渐变色简单易用
生成一个多元正态分布矩阵 参数mean : 均值
参数cov : 协方差， array类型
参数size: 个数
x, y = np.random.multivariate_normal(mean=[0, 0], cov=[[1, -.5], [-.5, 1]], size=300).Tpal = sns.dark_palette(“green”,as_cmap=True)
as_cmap=True，返回一个colormap对象
sns.kdeplot(x, y, cmap=pal)
kdeplot : 核密度估计图，
#cmap=pal，以colormap方式来设置颜色
> 频数直方图
生成100个成标准正态分布的随机数
x = np.random.normal(size=100)
sns.distplot画频数直方图
kde=True，进行核密度估计
sns.distplot(x,kde=True)
>散点图
一般用散点图展示两个变量间的关系
sns.jointplot(x=‘x’, y=‘y’, data=df, size=7) # x,y参数也可以用x=df[‘x’], y=df[‘y’] 的形式传入
sns.jointplot画双变量关系图，
data传入dataframe，x，y设置两个变量数据，
size设置图的大小
盒图（三变量：day,total_bill, time）
sns.boxplot（）
盒图是显示数据离散度的一种图形。它对于显示数据的离散的分布情况效果不错。
IQR = Q3-Q1，即上四分位数与下四分位数之间的差，也就是盒子的长度。
N = 1.5IQR 如果一个值>Q3+N或 < Ｑ1-N,则为离群点
盒图特点：
通过盒图，在分析数据的时候，盒图能够有效地帮助我们识别数据的特征：
直观地识别数据集中的异常值(查看离群点)。
判断数据集的数据离散程度和偏向(观察盒子的长度，上下隔间的形状，以及胡须的长度)。
基本设置
plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel(‘day’,size=16)
plt.ylabel( ‘total_bill’,size=16)
sns.boxplot(x=“day”, y=“total_bill”, hue=“time”, data=tips)
小提琴图（三变量：day, total_bill, time）
sns.violinplot()函数实现
plt.figure(figsize=(10,6))
plt.xticks(size=12)
plt.yticks(size=12)
plt.xlabel(‘total_bill’,size=16)
plt.ylabel( ‘day’,size=16)
sns.violinplot()画小提琴图
sns.violinplot(x=“total_bill”, y=“day”, hue=“time”, data=tips)
图中白点是中位数，
#中间黑色盒形是上四分位点和下四分位点，
#黑色的线条表示离群点的离群程度，越长表示离群点越远
plt.show()
sns.violinplot(x=“day”, y=“total_bill”, hue=“sex”, data=tips, split=True)
plt.show()
