http://www.financecomputing.net/wordpress/?p=1047

Seaborn

Matplotlib是Python主要的繪相簿。但是，我不建議你直接使用它，原因與開始不推薦你使用NumPy是一樣的。雖然Matplotlib很強大，它本身就很複雜，你的圖經過大量的調整才能變精緻。因此，作為替代，我推薦你一開始使用Seaborn。Seaborn本質上使用Matplotlib作為核心庫（就像Pandas對NumPy一樣）。我將簡短地描述下seaborn的優點。具體來說，它可以：

1. 預設情況下就能建立賞心悅目的圖表。（只有一點，預設不是jet colormap）
2. 建立具有統計意義的圖
3. 能理解pandas的DataFrame型別，所以它們一起可以很好地工作。

雖然anaconda預裝了pandas，卻沒安裝seaborn。可以通過conda install seaborn輕鬆地安裝。

具有統計意義的圖

In [5]: Python

1	%matplotlib inline# IPython magic to create plots within cells

In [7]:Python

1 2 3 4 5 6

importseaborn assns # Load one of the data sets that come with seaborn tips=sns.load_dataset("tips") sns.jointplot("total_bill","tip",tips,kind='reg');

  如你所見，僅通過一行程式碼，我們就建立了一個漂亮複雜的統計圖，其中包含擁有置信區間的最擬合迴歸直線、邊界圖，以及相關係數。使用matplotlib重新繪製這幅圖的話需要相當多的（醜陋）程式碼，包括呼叫scipy執行線性迴歸並手動利用線性迴歸方程繪製直線（我甚至想不出怎麼在邊界繪圖，怎麼計算置信區間）。上面和下面的例子都摘自教程“the tutorial on quantitative linear models”。

與Pandas的DataFrame很好地工作

資料有自己的結構。通常我們感興趣的包含不同的組或類（這種情況下使用pandas中groupby的功能會讓人感到很神奇）。比如tips（小費）的資料集是這樣的：

In [9]: Python

1	tips.head()

Out[9]:

total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

我們可能想知道吸菸者給的小費是否與不吸菸的人不同。沒有seaborn的話，這需要使用pandas的groupby功能，並通過複雜的程式碼繪製線性迴歸直線。使用seaborn的話，我們可以給col引數提供列名，按我們的需要劃分資料：

In [11]:Python

1	sns.lmplot("total_bill","tip",tips,col="smoker");

 

很整潔吧？

隨著你研究得越深，你可能想更細粒度地控制這些圖表的細節。因為seaborn只是呼叫了matplotlib，那時你可能會想學習這個庫。然而，對絕大部分工作來說我還是喜歡使用seaborn