lmplot 是一种集合基础绘图与基于数据建立回归模型的绘图方法。旨在创建一个方便拟合数据集回归模型的绘图方法，利用'hue'、'col'、'row'参数来控制绘图变量。
同时可以使用模型参数来调节需要拟合的模型：order、logistic、lowess、robust、logx。
seaborn.lmplot(x, y, data, hue=None, col=None, row=None, palette=None, col_wrap=None, size=5, aspect=1, markers='o', sharex=True, sharey=True, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=True, 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, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None)
Common Parameters:
hue, col, row : strings #定义数据子集的变量，并在不同的图像子集中绘制
Variables that define subsets of the data, which will be drawn on separate facets in the grid. See the *_order parameters to control the order of levels of this variable.
size : scalar, optional #定义子图的高度
Height (in inches) of each facet. See also: aspect.
markers : matplotlib marker code or list of marker codes, optional #定义散点的图标
Markers for the scatterplot. If a list, each marker in the list will be used for each level of the hue variable.
col_wrap : int, optional #设置每行子图数量
“Wrap” the column variable at this width, so that the column facets span multiple rows. Incompatible with a row facet.
order : int, optional #多项式回归，设定指数
If order is greater than 1, use numpy.polyfit to estimate a polynomial regression.
logistic : bool, optional #逻辑回归
If True, assume that y is a binary variable and use statsmodels to estimate a logistic regression model. Note that this is substantially more computationally intensive than linear regression, so you may wish to decrease the number of bootstrap resamples (n_boot) or set ci to None.
logx : bool, optional #转化为 log(x)
If True, estimate a linear regression of the form y ~ log(x), but plot the scatterplot and regression model in the input space. Note that x must be positive for this to work.
Senior Example Ⅰ for Practice
import seaborn as sns
sns.set_style("whitegrid")
tips = sns.
load_dataset("tips")
#载入自带数据集#研究小费tips与总消费金额total_bill在吸烟与不吸烟人之间的关系
g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips,palette="Set1")
通过回归模型发现 total_bill=20 为分界点，不吸烟者的小费高于吸烟者
#研究在不同星期下，消费总额与消费的回归关系，col|hue控制子图不同的变量day，col_wrap控制每行子图数量，size控制子图高度
g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",data=tips, col_wrap=2, size=3)
#继续研究pokemon数据集
import pandas as pd
import seaborn as sns
pokemon=pd
.read_csv('H:/zhihu/Pokemon.csv')
pokemon.head()
#观察每一代攻击与防御的分布，利用二次多项式逼近
sns.lmplot(x="Defense", y="Attack",data=pokemon,col="Generation", hue="Generation",col_wrap=3, size=3,order=2)
#继续在同一图中观察不同代的sp.Atk,Sp.Def线性关系
sns.lmplot(x="Sp. Atk", y="Sp. Def", data=pokemon, hue='Generation', size=5,order=1)
sp.Atk,Sp.Def线性相关性不高导致图像有点浮夸模糊
https://pan.baidu.com/s/1hsDn0mK#list/path=%2F
密码：4zma
10分钟python seaborn绘图入门 (I):
distplot与kdeplot
10分钟python seaborn绘图入门 (Ⅱ):
barplot 与 countplot
Python Seaborn (Ⅰ) 艺术化的图表控制
Python Seaborn (Ⅱ) 斑驳陆离的调色板
Python Seaborn (Ⅲ) 分布数据集的可视化
Python Seaborn (Ⅳ) 线性关系的可视化
Python Seaborn (Ⅴ) 分类数据的绘制
如需转载请联系EasyCharts团队！
微信后台回复“转载”即可！
送福利啦！
【书籍推荐】
《Excel 数据之美--科学图表与商业图表的绘制》上市啦
【必备插件】
Excel图表新插件---EasyCharts
【网易云课堂】
Excel商业图表修炼秘笈之基础篇---开课啦！
欢迎加入 图表绘制之魔方学院QQ群 交流探讨
