# seaborn.stripplot > 譯者：[LIJIANcoder97](https://github.com/LIJIANcoder97) ```py seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, jitter=True, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs) ``` 繪制一個散點圖，其中一個變量是分類。 條形圖可以單獨繪制，但如果您想要顯示所有觀察結果以及底層分布的某些表示，它也是一個盒子或小提琴圖的良好補充。 輸入數據可以以多種格式傳遞，包括： * 表示為列表，numpy 數組或 pandas Series 對象的數據向量直接傳遞給`x`，`y`和`hue`參數 * 在這種情況下，`x`，`y`和`hue`變量將決定數據的繪制方式。 * “wide-form” DataFrame, 用于繪制每個數字列。 * 一個數組或向量列表。 在大多數情況下，可以使用 numpy 或 Python 對象，但最好使用 pandas 對象，因為關聯的名稱將用于注釋軸。另外，您可以使用分組變量的分類類型來控制繪圖元素的順序。 此函數始終將其中一個變量視為分類，并在相關軸上的序數位置（0,1，... n）處繪制數據，即使數據具有數字或日期類型也是如此。 有關更多信息，請參閱[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。 參數：`x, y, hue`： `數據`或矢量數據中的變量名稱，可選 > 用于繪制長格式數據的輸入。查看解釋示例。 `data`：DataFrame, 數組, 數組列表, 可選 >用于繪圖的數據集。如果 `x` 和 `y` 不存在，則將其解釋為寬格式。否則預計它將是長格式的。 `order, hue_order`：字符串列表，可選 >命令繪制分類級別，否則從數據對象推斷級別。 `jitter`：float, `True`/`1` 是特殊的，可選 >要應用的抖動量（僅沿分類軸）。 當您有許多點并且它們重疊時，這可能很有用，因此更容易看到分布。您可以指定抖動量（均勻隨機變量支持的寬度的一半），或者僅使用`True`作為良好的默認值 `dodge`：bool, 可選 >使用 `hue` 嵌套時，將其設置為 `True` 將沿著分類軸分離不同色調級別的條帶。否則，每個級別的點將相互疊加。 `orient`：“v” | “h”, 可選 > 圖的方向（垂直或水平）。這通常是從輸入變量的 dtype 推斷出來的，但可用于指定“分類”變量何時是數字或何時繪制寬格式數據。 `color`：matplotlib 顏色，可選 > 所有元素的顏色，或漸變調色板的種子。 `palette`：調色板名稱，列表或字典，可選 > 用于色調變量的不同級別的顏色。應該是 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 可以解釋的東西，或者是將色調級別映射到 matplotlib 顏色的字典。 `size`：float, 可選 > 標記的直徑，以磅為單位。（雖然 `plt.scatter` 用于繪制點，但這里的 `size` 參數采用“普通”標記大小而不是大小^ 2，如 `plt.scatter` 。 `edgecolor`：matplotlib 顏色，“灰色”是特殊的，可選的 >每個點周圍線條的顏色。如果傳遞`"灰色"`，則亮度由用于點體的調色板決定。 `linewidth`：float, 可選 > 構圖元素的灰線寬度。 `ax`：matplotlib 軸，可選 > 返回 Axes 對象，并在其上繪制繪圖。 返回值：`ax`：matplotlib 軸 > 返回 Axes 對象，并在其上繪制繪圖。 也可參看 分類散點圖，其中點不重疊。可以與其他圖一起使用來顯示每個觀察結果。帶有類似 API 的傳統盒須圖。箱形圖和核密度估計的組合。 例子 繪制單個水平條形圖： ```py >>> import seaborn as sns >>> sns.set(style="whitegrid") >>> tips = sns.load_dataset("tips") >>> ax = sns.stripplot(x=tips["total_bill"]) ```  通過分類變量對條形圖進行分組： ```py >>> ax = sns.stripplot(x="day", y="total_bill", data=tips) ```  添加抖動以顯示值的分布： ```py >>> ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True) ```  使用較少量的抖動： ```py >>> ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=0.05) ```  畫水平條形圖： ```py >>> ax = sns.stripplot(x="total_bill", y="day", data=tips, ... jitter=True) ```  圍繞要點繪制輪廓： ```py >>> ax = sns.stripplot(x="total_bill", y="day", data=tips, ... jitter=True, linewidth=1) ```  將條帶嵌套在第二個分類變量中： ```py >>> ax = sns.stripplot(x="sex", y="total_bill", hue="day", ... data=tips, jitter=True) ```  在主要分類軸上的不同位置繪制 `hue` 變量的每個級別： ```py >>> ax = sns.stripplot(x="day", y="total_bill", hue="smoker", ... data=tips, jitter=True, ... palette="Set2", dodge=True) ```  通過傳遞顯式順序來控制條帶順序： ```py >>> ax = sns.stripplot(x="time", y="tip", data=tips, ... order=["Dinner", "Lunch"]) ```  繪制具有大點和不同美感的條帶： ```py >>> ax = sns.stripplot("day", "total_bill", "smoker", data=tips, ... palette="Set2", size=20, marker="D", ... edgecolor="gray", alpha=.25) ```  在箱形圖上繪制觀察條帶： ```py >>> ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf) >>> ax = sns.stripplot(x="tip", y="day", data=tips, ... jitter=True, color=".3") ```  在小提琴情節的頂部繪制觀察條帶： ```py >>> ax = sns.violinplot(x="day", y="total_bill", data=tips, ... inner=None, color=".8") >>> ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True) ```  使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 組合[`stripplot()`](#seaborn.stripplot "seaborn.stripplot")和[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")。這允許在其他分類變量中進行分組。使用[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot")比直接使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")更安全，因為它確保了跨方面的變量順序的同步 ```py >>> g = sns.catplot(x="sex", y="total_bill", ... hue="smoker", col="time", ... data=tips, kind="strip", ... jitter=True, ... height=4, aspect=.7); ```