seaborn是Python中基于matplotlib的具有更多可视化功能和更优美绘图风格的绘图模块，当我们想要探索单个或一对数据分布上的特征时，可以使用到seaborn中内置的若干函数对数据的分布进行多种多样的可视化，本文以jupyter notebook为编辑工具，针对seaborn中的kdeplot、rugplot、distplot和jointplot，对其参数设置和具体用法进行详细介绍。
二、kdeplot
seaborn中的kdeplot可用于对单变量和双变量进行核密度估计并可视化，其主要参数如下：
data：一维数组，单变量时作为唯一的变量
data2：格式同data2，单变量时不输入，双变量作为第2个输入变量
shade：bool型变量，用于控制是否对核密度估计曲线下的面积进行色彩填充，True代表填充
vertical：bool型变量，在单变量输入时有效，用于控制是否颠倒x-y轴位置
kernel：字符型输入，用于控制核密度估计的方法，默认为'gau'，即高斯核，特别地在2维变量的情况下仅支持高斯核方法
legend：bool型变量，用于控制是否在图像上添加图例
cumulative：bool型变量，用于控制是否绘制核密度估计的累计分布，默认为False
shade_lowest：bool型变量，用于控制是否为核密度估计中最低的范围着色，主要用于在同一个坐标轴中比较多个不同分布总体，默认为True
cbar：bool型变量，用于控制是否在绘制二维核密度估计图时在图像右侧边添加比色卡
color：字符型变量，用于控制核密度曲线色彩，同plt.plot()中的color参数，如'r'代表红色
cmap：字符型变量，用于控制核密度区域的递进色彩方案，同plt.plot()中的cmap参数，如'Blues'代表蓝色系
n_levels：int型，在而为变量时有效，用于控制核密度估计的区间个数，反映在图像上的闭环层数
下面我们来看几个示例来熟悉kdeplot中上述参数的实际使用方法：
首先我们需要准备数据，本文使用seaborn中自带的鸢尾花数据作为示例数据，因为在jupyter notebook中运行代码，所以加上魔术命令%matplotlib inline使得图像得以在notebook中显示
import seaborn as sns sns.set(color_codes=True) import matplotlib.pyplot as plt %matplotlib inline #加载seaborn自带的鸢尾花数据集，格式为数据框 iris = sns.load_dataset('iris') #分离出setosa类的花对应的属性值 setosa = iris.loc[iris.species == "setosa"].reset_index(drop=True) #分离出virginica类的花对应的属性值 virginica = iris.loc[iris.species == "virginica"].reset_index(drop=True)