sns.regplot():绘图数据和线性回归模型拟合
#参数 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)
参数说明
x,y:就是x,y轴的值
data:x,y所属的df
x_estimator:将此函数应用于x的每个唯一值并绘制结果估计值。当x是离散变量时,这很有用。如果给定x_ci,则此估计值将自举并绘制置信区间
x_bins:将x分成多少段
其他的参数可以参考官网文档:https://www.cntofu.com/book/172/docs/28.md
官网例子
#使用sns自带数据集小费数据集 import seaborn as sns tips=sns.load_dataset('tips') sns.regplot(x='total_bill',y='tip',data=tips)
#使用定义为numpy数组的两个变量绘制;使用不同的颜色 import numpy as np mean,cov=[4,6],[(1.5,.7),(.7,1)] x,y=np.random.multivariate_normal(mean,cov,88).T sns=sns.regplot(x=x,y=y,color='g') #g是green
#使用pd.Series的两个变量绘制;使用不同的标记 import seaborn as sns import pandas as pd x,y=pd.Series(x,name='x_var'),pd.Series(y,name='y_var') sns.regplot(x=x, y=y, marker="+")
#使用68%的置信区间,这与估计的标准误差相对应: sns.regplot(x=x, y=y, ci=68)
#使用离散x变量绘制并添加一些抖动 sns.regplot(x='size',y='total_bill',data=tips,x_jitter=.1)
#用离散x变量绘制图,显示唯一值的平均值和置信区间 sns.regplot(x='size',y='total_bill',data=tips,x_estimator=np.mean)
#用一个连续变量划分为几个独立的区域 sns.regplot(x=x,y=y,x_bins=4)
#用log(x)拟合回归模型并截断模型预测 sns.regplot(x="size", y="total_bill", data=tips, x_estimator=np.mean, logx=True, truncate=True)