# seaborn.pointplot
> 譯者：[FindNorthStar](https://github.com/FindNorthStar)
```py
seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, markers='o', linestyles='-', dodge=False, join=True, scale=1, orient=None, color=None, palette=None, errwidth=None, capsize=None, ax=None, **kwargs)
```
通過繪制散點連線顯示數據點的估計值和置信區間。
點圖代表散點圖位置的數值變量的中心趨勢估計，并使用誤差線提供關于該估計的不確定性的一些指示。
點圖比條形圖在聚焦一個或多個分類變量的不同級別之間的比較時更為有用。點圖尤其善于表現交互作用：一個分類變量的層次之間的關系如何在第二個分類變量的層次之間變化。連接來自相同 `色調` 等級的每個點的線允許交互作用通過斜率的差異進行判斷，這使得更容易對幾組數據點或數據線的高度進行比較。
重要的一點是點圖僅顯示平均值（或其他估計值），但在許多情況下，顯示分類變量的每個級別的值的分布可能會帶有更多信息。在這種情況下，其他繪圖方法，例如箱型圖或小提琴圖可能更合適。
輸入數據可以通過多種格式傳入，包括：
* 格式為列表，numpy 數組或 pandas Series 對象的數據向量可以直接傳遞給`x`，`y`和`hue`參數。
* 對于長格式的 DataFrame，`x`，`y`，和`hue`參數會決定如何繪制數據。
* 對于寬格式的 DataFrame，每一列數值列都會被繪制。
* 一個數組或向量的列表。
在大多數情況下，可以使用 numpy 或 Python 對象，但更推薦使用 pandas 對象，因為與數據關聯的列名/行名可以用于標注橫軸/縱軸的名稱。此外，您可以使用分類類型對變量進行分組以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，即使數據屬于數值類型或日期類型也是如此。
更多信息請參閱 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
參數：`x, y, hue`：`data`或向量數據中的變量名稱，可選
> 用于繪制長格式數據的輸入。查看樣例以進一步理解。
`data`：DataFrame，數組，數組列表，可選
> 于繪圖的數據集。如果`x`和`y`都缺失，那么數據將被視為寬格式。否則數據被視為長格式。
`order, hue_order`：字符串列表，可選
> 控制繪圖的方向（垂直或水平）。這通常是從輸入變量的 dtype 推斷出來的，但是當“分類”變量為數值型或繪制寬格式數據時可用于指定繪圖的方向。
`estimator`：調用函數實現向量 -> 標量的映射，可選
> 在每個分箱內進行估計的統計函數。
`ci`：float 或 “sd” 或 None，可選
> 在估計值附近繪制置信區間的尺寸大小。如果是“sd”，則跳過引導階段并繪制觀察數據點的標準差。如果為 `None`，則不會執行引導過程，并且不會繪制誤差塊。
`n_boot`：int，可選
> 計算置信區間時使用的引導迭代次數。
`units`：`data` 或 vector data 中變量的名稱，可選
> 采樣單元的標識符，用于執行多級引導過程（計算置信區間等）并能夠處理重復測量的設定。
`markers`：字符串或字符串列表，可選
> 用于每個`hue`色調的級別的標記。
`linestyles`：字符串或字符串列表，可選
> 用于每個`hue`色調的級別的線條風格。
`dodge`：bool 或 float，可選
> 用于沿著分類軸分離`hue`變量的每個級別數據點的數量。
`join`：bool，可選
> 如果為`True`，則在`hue`級別相同的點估計值之間繪制線條。
`scale`：float，可選
> 繪圖元素的比例因子。
`orient`：“v” | “h”，可選
> 控制繪圖的方向（垂直或水平）。這通常是從輸入變量的 dtype 推斷出來的，但是當“分類”變量為數值型或繪制寬格式數據時可用于指定繪圖的方向。
`color`：matplotlib 顏色，可選
> 所有元素的顏色，或漸變調色板的種子顏色。
`palette`：調色板名稱，列表或字典，可選
> 用于`hue`變量的不同級別的顏色。可以從 [`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette") 得到一些解釋，或者將色調級別映射到 matplotlib 顏色的字典。
`errwidth`：float，可選
> 誤差線（和上下限指示線）的厚度。
`capsize`：float，可選
> 誤差線“上下限指示線”的寬度。
`ax`：matplotlib 軸，可選
> 繪圖時使用的 Axes 軸對象，否則使用當前 Axes 軸對象。
返回值：`ax`：matplotlib 軸
> 返回 Axes 對軸象，并在其上繪制繪圖。
亦可參見
使用線條顯示數據點的估計值和置信區間。將分類類別的繪圖與該類結合使用：<cite>FacetGrid</cite>。
示例
繪制一組按分類變量分組的縱向點圖：
```py
>>> import seaborn as sns
>>> sns.set(style="darkgrid")
>>> tips = sns.load_dataset("tips")
>>> ax = sns.pointplot(x="time", y="total_bill", data=tips)
```
通過兩個嵌套分組的變量繪制一組縱向的點圖：
```py
>>> ax = sns.pointplot(x="time", y="total_bill", hue="smoker",
... data=tips)
```
沿著分類軸分離不同色調級別的點：
```py
>>> ax = sns.pointplot(x="time", y="total_bill", hue="smoker",
... data=tips, dodge=True)
```
根據色調級別使用不同的標記和線條樣式：
```py
>>> ax = sns.pointplot(x="time", y="total_bill", hue="smoker",
... data=tips,
... markers=["o", "x"],
... linestyles=["-", "--"])
```
繪制一組橫向的點圖：
```py
>>> ax = sns.pointplot(x="tip", y="day", data=tips)
```
不要繪制每個點的連接線：
```py
>>> ax = sns.pointplot(x="tip", y="day", data=tips, join=False)
```
對單層圖使用不同的顏色：
```py
>>> ax = sns.pointplot("time", y="total_bill", data=tips,
... color="#bb3f3f")
```
為數據點使用不同的調色板：
```py
>>> ax = sns.pointplot(x="time", y="total_bill", hue="smoker",
... data=tips, palette="Set2")
```
通過顯式傳入參數指定順序控制點的顯示順序：
```py
>>> ax = sns.pointplot(x="time", y="tip", data=tips,
... order=["Dinner", "Lunch"])
```
用中位數作為集中趨勢的估計：
```py
>>> from numpy import median
>>> ax = sns.pointplot(x="day", y="tip", data=tips, estimator=median)
```
用誤差線顯示均值的標準誤差：
```py
>>> ax = sns.pointplot(x="day", y="tip", data=tips, ci=68)
```
顯示觀測值的標準偏差而不是置信區間：
```py
>>> ax = sns.pointplot(x="day", y="tip", data=tips, ci="sd")
```
將“上下限指示線”增加到誤差線的頂部和底部：
```py
>>> ax = sns.pointplot(x="day", y="tip", data=tips, capsize=.2)
```
將 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 與 [`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot") 以及 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")結合使用。這允許您通過額外的分類變量進行分組。使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 比直接使用 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 更為安全，因為它保證了不同切面上變量同步的順序：
```py
>>> g = sns.catplot(x="sex", y="total_bill",
... hue="smoker", col="time",
... data=tips, kind="point",
... dodge=True,
... height=4, aspect=.7);
```
- seaborn 0.9 中文文檔
- Seaborn 簡介
- 安裝和入門
- 可視化統計關系
- 可視化分類數據
- 可視化數據集的分布
- 線性關系可視化
- 構建結構化多圖網格
- 控制圖像的美學樣式
- 選擇調色板
- seaborn.relplot
- seaborn.scatterplot
- seaborn.lineplot
- seaborn.catplot
- seaborn.stripplot
- seaborn.swarmplot
- seaborn.boxplot
- seaborn.violinplot
- seaborn.boxenplot
- seaborn.pointplot
- seaborn.barplot
- seaborn.countplot
- seaborn.jointplot
- seaborn.pairplot
- seaborn.distplot
- seaborn.kdeplot
- seaborn.rugplot
- seaborn.lmplot
- seaborn.regplot
- seaborn.residplot
- seaborn.heatmap
- seaborn.clustermap
- seaborn.FacetGrid
- seaborn.FacetGrid.map
- seaborn.FacetGrid.map_dataframe
- seaborn.PairGrid
- seaborn.PairGrid.map
- seaborn.PairGrid.map_diag
- seaborn.PairGrid.map_offdiag
- seaborn.PairGrid.map_lower
- seaborn.PairGrid.map_upper
- seaborn.JointGrid
- seaborn.JointGrid.plot
- seaborn.JointGrid.plot_joint
- seaborn.JointGrid.plot_marginals
- seaborn.set
- seaborn.axes_style
- seaborn.set_style
- seaborn.plotting_context
- seaborn.set_context
- seaborn.set_color_codes
- seaborn.reset_defaults
- seaborn.reset_orig
- seaborn.set_palette
- seaborn.color_palette
- seaborn.husl_palette
- seaborn.hls_palette
- seaborn.cubehelix_palette
- seaborn.dark_palette
- seaborn.light_palette
- seaborn.diverging_palette
- seaborn.blend_palette
- seaborn.xkcd_palette
- seaborn.crayon_palette
- seaborn.mpl_palette
- seaborn.choose_colorbrewer_palette
- seaborn.choose_cubehelix_palette
- seaborn.choose_light_palette
- seaborn.choose_dark_palette
- seaborn.choose_diverging_palette
- seaborn.load_dataset
- seaborn.despine
- seaborn.desaturate
- seaborn.saturate
- seaborn.set_hls_values