20/ref_seaborn.html](https://www.bookbookmark.ds100.org/ch/20/ref_seaborn.html)
```
# HIDDEN
# Clear previously defined variables
%reset -f
# Set directory for data loading to work properly
import os
os.chdir(os.path.expanduser('~/notebooks/20'))
```
| 功能 | 第章 | 說明 |
| --- | --- | --- |
| [`sns.lmplot(x, y, data, fit_reg=True)`](https://seaborn.pydata.org/generated/seaborn.lmplot.html) | 數據可視化 | 從數據幀`data`創建`x`對`y`的散點圖,默認情況下覆蓋最小二乘回歸線 |
| [`sns.distplot(a, kde=True)`](https://seaborn.pydata.org/generated/seaborn.distplot.html) | Data Visualization | 創建`a`的柱狀圖,默認情況下覆蓋一個內核密度估計量 |
| [`sns.barplot(x, y, hue=None, data, ci=95)`](https://seaborn.pydata.org/generated/seaborn.barplot.html) | Data Visualization | 從數據幀`data`創建`x`對`y`的條形圖,可以選擇基于`hue`對數據進行因子分解,默認情況下繪制 95%的置信區間(可使用`ci=None`關閉)。 |
| [`sns.countplot(x, hue=None, data)`](https://seaborn.pydata.org/generated/seaborn.countplot.html) | Data Visualization | 創建一個從數據框`data`中選擇的變量`x`的值計數的條形圖,可以選擇由分類變量`hue`分解。 |
| [`sns.boxplot(x=None, y, data)`](https://seaborn.pydata.org/generated/seaborn.boxplot.html) | Data Visualization | 從數據幀`data`創建`y`的箱線圖,也可以通過分類變量`x`進行因子分解。 |
| [`sns.kdeplot(x, y=None)`](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) | Data Visualization | 如果`y=None`,則創建一個單變量密度圖`x`;如果指定了`y`,則創建一個雙變量密度圖。 |
| [`sns.jointplot(x, y, data)`](https://seaborn.pydata.org/generated/seaborn.jointplot.html) | Data Visualization | 將數據幀`data`中`x`與`y`的雙變量散射圖與軸上覆蓋的每個變量的單變量密度圖相結合。 |
| [`sns.violinplot(x=None, y, data)`](https://seaborn.pydata.org/generated/seaborn.violinplot.html) | Data Visualization | 繪制變量`y`的組合箱線圖和核密度估計量,可選擇由從數據幀`data`中選擇的分類變量`x`分解。 |
- 一、數據科學的生命周期
- 二、數據生成
- 三、處理表格數據
- 四、數據清理
- 五、探索性數據分析
- 六、數據可視化
- Web 技術
- 超文本傳輸協議
- 處理文本
- python 字符串方法
- 正則表達式
- regex 和 python
- 關系數據庫和 SQL
- 關系模型
- SQL
- SQL 連接
- 建模與估計
- 模型
- 損失函數
- 絕對損失和 Huber 損失
- 梯度下降與數值優化
- 使用程序最小化損失
- 梯度下降
- 凸性
- 隨機梯度下降法
- 概率與泛化
- 隨機變量
- 期望和方差
- 風險
- 線性模型
- 預測小費金額
- 用梯度下降擬合線性模型
- 多元線性回歸
- 最小二乘-幾何透視
- 線性回歸案例研究
- 特征工程
- 沃爾瑪數據集
- 預測冰淇淋評級
- 偏方差權衡
- 風險和損失最小化
- 模型偏差和方差
- 交叉驗證
- 正規化
- 正則化直覺
- L2 正則化:嶺回歸
- L1 正則化:LASSO 回歸
- 分類
- 概率回歸
- Logistic 模型
- Logistic 模型的損失函數
- 使用邏輯回歸
- 經驗概率分布的近似
- 擬合 Logistic 模型
- 評估 Logistic 模型
- 多類分類
- 統計推斷
- 假設檢驗和置信區間
- 置換檢驗
- 線性回歸的自舉(真系數的推斷)
- 學生化自舉
- P-HACKING
- 向量空間回顧
- 參考表
- Pandas
- Seaborn
- Matplotlib
- Scikit Learn