继学完上篇（python可视化（七）绘制詹姆斯、杜兰特、伦纳德生涯数据热度图）热度图后，我们基本上学完了seaborn库中常用的绘图方法，这里我们学习与seaborn库相关的最后两个内容，FacetGrid和PairGrid。

FacetGrid

首先FacetGrid是seaborn库中的一个类，我们在初始化这个类时只需要给它传一个DataFrame的数据集即可。实例化这个类以后，我么就可以直接使用这个对象的方法绘制需要的图形，这里，我们还是接着使用上篇文章中詹姆斯、杜兰特和伦纳德的职业生涯数据为例，数据结构如下：

%matplotlib inline
import numpy as np
import pandas as pd
import seaborn as sns
from scipy import stats
import matplotlib as mpl
import matplotlib.pyplot as plt
sns.set(style="ticks")
career_data=pd.read_excel(r"C:\python_wan\nba_player_data.xlsx",header=0,sheet_name="all_stars")
career_data.loc[14:20]

python数据结构7种,python数据可视化面板布局

数据结构预览

这个数据包含了詹姆斯、杜兰特和伦纳德三位球员的赛季数据，换句话说，每个球员的数据是这个数据的一个子集，那么这个数据按照球员分类，可以分为3个子集。现在有一个需求是这样的：绘制出三位球员的抢断数和得分之间的散点图。对于这样一个需求，我们可能会这样实现：直接调用seaborn库中的scatterplot()函数绘制出散点图，代码如下：

sns.scatterplot(x="抢断",y="得分",data=career_data,hue="姓名")

python数据结构7种,python数据可视化面板布局

直接绘制散点图

当你画出这样的图形时，你可能觉得已经完成任务了，但是需求又变了，让你不要共用坐标轴，而是每个球员分别占一个坐标轴，怎么办呢？不用怕，这时候FacetGrid就可以派上用场了，这个类就是根据子集数据分别实例化对应的坐标轴，然后在坐标轴上绘制出对应的图形，我们看代码：

#根据球员姓名实例化faceGrid类，生成对象g
g = sns.FacetGrid(career_data, col="姓名")

python数据结构7种,python数据可视化面板布局

根据姓名分别绘制出3个坐标格

可以看到，当实例化生成对象g时，生成了3个坐标格，因为这个数据集中按姓名分只有3份，所以说绘制出的坐标格数量和根据分类的子集份数有关。接下来，我们只需要调用map()方法绘制出散点图即可，如下：

#根据球员姓名实例化faceGrid类，生成对象g
g = sns.FacetGrid(career_data, col="姓名")
plt.rcParams['font.sans-serif'] = ['SimHei']
g.map(plt.scatter,"抢断","得分")

python数据结构7种,python数据可视化面板布局

分别在自己的坐标格上绘制

如上图，分别在每个坐标格上绘制出了抢断和得分之间的散点图。这就是FacetGrid的基本用法，就是根据子集数据分别占用坐标格绘制相应的图形，至于其他参数如hue等参数的用法跟之前文章中提到的一致，这里不再赘述。

PairGrid

学了格子绘图后，我们知道一个FacetGrid可以绘制出多达三个维度（row，col，和hue）的图形，但是当有一份数据集有很多变量，我们需要考察两两变量的之间关系时，是不是说我们要写很多重复的代码来实现不同变量之间的关系呢？比如我们研究抢断与得分、抢断与失误、抢断都犯规之间的关系时，是不是要不停的传不同的变量进去呢？答案是不需要，因为PairGrid这个类就可以帮我们实现以上的功能，它的主要功能就是绘制反映成对变量关系的子图。

首先，这个函数在实例化对象的时候也只需要传入DataFrame结构的数据集即可。这里我们还是用詹姆斯、杜兰特、伦纳德生涯数据，为了减少子图个数，这里我们只研究得分、抢断、篮板、助攻和失误几个变量间的关系，代码处理如下：

colum=["姓名","得分","篮板","助攻","抢断","失误"]
data=career_data[colum]
data.head()

python数据结构7种,python数据可视化面板布局

处理数据预览

#实例化对象g,并有map函数绘制散点图
g = sns.PairGrid(data)
g.map(plt.scatter);

python数据结构7种,python数据可视化面板布局

成对散点图

如上图（一共有16个子图，这里全部展示看不清，故只截取一部分），横坐标和纵坐标的变量都是一样的，每个变量不同组合就反映了这两个变量之间的关系，其对角线上的子图变量相同。上面是散点图，我们再看下直方图的效果：

g=sns.PairGrid(data)
g = g.map_diag(plt.hist, edgecolor="w")
g = g.map_offdiag(plt.scatter, edgecolor="w", s=40)

python数据结构7种,python数据可视化面板布局

直方图和散点图

如上图所示，map_diag()函数是绘制对角线上的单变量子图，mag_offdiag是绘制对角线以外的两个变量间的子图。到此为止，我们可视化部分内容全部讲完，后面开始讲解机器学习算法部分，在讲算法之前要穿插一些机器学习数学，感兴趣的小伙伴敬请期待！

pythonseaborn作图 (python数据可视化plotly如何制作)

FacetGrid

PairGrid