### seaborn.scatterplot > 譯者：[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) ``` 繪制幾個語義分組的散點圖。 數據的不同子集的 x 和 y 之間的關系可以用 hue, size, style 這三個參數來控制繪圖屬性。 這些參數控制用于識別不同子集的視覺語義信息，三種語義類型全部使用的話可以獨立顯示三個維度， 但是這種風格的繪圖很難解釋或者說沒大部分時候什么效果。使用過多的語義信息 （例如：對同一個變量同時使用 hue 和 style)對作圖來說是很有幫助同時也更容易理解。 閱讀下面的教程可以 get 更多信息哦。 **參數**: `x, y`: data 或是向量 data 里面的變量名字，可選擇 > 輸入數據的變量，必須是數字，可以直接傳遞數據或引用數據中的列 `hue`： data 或是向量 data 里面的變量名字，可選擇 > 將產生不同大小的點的變量進行分組，可以是類別也可以是數字， 但是大小映射在后一種情況會有不同的表現 `style`： data 或是向量 data 里面的變量名字，可選擇 > 將產生不同標記的點的變量進行分類，可以有一個數字類型，但是這個數字會被當作類別 `data`：DataFrame > Tidy (“long-form”) dataframe 它的每一列是一個變量，每一行是一個觀測值 plaette : 調色板的名字、列表或字典，可選 > 用于不同 level 的 hue 變量的顏色，應該是可以被 color_palette() 執行的 something， 或者是一個可以對 matplotlib colors 映射 hue 級別的字典。 `hue_order`：列表，可選 > 對 hue 變量的級別的表象有特定的順序，否則的話，順序由 data 決定。當 hue 是數字的時候與它不相關 `hue_norm`：元組或標準化的對象，可選 > 當 hue 變量是數字的時候，應用于 hue 變量的色彩映射的數據單元中的標準化。如果是類別則不相關 `sizes`：列表，字典或元組，可選 > 當使用 size 的時候，用來決定如何選擇 sizes 的一個對象。可以一直是一個包含 size 數值的列表， 或者是一個映射變量 size 級別到 sizes 的字典。當 size 是數字時，sizes 可以是包含 size 最大值 和最小值的元組，其他的值都會標準化到這個元組指定的范圍 `size_order`：元組，可選 > size 變量級別表現的特定順序，否則順序由 data 決定，當 size 變量是數字時不相關 `size_norm`：元組或標準化的對象，可選 > 當變量 size 是數字時，用于縮放繪圖對象的數據單元中的標準化 `makers`：布爾型，列表或字典，可選 > 決定如何繪制不同級別 style 的標志符號。設置為 True 會使用默認的標志符號，或者通過一系列標志 或者一個字典映射 style 變量的級別到 markers。設置為 False 會繪制無標志的線。 Markers 在 matplotlib 中指定 `style_order`：列表，可選 > 對于 style 變量級別表象的特定順序，否則由 data 決定，當 style 是數字時不相關 `{x,y}_bins`: 元組，矩陣或函數 > 暫時沒有什么功能 `units`：{long_form_var} > 分組特定的樣本單元。使用時，將為每個具有適當的語義的單元繪制一根單獨的線， 但不會添加任何圖例條目。 當不需要確切的身份時，可用于顯示實驗重復的分布。 目前沒啥作用 `estimator`：pandas 方法的名稱，或者可調用的方法或者是 None，可選 > 聚類同一個 x 上多個觀察值 y，如果是 None，所有的觀察值都會繪制，目前暫無功能 `ci`：整型或 'sd' or None,可選 > 與估算器聚合時繪制的置信區間的大小。 “sd”表示繪制數據的標準偏差。 設置為 None 將跳過自舉。 目前無功能。 `n_boot`：整型，可選 > 自舉法的數量，用于計算區間的置信度，暫無功能 `alpha`：浮點型 > 設置點的不透明度 `{x,y}_jitter`：布爾或者浮點型 > 暫無功能 `legend`：“brief”, “full”, or False, 可選 > 繪制圖例的方式。如果為“brief" 數字 hue 和 size 變量會代表一個樣本，即便有不同的值 if "full", 每一個分組都有圖例。if False 不繪制也不添加圖例 `ax`：matplotlib 坐標軸，可選 > 繪制圖像的坐標對象，否則使用當前坐標軸 `kwargs`：鍵值映射對 > 在繪制的時候其他的鍵會傳遞給 plt.scatter 返回值：ax：matplotlib 坐標軸 > 返回繪制所需的坐標 請參閱官方文檔 用線顯示兩個變量之間的關系以強調連續性。繪制帶有一個分類變量的散點圖，排列點以顯示值的分布。 例子 繪制一個兩個變量的簡單散點圖： ```python import seaborn as sns; sns.set() import matplotlib.pyplot as plt tips = sns.load_dataset('tips') ax = sns.scatterplot(x='total_bill',y='tip',data=tips) ```  通過其他的變量分組并且用不同的顏色展示分組 ```python ax = sns.scatterplot(x='total_bill',y='tip',hue='time',data=tips) ```  通過不同的顏色和標記顯示分組變量： ```python ax = sns.scatterplot(x='total_bill',y='tip', hue='time',style='time',data=tips) ```  不同的顏色和標志顯示兩個不同的分組變量： ```python ax = sns.scatterplot(x='total_bill',y='tip', hue='day',style='time',data=tips) ```  用不同大小的點顯示一個變量的數量： ```python ax = sns.scatterplot(x='total_bill',y='tip', size='size',data=tips) ```  使用漸變的顏色顯示變量的數量： ```python ax = sns.scatterplot(x='total_bill',y='tip', hue='size', size='size',data=tips) ```  用一個不一樣的漸變顏色映射： ```python cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True) ax = sns.scatterplot(x='total_bill',y='tip', hue='size', size='size',palette=cmap,data=tips) ```  改變點大小的最小值和最大值并在圖例中顯示所有的尺寸： ```python cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True) ax = sns.scatterplot(x='total_bill',y='tip', hue='size',size='size', sizes=(20,200),legend='full',palette=cmap,data=tips) ```  使用一個更小的顏色強度范圍： ```python cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True) ax = sns.scatterplot(x='total_bill',y='tip',hue='size',size='size', sizes=(20,200),hue_norm=(0,7), legend='full',data=tips) ```  一個類別變量不同的大小，用不同的顏色： ```python ax = sns.scatterplot(x='total_bill',y='tip',hue='day',size='smoker', palette='Set2',data=tips) ```  使用一些特定的標識： ```python markers = {'Lunch':'s','Dinner':'X'} ax = sns.scatterplot(x='total_bill',y='tip',style='time', markers=markers,data=tips) ```  使用 matplotlib 的參數控制繪制屬性： ```python ax = sns.scatterplot(x='total_bill',y='tip', s=100,color='.2',marker='+',data=tips) ```  使用 data 向量代替 data frame 名字： ```python iris = sns.load_dataset('iris') ax = sns.scatterplot(x=iris.sepal_length,y=iris.sepal_width, hue = iris.species,style=iris.species) ```  傳遞寬格式數據并根據其索引進行繪圖: ```python import numpy as np, pandas as pd; plt.close("all") index = pd.date_range('1 1 2000',periods=100,freq='m',name='date') data = np.random.randn(100,4).cumsum(axis=0) wide_df = pd.DataFrame(data,index,['a','b','c','d']) print(wide_df.head()) ax = sns.scatterplot(data=wide_df) ```