fix: 跳转链接

docs/1.md

@@ -6,14 +6,14 @@ Seaborn 是一个基于 [matplotlib](https://matplotlib.org/) 且数据结构与
 
 这里列出了一些 seaborn 的功能：
 
-* 计算[多变量](examples/faceted_lineplot.html#faceted-lineplot)间[关系](examples/scatter_bubbles.html#scatter-bubbles)的面向数据集接口
-* 可视化类别变量的[观测](examples/jitter_stripplot.html#jitter-stripplot)与[统计](examples/pointplot_anova.html#pointplot-anova)
-* 可视化[单变量](examples/distplot_options.html#distplot-options)或[多变量](examples/joint_kde.html#joint-kde)分布并与其子数据集[比较](examples/horizontal_boxplot.html#horizontal-boxplot)
-* 控制[线性回归](examples/anscombes_quartet.html#anscombes-quartet)的不同[因变量](examples/logistic_regression.html#logistic-regression)并进行参数估计与作图
-* 对复杂数据进行易行的整体[结构](examples/scatterplot_matrix.html#scatterplot-matrix)可视化
-* 对[多表统计图](examples/faceted_histogram.html#faceted-histogram)的制作高度抽象并简化可视化过程
-* 提供多个内建[主题](tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
-* 提供[调色板](tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
+* 计算[多变量](http://seaborn.pydata.org/examples/faceted_lineplot.html#faceted-lineplot)间[关系](http://seaborn.pydata.org/examples/scatter_bubbles.html#scatter-bubbles)的面向数据集接口
+* 可视化类别变量的[观测](http://seaborn.pydata.org/examples/jitter_stripplot.html#jitter-stripplot)与[统计](http://seaborn.pydata.org/examples/pointplot_anova.html#pointplot-anova)
+* 可视化[单变量](http://seaborn.pydata.org/examples/distplot_options.html#distplot-options)或[多变量](http://seaborn.pydata.org/examples/joint_kde.html#joint-kde)分布并与其子数据集[比较](http://seaborn.pydata.org/examples/horizontal_boxplot.html#horizontal-boxplot)
+* 控制[线性回归](http://seaborn.pydata.org/examples/anscombes_quartet.html#anscombes-quartet)的不同[因变量](http://seaborn.pydata.org/examples/logistic_regression.html#logistic-regression)并进行参数估计与作图
+* 对复杂数据进行易行的整体[结构](http://seaborn.pydata.org/examples/scatterplot_matrix.html#scatterplot-matrix)可视化
+* 对[多表统计图](http://seaborn.pydata.org/examples/faceted_histogram.html#faceted-histogram)的制作高度抽象并简化可视化过程
+* 提供多个内建[主题]http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial)渲染 matplotlib 的图像样式
+* 提供[调色板]http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial)工具生动再现数据
 
 Seaborn 框架旨在以数据可视化为中心来挖掘与理解数据。它提供的面向数据集制图函数主要是对行列索引和数组的操作，包含对整个数据集进行内部的语义映射与统计整合，以此生成富于信息的图表。
 
@@ -49,7 +49,7 @@ sns.set()
 
 ```
 
-这里改变了 [matplotlib rcParam 系统](https://matplotlib.org/users/customizing.html) 所以会影响所有 matplotlib 图像的显示，即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题，我们提供一些[其他选项](tutorial/aesthetics.html#aesthetics-tutorial)，你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中（例如，在演讲投影中使用一个拥有可阅读字体的图表）。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式，你可以跳过这一部分，只使用 seaborn 提供的制图函数。
+这里改变了 [matplotlib rcParam 系统](https://matplotlib.org/users/customizing.html) 所以会影响所有 matplotlib 图像的显示，即使你没有显式的调用 seaborn 修改这些参数。除了缺省的主题，我们提供一些[其他选项]http://seaborn.pydata.org/tutorial/aesthetics.html#aesthetics-tutorial)，你可以独立的控制图片风格与尺寸来将他们迅速应用到演讲当中（例如，在演讲投影中使用一个拥有可阅读字体的图表）。如果你倾向于使用默认 matplotlib 主题或者其他的内置样式，你可以跳过这一部分，只使用 seaborn 提供的制图函数。
 
 1.  装载数据集
 
@@ -225,7 +225,7 @@ sns.relplot(x="total_bill", y="tip", col="time",
 
 ![http://seaborn.pydata.org/_images/introduction_31_0.png](img/4263c8446521fa44bcb4c6f2bdec4bad.jpg)
 
-如果要仅针对图像设计，所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射，比如颜色。（对颜色的恰当选择在数据可视化中非常关键，seaborn 提供了[附加支持](tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用）。
+如果要仅针对图像设计，所有的 seaborn 函数都接受一系列的可选参数来改变默认的语义映射，比如颜色。（对颜色的恰当选择在数据可视化中非常关键，seaborn 提供了[附加支持]http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial) 来引导调色板的使用）。
 
 最后，当 seaborn 的函数与 matploblib 函数具有显然一致性时（例如 [`scatterplot()`](generated/seaborn.scatterplot.html#seaborn.scatterplot "seaborn.scatterplot") 和 `plt.scatter`），多余的参数会被直接传给 matploblib 层：
 
@@ -313,4 +313,4 @@ fmri.head()
 
 ## 下一步
 
-继续往下看，你有多个选择。比如你可能想去[安装 seaborn](installing.html#installing)。然后你可以看看[制图样例](examples/index.html#example-gallery)来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读[官方教程](tutorial.html#tutorial)来深入了解你所需要的工具。你也可以查看附带样例的[接口参考](api.html#api-ref)来实现你不同的想法。
+继续往下看，你有多个选择。比如你可能想去[安装 seaborn](installing.html#installing)。然后你可以看看[制图样例](http://seaborn.pydata.org/examples/index.html#example-gallery)来了解 seaborn 到底可以绘制什么样的图。或者你可以阅读[官方教程](tutorial.html#tutorial)来深入了解你所需要的工具。你也可以查看附带样例的[接口参考](api.html#api-ref)来实现你不同的想法。

docs/10.md

@@ -16,7 +16,7 @@ seaborn.relplot(x=None, y=None, hue=None, size=None, style=None, data=None, row=
 
 对于数据不同子集的`x`与`y`的绘制关系可以通过`hue`, `size`以及`style`参数控制。这些参数控制使用哪些视觉语义来区分不同的子集。使用所有三个语义类型可以独立展示三个维度，但是这种方式得到的绘制结果难以被理解而且低效。使用多种语义（例如对相同变量同时使用`hue`及`style`）可以使图像更加易懂。
 
-参考[tutorial](../tutorial/relational.html#relational-tutorial)获得更多信息。
+参考[tutorial](http://seaborn.pydata.org/tutorial/relational.html#relational-tutorial)获得更多信息。
 
 绘制后，会返回带有图像的[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")，随后可以直接进行图像细节调节或者加入其他图层。
 

docs/12.md

@@ -10,7 +10,7 @@ seaborn.lineplot(x=None, y=None, hue=None, size=None, style=None, data=None, pal
 
 `x`和`y`之间的关系可以使用`hue`，`size`和`style`参数为数据的不同子集显示。这些参数控制用于识别不同子集的视觉语义。通过使用所有三种语义类型，可以独立地显示三个维度，但是这种画图样式可能难以解释并且通常是无效的。使用冗余语义（即同一变量的`hue`和`style`）有助于使图形更易于理解。
 
-请查看[指南](../tutorial/relational.html#relational-tutoria)获取更多信息。
+请查看[指南](http://seaborn.pydata.org/tutorial/relational.html#relational-tutoria)获取更多信息。
 
 默认情况下，图标在每个`x`值处汇总多个`y`值，并显示集中趋势的估计值和该估计值的置信区间。
 

docs/13.md

@@ -35,7 +35,7 @@ seaborn.catplot 是一个将分类图绘制到 FacetGrid 上图级别接口。
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置（0,1，... n）处绘制数据，即使数据具有数字或日期类型。
 
-有关更多信息，请参考 [tutorial](../tutorial/categorical.html#categorical-tutorial)。
+有关更多信息，请参考 [tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 绘图后，返回带有绘图的 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")，可以直接用于调整绘图细节或添加其他图层。
 

docs/14.md

@@ -21,7 +21,7 @@ seaborn.stripplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置（0,1，... n）处绘制数据，即使数据具有数字或日期类型也是如此。
 
-有关更多信息，请参阅[教程](../tutorial/categorical.html#categorical-tutorial)。
+有关更多信息，请参阅[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`： `数据`或矢量数据中的变量名称，可选
 

docs/15.md

@@ -24,7 +24,7 @@ seaborn.swarmplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置（0,1，... n）处绘制数据，即使数据具有数字或日期类型也是如此
 
-有关更多信息，请参阅[教程](../tutorial/categorical.html#categorical-tutorial)。
+有关更多信息，请参阅[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`数据`或矢量数据中的变量名称，可选
 

docs/16.md

@@ -21,7 +21,7 @@ seaborn.boxplot 接口的作用是绘制箱形图以展现与类别相关的数
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [教程](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`数据`或向量数据中的变量名称，可选
 

docs/17.md

@@ -23,7 +23,7 @@ seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=No
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [tutorial](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`数据`或向量数据中的变量名称，可选
 

docs/18.md

@@ -23,7 +23,7 @@ seaborn.boxenplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [教程](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`data`或向量数据中的变量名称，可选
 

docs/19.md

@@ -25,7 +25,7 @@ seaborn.pointplot(x=None, y=None, hue=None, data=None, order=None, hue_order=Non
 
 此函数始终将其中一个变量视为分类，并在相关轴上的序数位置(0,1，... n)处绘制数据，即使数据属于数值类型或日期类型也是如此。
 
-更多信息请参阅 [教程](../tutorial/categorical.html#categorical-tutorial)。
+更多信息请参阅 [教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`data`或向量数据中的变量名称，可选
 

docs/20.md

@@ -25,7 +25,7 @@ seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None,
 
 这个函数始终把一个变量当做分类变量，即使这个数据是数值类型或者日期类型，并且按照序数顺序绘制在相关的轴上。
 
-详情请看[教程](../tutorial/categorical.html#categorical-tutorial)。
+详情请看[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。
 
 参数：`x, y, hue`：`data` 中的变量名词或者向量, optional
 

docs/21.md

@@ -21,7 +21,7 @@ seaborn.countplot 使用条形图显示每个类别中观测值的数量。
 
 这个函数总会将变量作为类别变量进行处理，按顺序(0, 1, ... n)在相应坐标轴绘制数据，即使数据为数值或者日期类型。
 
-更多信息参考[tutorial](../tutorial/categorical.html#categorical-tutorial). 
+更多信息参考[tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial). 
 
 参数：`x, y, hue`: `data`或者向量数据中的变量名，可选
 

docs/27.md

@@ -12,7 +12,7 @@ seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=
 
 在考虑如何将变量分配到不同方面时，一般规则是使用 `hue` 进行最重要的比较，然后使用  `col`  和  `row `。 但是，请始终考虑您的特定数据集以及您正在创建的可视化目标。
 
-估算回归模型有许多互斥的选项。 有关详细信息，请参阅 [tutorial](../tutorial/regression.html#regression-tutorial) 。
+估算回归模型有许多互斥的选项。 有关详细信息，请参阅 [tutorial](http://seaborn.pydata.org/tutorial/regression.html#regression-tutorial) 。
 
 此函数的参数涵盖了 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")中的大多数选项，尽管这样，偶尔还是会出现您需要直接使用该类和 [`regplot()`](seaborn.regplot.html#seaborn.regplot "seaborn.regplot") 的情况。
 

docs/28.md

@@ -8,7 +8,7 @@ seaborn.regplot(x, y, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatt
 
 绘制数据和线性回归模型拟合。
 
-估算回归模型有许多互斥的选项。查看这个[教程](../tutorial/regression.html#regression-tutorial) 来了解更多的信息。
+估算回归模型有许多互斥的选项。查看这个[教程](http://seaborn.pydata.org/tutorial/regression.html#regression-tutorial) 来了解更多的信息。
 
 参数：**x，y：字符串，序列（series）或者是向量数组（vector array）**
 

docs/32.md

@@ -22,7 +22,7 @@ __init__(data, row=None, col=None, hue=None, col_wrap=None, sharex=True, sharey=
 
 基本工作流程是使用数据集和用于构造网格的变量初始化 FacetGrid 对象。然后，通过调用[`FacetGrid.map()`](seaborn.FacetGrid.map.html#seaborn.FacetGrid.map "seaborn.FacetGrid.map")或[`FacetGrid.map_dataframe()`](seaborn.FacetGrid.map_dataframe.html#seaborn.FacetGrid.map_dataframe "seaborn.FacetGrid.map_dataframe")，可以将一个或多个绘图函数应用于每个子集。最后，可以使用其他方法调整绘图，以执行更改轴标签、使用不同刻度或添加图例等操作。有关详细信息，请参阅下面的详细代码示例。
 
-更多相关信息请参阅[`教程`](../tutorial/axis_grids.html#grid-tutorial)。
+更多相关信息请参阅[`教程`](http://seaborn.pydata.org/tutorial/axis_grids.html#grid-tutorial)。
 
 参数：`data`：DataFrame 数据。
 

docs/35.md

@@ -12,7 +12,7 @@ class seaborn.PairGrid(data, hue=None, hue_order=None, palette=None, hue_kws=Non
 
 它还可以通过`hue`参数用不同颜色绘制不同的数据子集来表示附加级别的条件化。这使用颜色来解析第三维的元素，但只是在彼此之上绘制子集，并且不会像接受`hue`的轴级函数那样为特定可视化定制`hue`参数。
 
-参考[教程](../tutorial/axis_grids.html#grid-tutorial)获取更多信息。
+参考[教程](http://seaborn.pydata.org/tutorial/axis_grids.html#grid-tutorial)获取更多信息。
 
 ```py
 __init__(data, hue=None, hue_order=None, palette=None, hue_kws=None, vars=None, x_vars=None, y_vars=None, diag_sharey=True, height=2.5, aspect=1, despine=True, dropna=True, size=None)

docs/54.md

@@ -26,7 +26,7 @@ matplotlib 调色板的顺序可以通过在调色板名称后添加 “_r”
 
 可以在 `with` 语句中使用此函数来为一个或多个点临时改变调色板。
 
-参考这篇 [教程](../tutorial/color_palettes.html#palette-tutorial) 来获取更多信息。
+参考这篇 [教程](http://seaborn.pydata.org/tutorial/color_palettes.html#palette-tutorial) 来获取更多信息。
 
 参数：**palette：None, string, or sequence, optional**