seaborn.regplot

    绘制数据和线性回归模型拟合。

    估算回归模型有许多互斥的选项。查看这个教程 来了解更多的信息。

    参数：x，y：字符串，序列（series）或者是向量数组（vector array）

    输入变量。 如果是字符串，应该与中的列名相对应。 使用pandas对象时，轴将被Series的名字标记。

    data：DataFrame

    Tidy (“long-form”)格式的DataFrame，其中每列为一个变量，每行为一个观测样本。

    x_estimator：可调用的映射向量 ->标量，可选

    将此函数应用于x的每个唯一值并绘制结果的估计值。当x是离散变量时，这是十分有用的。如果给出x_ci，则该估计将被引导并且将绘制置信区间。

    x_bins：整数或向量，可选

    将x变量加入离散区间，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。该参数被解释为均匀大小（不必要间隔）的箱的数量或箱中心的位置。使用此参数时，它意味着x_estimator的默认值为numpy.mean。

    x_ci：”ci”，’sd’，位于 [0, 100]之间的整数或None，可选

    绘制“x”离散值的集中趋势时使用的置信区间的大小。 如果为“ci”，遵循ci参数的值。 如果是“sd”，则跳过bootstrapping并显示每个bin中观察值的标准偏差。

    scatter：布尔值，可选

    如果为 True，则绘制带有基础观测值（或x_estimator 值）的散点图。

    fit_reg：布尔值，可选

    如果为 True，则估计并绘制与 x 和 y 变量相关的回归模型。

    ci：位于 [0, 100]之间的整数或None，可选

    n_boot：整数，可选

    用于估计ci的自助法（bootstrap）重采样数。 默认值试图在时间和稳定性之间找到平衡; 你可能希望为“最终”版本的图像增加此值。

    units： data,中的变量名，可选

    如果x和y观察结果嵌套在采样单元中，则可以在此处指定。在通过对所有的单元和观察样本（在单元内）执行重新采样的多级自助法（multilevel bootstrap）来计算置信区间时将考虑这一点。 否则，这不会影响估计或绘制回归的方式。

    order：整数，可选

    如果order大于1，使用numpy.polyfit来估计多项式回归。

    logistic：布尔值，可选

    ：布尔值，可选

    如果为“True”，则使用statsmodels来估计非参数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。

    robust：布尔值，可选

    如果为“True”，则使用statsmodels来估计稳健回归。 这将削弱异常值。 请注意，这比标准线性回归的计算密集程度要大得多，因此您可能希望减少引导程序重新采样（n_boot）的数量或将 ci设置为“无”。

    logx：布尔值，可选

    如果为 True，则估计形式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必须为正才能正常工作。

    {x,y}_partial： data 中的字符串或矩阵

    truncate：布尔值，可选

    默认情况下，绘制回归线以在绘制散点图后填充x轴限制。 如果truncate是True，它将改为受到数据本身限制的限制。

    {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”变量中。 在拟合回归之后，噪声被添加到数据的副本中，并且仅影响散点图的外观。 在绘制采用离散值的变量时，这会很有用。

    label：字符串

    要应用于散点图或回归线（如果scatter为’False`）的标签，以便在图例中使用。

    color：matplotlib 颜色

    适用于所有绘图元素的颜色; 将被scatter_kws或line_kws中传递的颜色取代。

    marker：matplotlib标记代码或标记代码列表，可选

    散点图的标记。

    {scatter,line}_kws：字典

    传递给plt.scatter和plt.plot的附加关键字参数。

    ax：matplotlib Axes对象，可选

    绘制到指定轴对象，否则在当前轴对象上绘图。

    返回值：ax：matplotlib Axes对象

    也可以看看

    注意

    和 lmplot() 函数密切相关，但是前者是坐标轴级别的函数，而后者是结合了 和 FacetGrid的图像级别的函数。

    通过 和 pairplot() 函数来组合 和 JointGrid 或 是十分容易的，虽然这些函数不直接接受所有 regplot()的参数。

    例子

    绘制DataFrame中两个变量之间的关系：

    1. >>> import seaborn as sns; sns.set(color_codes=True)
    2. >>> tips = sns.load_dataset("tips")
    3. >>> ax = sns.regplot(x="total_bill", y="tip", data=tips)

    利用两个定义为numpy数组的变量进行绘图; 使用不同的颜色：

    1. >>> import numpy as np; np.random.seed(8)
    2. >>> mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
    3. >>> x, y = np.random.multivariate_normal(mean, cov, 80).T

    http://seaborn.pydata.org/_images/seaborn-regplot-2.png

    利用两个定义为pandas Series的变量来进行绘图; 使用不同的标记：

    1. >>> import pandas as pd
    2. >>> x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
    3. >>> ax = sns.regplot(x=x, y=y, marker="+")

    使用68％置信区间，该区间对应于估计的标准误差：

    http://seaborn.pydata.org/_images/seaborn-regplot-4.png

    使用离散的x变量进行绘图并添加一些抖动：

    1. >>> ax = sns.regplot(x="size", y="total_bill", data=tips, x_jitter=.1)

    绘制一个离散的x变量，显示唯一值的均值和置信区间：

    1. >>> ax = sns.regplot(x="size", y="total_bill", data=tips,
    2. ...                  x_estimator=np.mean)

    http://seaborn.pydata.org/_images/seaborn-regplot-6.png

    将连续的变量划分为分离的区间并进行绘图：

      拟合高阶多项式回归并截断模型预测：

      http://seaborn.pydata.org/_images/seaborn-regplot-8.png

      拟合稳健回归并且不绘制置信区间：

      1. >>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "III"],
      2. ...                  scatter_kws={"s": 80},
      3. ...                  robust=True, ci=None)

      对数据运用逻辑回归; 抖动y变量并使用较少的bootstrap迭代：

      1. >>> tips["big_tip"] = (tips.tip / tips.total_bill) > .175
      2. >>> ax = sns.regplot(x="total_bill", y="big_tip", data=tips,
      3. ...                  logistic=True, n_boot=500, y_jitter=.03)

      http://seaborn.pydata.org/_images/seaborn-regplot-10.png

      使用 log(x) 拟合回归模型并截断模型预测：

      1. ...                  x_estimator=np.mean, logx=True, truncate=True)