为了绘制一个数据集中二元变量的分布，可以使用jointplot()，这个函数能够产生一个多面板的图像，在图像上包括两个变量之间的关系，在单独的坐标中还绘制出了各个变量的分布。

    绘制分布图的函数用法如下：

    1. seaborn.jointplot(x, y, data=None, kind='scatter', 
    2.                   stat_func=<function pearsonr>, 
    3.                   color=None, size=6, ratio=5, 
    4.                   space=0.2, dropna=True, xlim=None, 
    5.                   ylim=None, joint_kws=None, 
    6.                   marginal_kws=None,
    7.                   annot_kws=None, **kwargs)

    （1）特殊参数：
    kind : 图类型，值为{ “scatter” | “reg” | “resid” | “kde” | “hex” }之一，分别对应为散点图、回归图、残差图、核密度估计、六角图。
    （2）基本参数
    (1)
    color : 颜色。参数类型： matplotlib 颜色
    (2)
    size : 图的尺度大小（正方形），默认为 6。参数类型：数值型。
    (3)
    ratio : 中心图与侧边图的比例，越大、中心图占比越大。参数类型：数值型。
    (4)
    space : 中心图与侧边图的间隔大小。参数类型：数值型。
    (5) s：散点的大小（只针对散点图scatter），参数类型：数值型。
    (6) linewidth：散点边缘线的宽度（只针对散点图scatter），参数类型：数值型。
    (7) edgecolor：散点的边界颜色，默认无色，可以重叠（只针对散点图scatter），参数类型：matplotlib 颜色。
    (8) {x, y}lim：x、y轴的范围。参数类型：二元组
    (9) {joint, marginal, annot}_kws：中心图、侧边图与统计注释的信息。例如：joint_kws=dict(s=80,edgecolor=’g’), marginal_kws=dict(bins=15,rug=True,color=’g’), annot_kws=dict(stat=’r’,fontsize=15)。
    plot()是Matplotlib画图的最主要方法，Series和DataFrame都有plot方法。plot()默认生成是曲线图，可以通过kind参数生成其它的图形，可选的值为：line、bar、 barh、kde、scatter、等。对于坐标类数据，可以用散点图来查看它们的分布趋势和是否有离群点的存在。
    使用Matplotlib库的plot()方法做散点图，数据为萼片的长和宽

    1. import pandas as pd                      # 导入pandas库
    2. import warnings                          # 载入当前版本seaborn库时会有警告出现，先载入warnings，忽略警告
    3. import seaborn as sns                    # 导入seaborn库
    4. import matplotlib.pyplot as plt    # 导入matplotlib库
    6. warnings.filterwarnings("ignore")         # 忽略警告
    7. sns.set(style="white", color_codes=True)  # 确定主题为white
    8. iris = pd.read_csv("iris.csv")            # 读取csv数据并转为Pandas的 DataFrame格式
    10. iris.plot(kind="scatter", 
    11.           x="SepalLengthCm", y="SepalWidthCm")
    12. plt.show()

    image.png

    利用matplotlib作散点图

    使用seaborn库的FacetGrid()方法做分类散点图，可以将不同分类数据点用不同颜色进行标注，数据为萼片的长和宽。

    1. import pandas as pd                      # 导入pandas库
    2. import warnings                          # 载入当前版本seaborn库时会有警告出现，先载入warnings，忽略警告
    3. import seaborn as sns                    # 导入seaborn库
    4. import matplotlib.pyplot as plt    # 导入matplotlib库
    6. warnings.filterwarnings("ignore")         # 忽略警告
    7. sns.set(style="white", color_codes=True)  # 确定主题为white
    8. iris = pd.read_csv("iris.csv")            # 读取csv数据并转为Pandas的 DataFrame格式
    10. sns.FacetGrid(iris, hue="Species", size=5).map(plt.scatter,
    11.                                                "SepalLengthCm",
    12.                                                "SepalWidthCm").add_legend()
    13. plt.show()

    Figure_1.png
    用seaborn做分类散点图

    使用seaborn库的jointplot ()方法做散点图，数据为萼片的长和宽。
    Figure_2.pngFigure_3.png
    seaborn库的jointplot ()方法做散点图

    使用seaborn库的jointplot ()方法做回归图和六角图（如图10.40所示），数据为萼片的长和宽。

    1. import pandas as pd                      # 导入pandas库
    2. import warnings                          # 载入当前版本seaborn库时会有警告出现，先载入warnings，忽略警告
    3. import seaborn as sns                    # 导入seaborn库
    4. import matplotlib.pyplot as plt    # 导入matplotlib库
    6. warnings.filterwarnings("ignore")         # 忽略警告
    7. sns.set(style="white", color_codes=True)  # 确定主题为white
    8. iris = pd.read_csv("iris.csv")            # 读取csv数据并转为Pandas的 DataFrame格式
    10. sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", 
    11.               data=iris, size=5, kind="reg") #回归图
    12. plt.show()
    13. sns.jointplot("SepalLengthCm", y="SepalWidthCm", 
    14.               data=iris, size=5, kind="hex")  #六角图
    15. plt.show()

    Figure_4.pngFigure_5.png
    回归图和六角图

    使用Seaborn库的jointplot ()方法做KDE 图和散点图+KDE 图，数据为萼片的长和宽

    1. import pandas as pd                      # 导入pandas库
    2. import warnings                          # 载入当前版本seaborn库时会有警告出现，先载入warnings，忽略警告
    3. import seaborn as sns                    # 导入seaborn库
    4. import matplotlib.pyplot as plt    # 导入matplotlib库
    6. warnings.filterwarnings("ignore")         # 忽略警告
    7. sns.set(style="white", color_codes=True)  # 确定主题为white
    8. iris = pd.read_csv("iris.csv")            # 读取csv数据并转为Pandas的 DataFrame格式
    10. sns.jointplot("SepalLengthCm", y="SepalWidthCm", 
    11.               data=iris, size=5, kind="kde")
    12. plt.show()
    13. sns.jointplot("SepalLengthCm", y="SepalWidthCm", 
    14.               data=iris, size=5).plot_joint(sns.kdeplot, zorder=0, n_levels=6)
    15. plt.show()

    Figure_6.pngFigure_7.png
    KDE 图和散点图+KDE 图