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

code for ipython notebook pleace click the github link below.

使用双变量和单变量图绘制两个变量的图。

Parameters:

x, y : 字符串或向量

数据中的变量的名称。

data : DataFrame，可选

DataFrame，当x和y是变量名称。

kind : { “scatter” | “reg” | “resid” | “kde” | “hex” }, 可选

绘制图的种类。

stat_func : callable或None，可选

用于计算关系的统计量并注释绘图的函数。应该将x和y映射到单个值或元组。如果不想注释绘图，请设置为“None”。

color : matplotlib颜色，可选

用于绘制元素的颜色。

size : 数字，可选

图的大小（正方形）。

ratio : 数字，可选

横轴尺寸与边缘轴高度的比率。

space : 数字，可选

横轴和边缘轴之间的空间

dropna : bool，可选

如果为True，则删除x和y中缺失的观测值。

{x, y}lim :两元组，可选

轴在绘图前设置的限制。

{joint, marginal, annot}_kws : dicts，可选

图组件的其他关键字参数。

kwargs : 键，值配对

附加的关键字参数传递给用于在联合轴上绘制绘图的函数，取代joint_kws字典中的项目。

Returns:

grid : JointGrid

JointGrid 对象及绘图

In[1]

%matplotlib inline
import numpy as np
import pandas as pd
import seaborn as sns
from scipy.stats import spearmanr
sns.set(style="white", color_codes=True)

设置白色为画图基准颜色

In[2]

trade = pd.read_csv('trade.csv')

读取数据

In[3]

trade.head()

查看数据前5行

In[4]

g = sns.jointplot(x="k1", y="k2", data=trade)

对k1和k2变量绘制带有边际直方图的散点图：

添加回归和核密度拟合：

In[5]

g = sns.jointplot(x="k1", y="k2", data=trade, kind="reg")

也可以使用六边形箱的联合直方图替换散点图：

In[6]

g = sns.jointplot(x="k1", y="k2", data=trade, kind="hex")

用密度估计值替换散点图和直方图，并用边界轴对齐边缘轴：

In[7]

g = sns.jointplot(x="k1", y="k2", data=trade, kind="kde", space=, color="g")

对注释使用不同的统计信息：

In[8]

g = sns.jointplot(x="k3", y="k4", data=trade, stat_func=spearmanr, color="m")

绘制散点图，然后添加一个联合密度估计：

In[9]

g = sns.jointplot(x="k3", y="k4", data=trade, stat_func=spearmanr,
                  color="m").plot_joint(sns.kdeplot, zorder=, n_levels=6)

直接传递向量而不使用Pandas，然后命名轴：

In[10]

x, y = np.random.randn(2, 300)
g = sns.jointplot(x, y, kind="hex", stat_func=None).set_axis_labels("x", "y")

将关键字参数传递给下面的图：

In[11]

g = sns.jointplot(x="k3", y="k4", data=trade, stat_func=spearmanr,
                  color="m", marginal_kws=dict(bins=15, rug=True),
                  annot_kws=dict(stat="r"), s=40, edgecolor="w", linewidth=1)