# seaborn.regplot > 譯者：[P3n9W31](https://github.com/P3n9W31) ```py seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=False, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None) ``` 繪制數據和線性回歸模型擬合。 估算回歸模型有許多互斥的選項。查看這個[教程](http://seaborn.pydata.org/tutorial/regression.html#regression-tutorial) 來了解更多的信息。 參數：**x，y：字符串，序列（series）或者是向量數組（vector array）** > 輸入變量。 如果是字符串，應該與`data`中的列名相對應。 使用 pandas 對象時，軸將被 Series 的名字標記。 `data`：DataFrame > Tidy (“long-form”)格式的 DataFrame，其中每列為一個變量，每行為一個觀測樣本。 `x_estimator`：可調用的映射向量 ->標量，可選 > 將此函數應用于`x`的每個唯一值并繪制結果的估計值。當`x`是離散變量時，這是十分有用的。如果給出`x_ci`，則該估計將被引導并且將繪制置信區間。 `x_bins`：整數或向量，可選 > 將`x`變量加入離散區間，然后估計中心趨勢和置信區間。 此分箱僅影響散點圖的繪制方式; 回歸仍然適合原始數據。該參數被解釋為均勻大小（不必要間隔）的箱的數量或箱中心的位置。使用此參數時，它意味著`x_estimator`的默認值為`numpy.mean`。 `x_ci`："ci"，'sd'，位于 [0, 100]之間的整數或 None，可選 > 繪制“x”離散值的集中趨勢時使用的置信區間的大小。 如果為`“ci”`，遵循`ci`參數的值。 如果是“sd”，則跳過 bootstrapping 并顯示每個 bin 中觀察值的標準偏差。 `scatter`：布爾值，可選 > 如果為 `True`，則繪制帶有基礎觀測值（或`x_estimator` 值）的散點圖。 `fit_reg`：布爾值，可選 > 如果為 `True`，則估計并繪制與 `x` 和 `y` 變量相關的回歸模型。 `ci`：位于 [0, 100]之間的整數或 None，可選 > 回歸估計的置信區間的大小。這將使用回歸線周圍的半透明帶繪制。 使用自助法（bootstrap）估計置信區間; 對于大型數據集，建議通過將此參數設置為 None 來避免該計算。 `n_boot`：整數，可選 > 用于估計`ci`的自助法（bootstrap）重采樣數。 默認值試圖在時間和穩定性之間找到平衡; 你可能希望為“最終”版本的圖像增加此值。 `units`： `data`,中的變量名，可選 > 如果`x`和`y`觀察結果嵌套在采樣單元中，則可以在此處指定。在通過對所有的單元和觀察樣本（在單元內）執行重新采樣的多級自助法（multilevel bootstrap）來計算置信區間時將考慮這一點。 否則，這不會影響估計或繪制回歸的方式。 `order`：整數，可選 > 如果`order`大于 1，使用`numpy.polyfit`來估計多項式回歸。 `logistic`：布爾值，可選 > 如果為“True”，則假設`y`是二元變量并使用`statsmodels`來估計邏輯回歸模型。 請注意，這比線性回歸的計算密集程度要大得多，因此您可能希望減少引導程序重新采樣（`n_boot`）的數量或將 `ci`設置為“無”。 `lowess`：布爾值，可選 > 如果為“True”，則使用`statsmodels`來估計非參數 lowess 模型（局部加權線性回歸）。 請注意，目前無法為此類模型繪制置信區間。 `robust`：布爾值，可選 > 如果為“True”，則使用`statsmodels`來估計穩健回歸。 這將削弱異常值。 請注意，這比標準線性回歸的計算密集程度要大得多，因此您可能希望減少引導程序重新采樣（`n_boot`）的數量或將 `ci`設置為“無”。 `logx`：布爾值，可選 > 如果為 `True`，則估計形式 y~log（x）的線性回歸，但在輸入空間中繪制散點圖和回歸模型。 請注意，`x`必須為正才能正常工作。 `{x,y}_partial`： `data` 中的字符串或矩陣 > 混淆（Confounding）變量以在繪圖之前退回`x`或`y`變量。 `truncate`：布爾值，可選 > 默認情況下，繪制回歸線以在繪制散點圖后填充 x 軸限制。 如果`truncate`是`True`，它將改為受到數據本身限制的限制。 `{x,y}_jitter`：浮點數，可選 > 將此大小的均勻隨機噪聲添加到“x”或“y”變量中。 在擬合回歸之后，噪聲被添加到數據的副本中，并且僅影響散點圖的外觀。 在繪制采用離散值的變量時，這會很有用。 `label`：字符串 > 要應用于散點圖或回歸線（如果`scatter`為'False`）的標簽，以便在圖例中使用。 `color`：matplotlib 顏色 > 適用于所有繪圖元素的顏色; 將被`scatter_kws`或`line_kws`中傳遞的顏色取代。 `marker`：matplotlib 標記代碼或標記代碼列表，可選 > 散點圖的標記。 `{scatter,line}_kws`：字典 > 傳遞給`plt.scatter`和`plt.plot`的附加關鍵字參數。 `ax`：matplotlib Axes 對象，可選 > 繪制到指定軸對象，否則在當前軸對象上繪圖。 返回值：`ax`：matplotlib Axes 對象 > 包含了圖像的 Axes 對象。 也可以看看 結合 [`regplot()`](#seaborn.regplot "seaborn.regplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 來繪制數據集中的多個線性關系。 結合 [`regplot()`](#seaborn.regplot "seaborn.regplot") 和 [`JointGrid`](seaborn.JointGrid.html#seaborn.JointGrid "seaborn.JointGrid") （與`kind="reg"`一起使用時）。結合 [`regplot()`](#seaborn.regplot "seaborn.regplot") 和 [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") （當用于` kind =“reg”`）。繪制線性回歸模型的殘差。 注意 [`regplot()`](#seaborn.regplot "seaborn.regplot") 和 [`lmplot()`](seaborn.lmplot.html#seaborn.lmplot "seaborn.lmplot") 函數密切相關，但是前者是坐標軸級別的函數，而后者是結合了[`regplot()`](#seaborn.regplot "seaborn.regplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的圖像級別的函數。 通過 [`jointplot()`](seaborn.jointplot.html#seaborn.jointplot "seaborn.jointplot") 和 [`pairplot()`](seaborn.pairplot.html#seaborn.pairplot "seaborn.pairplot") 函數來組合 [`regplot()`](#seaborn.regplot "seaborn.regplot") 和 [`JointGrid`](seaborn.JointGrid.html#seaborn.JointGrid "seaborn.JointGrid") 或 [`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid") 是十分容易的，雖然這些函數不直接接受所有 [`regplot()`](#seaborn.regplot "seaborn.regplot")的參數。 例子 繪制 DataFrame 中兩個變量之間的關系： ```py >>> import seaborn as sns; sns.set(color_codes=True) >>> tips = sns.load_dataset("tips") >>> ax = sns.regplot(x="total_bill", y="tip", data=tips) ```  利用兩個定義為 numpy 數組的變量進行繪圖; 使用不同的顏色： ```py >>> import numpy as np; np.random.seed(8) >>> mean, cov = [4, 6], [(1.5, .7), (.7, 1)] >>> x, y = np.random.multivariate_normal(mean, cov, 80).T >>> ax = sns.regplot(x=x, y=y, color="g") ```  利用兩個定義為 pandas Series 的變量來進行繪圖; 使用不同的標記： ```py >>> import pandas as pd >>> x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var") >>> ax = sns.regplot(x=x, y=y, marker="+") ```  使用 68％置信區間，該區間對應于估計的標準誤差： ```py >>> ax = sns.regplot(x=x, y=y, ci=68) ```  使用離散的`x`變量進行繪圖并添加一些抖動： ```py >>> ax = sns.regplot(x="size", y="total_bill", data=tips, x_jitter=.1) ```  繪制一個離散的`x`變量，顯示唯一值的均值和置信區間： ```py >>> ax = sns.regplot(x="size", y="total_bill", data=tips, ... x_estimator=np.mean) ```  將連續的變量劃分為分離的區間并進行繪圖： ```py >>> ax = sns.regplot(x=x, y=y, x_bins=4) ```  擬合高階多項式回歸并截斷模型預測： ```py >>> ans = sns.load_dataset("anscombe") >>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"], ... scatter_kws={"s": 80}, ... order=2, ci=None, truncate=True) ```  擬合穩健回歸并且不繪制置信區間： ```py >>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "III"], ... scatter_kws={"s": 80}, ... robust=True, ci=None) ```  對數據運用邏輯回歸; 抖動 y 變量并使用較少的 bootstrap 迭代： ```py >>> tips["big_tip"] = (tips.tip / tips.total_bill) > .175 >>> ax = sns.regplot(x="total_bill", y="big_tip", data=tips, ... logistic=True, n_boot=500, y_jitter=.03) ```  使用 log(x) 擬合回歸模型并截斷模型預測： ```py >>> ax = sns.regplot(x="size", y="total_bill", data=tips, ... x_estimator=np.mean, logx=True, truncate=True) ```