### seaborn.scatterplot

```python
seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None, palette=None, hue_order=None, hue_norm=None, sizes=None, size_order=None, size_norm=None, markers=True, style_order=None, x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000, alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)
```
绘制几个语义分组的散点图。

数据的不同子集的x和y之间的关系可以用hue, size, style这三个参数来控制绘图属性。
这些参数控制用于识别不同子集的视觉语义信息，三种语义类型全部使用的话可以独立显示三个维度，
但是这种风格的绘图很难解释或者说没大部分时候什么效果。使用过多的语义信息
（例如：对同一个变量同时使用hue和style)对作图来说是很有帮助同时也更容易理解。

阅读下面的教程可以get更多信息哦。

**参数**:
 
x ,y: data或是向量data里面的变量名字，可选择
>* 输入数据的变量，必须是数字，可以直接传递数据或引用数据中的列

hue:  data或是向量data里面的变量名字，可选择
>* 将产生不同大小的点的变量进行分组，可以是类别也可以是数字，
但是大小映射在后一种情况会有不同的表现

style:  data或是向量data里面的变量名字，可选择
>* 将产生不同标记的点的变量进行分类，可以有一个数字类型，但是这个数字会被当作类别

data: DataFrame
>* Tidy (“long-form”) dataframe 它的每一列是一个变量，每一行是一个观测值

plaette : 调色板的名字、列表或字典，可选
>* 用于不同level的hue变量的颜色，应该是可以被 color_palette() 执行的something，
或者是一个可以对matplotlib colors映射hue级别的字典。

hue_order: 列表，可选
>* 对hue变量的级别的表象有特定的顺序，否则的话，顺序由data决定。当hue是数字的时候与它不相关

hue_norm: 元组或标准化的对象，可选
>* 当hue变量是数字的时候，应用于hue变量的色彩映射的数据单元中的标准化。如果是类别则不相关

sizes: 列表，字典或元组，可选
>* 当使用size的时候，用来决定如何选择sizes的一个对象。可以一直是一个包含size数值的列表，
或者是一个映射变量size级别到sizes的字典。当size是数字时，sizes可以是包含size最大值
和最小值的元组，其他的值都会标准化到这个元组指定的范围

size_order: 元组，可选
>* size变量级别表现的特定顺序，否则顺序由data决定，当size变量是数字时不相关

size_norm：元组或标准化的对象，可选
>* 当变量size是数字时，用于缩放绘图对象的数据单元中的标准化

makers: 布尔型，列表或字典，可选
>* 决定如何绘制不同级别style的标志符号。设置为True会使用默认的标志符号，或者通过一系列标志
或者一个字典映射style变量的级别到markers。设置为False会绘制无标志的线。
Markers在matplotlib中指定

style_order: 列表，可选
>* 对于style变量级别表象的特定顺序，否则由data决定，当style是数字时不相关

{x,y}_bins: 元组，矩阵或函数
>* 暂时没有什么功能

units: {long_form_var}
>* 分组特定的样本单元。使用时，将为每个具有适当的语义的单元绘制一根单独的线，
但不会添加任何图例条目。 当不需要确切的身份时，可用于显示实验重复的分布。
目前没啥作用

estimator: pandas方法的名称，或者可调用的方法或者是None，可选
>* 聚类同一个x上多个观察值y，如果是None，所有的观察值都会绘制，目前暂无功能

ci: 整型或 'sd' or None,可选
>* 与估算器聚合时绘制的置信区间的大小。 “sd”表示绘制数据的标准偏差。 设置为None将跳过自举。 目前无功能。

n_boot: 整型，可选
>* 自举法的数量，用于计算区间的置信度，暂无功能

alpha: 浮点型
>* 设置点的不透明度

{x,y}_jitter：布尔或者浮点型
>* 暂无功能

legend：“brief”, “full”, or False, 可选
>* 绘制图例的方式。如果为“brief" 数字hue和size变量会代表一个样本，即便有不同的值
if "full", 每一个分组都有图例。if False 不绘制也不添加图例

ax: matplotlib坐标轴，可选
>* 绘制图像的坐标对象，否则使用当前坐标轴

kwargs：键值映射对
>* 在绘制的时候其他的键会传递给plt.scatter

返回值：ax：matplotlib 坐标轴
>* 返回绘制所需的坐标

请参阅官方文档

用线显示两个变量之间的关系以强调连续性。绘制带有一个分类变量的散点图，排列点以显示值的分布。

例子

绘制一个两个变量的简单散点图：
```python
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
ax = sns.scatterplot(x='total_bill',y='tip',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard1.png)

通过其他的变量分组并且用不同的颜色展示分组
```python
ax = sns.scatterplot(x='total_bill',y='tip',hue='time',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard2.png)

通过不同的颜色和标记显示分组变量：
```python
ax = sns.scatterplot(x='total_bill',y='tip',
                     hue='time',style='time',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard3.png)

不同的颜色和标志显示两个不同的分组变量：
```python
ax = sns.scatterplot(x='total_bill',y='tip',
                     hue='day',style='time',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard4.png)

用不同大小的点显示一个变量的数量：
```python
ax = sns.scatterplot(x='total_bill',y='tip', size='size',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard5.png)

使用渐变的颜色显示变量的数量：
```python
ax = sns.scatterplot(x='total_bill',y='tip',
                     hue='size', size='size',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard6.png)

用一个不一样的渐变颜色映射：
```python
cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True)
ax = sns.scatterplot(x='total_bill',y='tip',
                     hue='size', size='size',palette=cmap,data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard7.png)

改变点大小的最小值和最大值并在图例中显示所有的尺寸：
```python
cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True)
ax = sns.scatterplot(x='total_bill',y='tip',
                     hue='size',size='size', sizes=(20,200),legend='full',palette=cmap,data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard8.png)

使用一个更小的颜色强度范围：
```python
cmap = sns.cubehelix_palette(dark=.3,light=.8,as_cmap=True)
ax = sns.scatterplot(x='total_bill',y='tip',hue='size',size='size',
                     sizes=(20,200),hue_norm=(0,7), legend='full',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard9.png)

一个类别变量不同的大小，用不同的颜色：
```python
ax = sns.scatterplot(x='total_bill',y='tip',hue='day',size='smoker',
                     palette='Set2',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard10.png)

使用一些特定的标识：
```python
markers = {'Lunch':'s','Dinner':'X'}
ax = sns.scatterplot(x='total_bill',y='tip',style='time',
                     markers=markers,data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard11.png)

使用matplotlib的参数控制绘制属性：
```python
ax = sns.scatterplot(x='total_bill',y='tip',
                     s=100,color='.2',marker='+',data=tips)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard12.png)

使用data向量代替data frame名字：
```python
iris = sns.load_dataset('iris')
ax = sns.scatterplot(x=iris.sepal_length,y=iris.sepal_width,
                     hue = iris.species,style=iris.species)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard13.png)

传递宽格式数据并根据其索引进行绘图:
```python
import numpy as np, pandas as pd; plt.close("all")
index = pd.date_range('1 1 2000',periods=100,freq='m',name='date')
data = np.random.randn(100,4).cumsum(axis=0)
wide_df = pd.DataFrame(data,index,['a','b','c','d'])
print(wide_df.head())
ax = sns.scatterplot(data=wide_df)
```
![](https://raw.githubusercontent.com/leijuzi/img_seaborn_11/master/img_11/clipboard14.png)