seaborn.lmplot#

seaborn.lmplot(data, *, x=None, y=None, hue=None, col=None, row=None, palette=None, col_wrap=None, height=5, aspect=1, markers='o', sharex=None, sharey=None, hue_order=None, col_order=None, row_order=None, legend=True, legend_out=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, x_jitter=None, y_jitter=None, scatter_kws=None, line_kws=None, facet_kws=None)#

在 FacetGrid 上绘制数据和回归模型拟合。

此函数结合了 regplot() 和 FacetGrid。它旨在作为一种便捷的接口，用于拟合数据集条件子集的回归模型。

在考虑如何将变量分配到不同的刻面时，一个通用的规则是使用 hue 用于最重要的比较，然后是 col 和 row。但是，始终考虑您的特定数据集和您正在创建的可视化的目标。

有许多互斥的选项用于估计回归模型。有关更多信息，请参阅教程。

此函数的参数跨越了 FacetGrid 中的大多数选项，尽管在某些情况下，您可能希望直接使用该类和 regplot()。

参数：

dataDataFrame: 整洁（“长格式”）数据框，其中每一列都是一个变量，每一行都是一个观察结果。
x, y字符串，可选: 输入变量；这些应该是 data 中的列名。
hue, col, row字符串: 定义数据子集的变量，这些子集将在网格中的不同刻面上绘制。请参阅 *_order 参数以控制此变量级别顺序。
palette调色板名称、列表或字典: 用于 hue 变量不同级别的颜色。应为 color_palette() 可解释的内容，或将色调级别映射到 matplotlib 颜色的字典。
col_wrapint: 将列变量“包装”在此宽度，以便列刻面跨越多行。与 row 刻面不兼容。
height标量: 每个刻面的高度（以英寸为单位）。另请参见：aspect。
aspect标量: 每个刻面的纵横比，因此 aspect * height 给出每个刻面的宽度（以英寸为单位）。
markersmatplotlib 标记代码或标记代码列表，可选: 散点图的标记。如果为列表，则列表中的每个标记将用于 hue 变量的每个级别。
share{x,y}bool，‘col’ 或 ‘row’ 可选: 如果为真，则刻面将在列之间共享 y 轴，或在行之间共享 x 轴。

从版本 0.12.0 开始弃用：使用 facet_kws 字典传递。
{hue,col,row}_order列表，可选: 刻面变量级别的顺序。默认情况下，这将是级别在 data 中出现的顺序，或者，如果变量是 pandas 分类变量，则为类别顺序。
legendbool，可选: 如果为 True 且存在 hue 变量，则添加图例。
legend_outbool: 如果为 True，则图的大小将扩展，图例将在绘图外部的中心右侧绘制。

从版本 0.12.0 开始弃用：使用 facet_kws 字典传递。
x_estimator将向量映射到标量的可调用对象，可选: 将此函数应用于 x 的每个唯一值，并绘制生成的估计值。当 x 是离散变量时，这很有用。如果给出 x_ci，则此估计将进行自举，并将绘制置信区间。
x_binsint 或向量，可选: 将 x 变量分成离散的箱，然后估计中心趋势和置信区间。此分箱仅影响散点图的绘制方式；回归仍然适合原始数据。当使用此参数时，这意味着 x_estimator 的默认值为 numpy.mean。
x_ci“ci”，“sd”，[0, 100] 中的 int 或 None，可选: 绘制 x 的离散值的中心趋势时使用的置信区间大小。如果为 "ci"，则转到 ci 参数的值。如果为 "sd"，则跳过自举并显示每个箱中观测值的标准差。
scatterbool，可选: 如果为 True，则绘制包含基础观测值（或 x_estimator 值）的散点图。
fit_regbool，可选: 如果为 True，则估计并绘制关联 x 和 y 变量的回归模型。
ci[0, 100] 中的 int 或 None，可选: 回归估计的置信区间大小。这将使用围绕回归线的半透明带绘制。置信区间使用自举法估计；对于大型数据集，建议通过将此参数设置为 None 来避免该计算。
n_bootint，可选: 用于估计 ci 的自举重采样次数。默认值试图在时间和稳定性之间取得平衡；您可能希望为绘图的“最终”版本增加此值。
unitsdata 中的变量名称，可选: 如果 x 和 y 观测值嵌套在采样单位中，则可以在这里指定它们。在计算置信区间时，这将被考虑在内，方法是执行多级自举，该自举将对单位和观测值（在单位内）进行重采样。这不会以其他方式影响回归的估计或绘制方式。
seedint，numpy.random.Generator 或 numpy.random.RandomState，可选: 用于可重复自举的种子或随机数生成器。
orderint，可选: 如果 order 大于 1，则使用 numpy.polyfit 估计多项式回归。
logisticbool，可选: 如果为 True，则假定 y 是一个二元变量，并使用 statsmodels 估计逻辑回归模型。请注意，这比线性回归在计算上要密集得多，因此您可能希望减少自举重采样次数 (n_boot) 或将 ci 设置为 None。
lowessbool，可选: 如果为 True，则使用 statsmodels 估计非参数 lowess 模型（局部加权线性回归）。请注意，目前无法为此类模型绘制置信区间。
robustbool，可选: 如果为 True，则使用 statsmodels 估计稳健回归。这将降低异常值的权重。请注意，这比标准线性回归在计算上要密集得多，因此您可能希望减少自举重采样次数 (n_boot) 或将 ci 设置为 None。
logxbool，可选: 如果为 True，则估计形式为 y ~ log(x) 的线性回归，但在输入空间中绘制散点图和回归模型。请注意，x 必须为正才能使此方法起作用。
{x,y}_partialdata 中的字符串或矩阵: 在绘制之前从 x 或 y 变量中回归出的混杂变量。
truncatebool，可选: 如果为 True，则回归线受数据限制。如果为 False，则它延伸到 x 轴限制。
{x,y}_jitter浮点数，可选: 将此大小的均匀随机噪声添加到 x 或 y 变量。噪声是在拟合回归之后添加到数据的副本中，并且仅影响散点图的外观。当绘制取离散值的变量时，这可能会有所帮助。
{scatter,line}_kws字典: 传递给 plt.scatter 和 plt.plot 的其他关键字参数。
facet_kwsdict: 用于 FacetGrid 的关键字参数字典。

另请参见

regplot: 绘制数据和条件模型拟合。
FacetGrid: 用于绘制条件关系的子图网格。
pairplot: 结合 regplot() 和 PairGrid（当与 kind="reg" 一起使用时）。

注释

regplot() 和 lmplot() 函数密切相关，但前者是轴级函数，而后者是图级函数，它结合了 regplot() 和 FacetGrid。

示例

请参阅 regplot() 文档以了解有关指定回归模型的各种选项的演示，这些选项也在这里接受。

在散点图上绘制回归拟合

sns.lmplot(data=penguins, x="bill_length_mm", y="bill_depth_mm")

根据另一个变量对回归拟合进行条件化，并使用颜色表示它

sns.lmplot(data=penguins, x="bill_length_mm", y="bill_depth_mm", hue="species")

根据另一个变量对回归拟合进行条件化，并在子图中拆分它

sns.lmplot(
    data=penguins, x="bill_length_mm", y="bill_depth_mm",
    hue="species", col="sex", height=4,
)

使用列和行在两个变量上进行条件化

sns.lmplot(
    data=penguins, x="bill_length_mm", y="bill_depth_mm",
    col="species", row="sex", height=3,
)

允许轴限制在子图之间变化

sns.lmplot(
    data=penguins, x="bill_length_mm", y="bill_depth_mm",
    col="species", row="sex", height=3,
    facet_kws=dict(sharex=False, sharey=False),
)