# seaborn.pairplot > 譯者：[cancan233](https://github.com/cancan233) ```py seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None, height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None) ``` 繪制數據集中的成對關系 默認情況下，此函數將創建一個 Axes 網絡，以便`data`中的每個變量將在 y 軸上共享一行，并在 x 軸上共享一列。對角軸的處理方式并不同，以此繪制一個圖表來顯示該列中變量的數據的單變量分布。 還可以顯示變量的子集或在行和列上繪制不同的變量。 這是[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")的高級界面，旨在簡化一些常見的樣式。如果你需要更多的靈活性，你應該直接使用[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")。 參數：`data`：數據框架 > 整潔（長形式）數據框，其中每列是變量，每行是觀察量。 `hue`：字符串（變量名），可選。 > `data`中的變量將繪圖方面映射到不同的顏色。 `hue_order`：字符串列表。 > 命令調色板中的色調變量的級別。 `palette`：字典或 seaborn 調色板。 > 用于映射`hue`變量的顏色集。如果是字典，關鍵字應該是`hue`變量中的值。 `vars`：變量名列表，可選。 > 要使用的`data`中的變量，否則每一列使用數字的數據類型。 `{x, y}_vars`：變量名列表，可選。 > `data`中的變量分別用于圖的行和列；即制作非方形圖。 `kind`：{‘scatter’, ‘reg’}, 可選。 > 一種非等同關系的圖類型 `diag_kind`：{‘auto’, ‘hist’, ‘kde’}, 可選 > 對角線子圖的一種圖形。默認值取決于是否使用`hue`。 `markers`：單個 matplotlit 標記代碼或列表，可選 > 要么是用于所有數據點的標記，要么是長度和色調變量中的級別數相同的標記列表，這樣不同顏色的點也會有不同的散點圖標記。 `height`：標量，可選。 > 每個刻面的高度（以英寸為單位） `aspect`：標量，可選。 > Aspect\*height 給出每個刻面的寬度（以英寸為單位） `dropna`：布爾值，可選。 > 在繪圖之前刪除數據中的缺失值。 `{plot, diag, grid}_kws`：字典，可選。 > 關鍵字參數的字典。 返回值：`grid`：PairGrid > 返回底層的`PairGrid`實例以進一步調整。 也可以看看 子圖網絡可以更靈活地繪制成對關系。 范例 繪制聯合關系地散點圖和單變量分布的直方圖： ```py >>> import seaborn as sns; sns.set(style="ticks", color_codes=True) >>> iris = sns.load_dataset("iris") >>> g = sns.pairplot(iris) ```  通過繪圖元素的顏色顯示分類變量的不同級別： ```py >>> g = sns.pairplot(iris, hue="species") ```  使用不同的調色板： ```py >>> g = sns.pairplot(iris, hue="species", palette="husl") ```  為`hue`變量的每個級別使用不同的標記： ```py >>> g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"]) ```  繪制變量的子集： ```py >>> g = sns.pairplot(iris, vars=["sepal_width", "sepal_length"]) ```  繪制更大的圖： ```py >>> g = sns.pairplot(iris, height=3, ... vars=["sepal_width", "sepal_length"]) ```  在行和列中繪制不同的變量： ```py >>> g = sns.pairplot(iris, ... x_vars=["sepal_width", "sepal_length"], ... y_vars=["petal_width", "petal_length"]) ```  對單變量圖使用核密度估計： ```py >>> g = sns.pairplot(iris, diag_kind="kde") ```  將線性回歸模型擬合到散點圖： ```py >>> g = sns.pairplot(iris, kind="reg") ```  將關鍵字參數傳遞給底層函數（直接使用[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")可能更容易） ```py >>> g = sns.pairplot(iris, diag_kind="kde", markers="+", ... plot_kws=dict(s=50, edgecolor="b", linewidth=1), ... diag_kws=dict(shade=True)) ```