# seaborn.swarmplot > 譯者：[LIJIANcoder97](https://github.com/LIJIANcoder97) ```py seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, dodge=False, orient=None, color=None, palette=None, size=5, edgecolor='gray', linewidth=0, ax=None, **kwargs) ``` 繪制具有非重疊點的分類散點圖。 此功能類似于 [`stripplot()`](seaborn.stripplot.html#seaborn.stripplot "seaborn.stripplot"),，但調整點（僅沿分類軸），以便它們不重疊。 這樣可以更好地表示值的分布，但不能很好地擴展到大量觀察值。這種情節有時被稱為“詛咒” 一個群體圖可以單獨繪制，但如果你想要顯示所有觀察結果以及底層分布的一些表示，它也是一個盒子或小提琴圖的良好補充。 正確排列點需要在數據和點坐標之間進行精確轉換。這意味著必須在繪制繪圖之前設置非默認軸限制。 輸入數據可以以多種格式傳遞，包括： * 表示為列表，numpy arrays 或 pandas Series objects 直接傳遞給`x`，`y`和/或`hue`參數。 * “長格式” DataFrame, `x`，`y`和`hue`變量將決定數據的繪制方式 * “寬格式”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。此外，您可以使用分類類型來分組變量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, array, or 或數組列表, 可選 > 用于繪圖的數據集。 如果 `x` 和 `y` 是不存在的, 會被解釋成 wide-form. 否則會被解釋成 long-form. `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。 `dodge`：布爾，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，每個級別的點將繪制在一個群中。 `orient`：“v” &#124; “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 color, 可選 > 所有元素的顏色，或漸變調色板的種子。 `palette`：調色板名稱, list, or dict, 可選 > 用于`hue`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，以點為單位。 (盡管`plt.scatter`用于繪制點，但此處的`size`參數采用“普通”標記大小而不是大小^ 2，如`plt.scatter`。 `edgecolor`：matplotlib color, “灰色”是特殊的，可選 > 每個點周圍線條的顏色。如果傳遞`"gray"`，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 Axes, 可選 > Axes 對象將繪圖繪制到，否則使用當前軸。 返回值：`ax`：matplotlib Axes > 返回 Axes 對象，并在其上繪制繪圖。 參看 帶有類似 API 的傳統盒須圖。框圖和核密度估計的組合。散點圖，其中一個變量是分類的。可以與其他圖一起使用以顯示每個觀察結果。使用類組合分類圖：<cite>FacetGrid</cite>。 例 繪制單個水平群圖： ```py >>> import seaborn as sns >>> sns.set(style="whitegrid") >>> tips = sns.load_dataset("tips") >>> ax = sns.swarmplot(x=tips["total_bill"]) ```  通過分類變量對群組進行分組： ```py >>> ax = sns.swarmplot(x="day", y="total_bill", data=tips) ```  繪制水平群： ```py >>> ax = sns.swarmplot(x="total_bill", y="day", data=tips) ```  使用第二個分類變量為點著色： ```py >>> ax = sns.swarmplot(x="day", y="total_bill", hue="sex", data=tips) ```  沿著分類軸拆分 `hue` 變量的每個級別： ```py >>> ax = sns.swarmplot(x="day", y="total_bill", hue="smoker", ... data=tips, palette="Set2", dodge=True) ```  通過傳遞顯式順序來控制 swarm 順序： ```py >>> ax = sns.swarmplot(x="time", y="tip", data=tips, ... order=["Dinner", "Lunch"]) ```  繪制使用更大的點 ```py >>> ax = sns.swarmplot(x="time", y="tip", data=tips, size=6) ```  在箱形圖上繪制大量觀察結果： ```py >>> ax = sns.boxplot(x="tip", y="day", data=tips, whis=np.inf) >>> ax = sns.swarmplot(x="tip", y="day", data=tips, color=".2") ```  在小提琴圖的頂部畫出大量的觀察結果： ```py >>> ax = sns.violinplot(x="day", y="total_bill", data=tips, inner=None) >>> ax = sns.swarmplot(x="day", y="total_bill", data=tips, ... color="white", edgecolor="gray") ```  使用[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 去組合 [`swarmplot()`](#seaborn.swarmplot "seaborn.swarmplot") 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 facet 的變量順序的同步 ```py >>> g = sns.catplot(x="sex", y="total_bill", ... hue="smoker", col="time", ... data=tips, kind="swarm", ... height=4, aspect=.7); ```