温故知新：

在昨天，我们学习了使用seaborn.lmplot()来绘制回归图，用来表示变量之间的线性关系。它主要是在散点图的基础上，绘制了一条直线，而这条直线（也可以是曲线）则表明了模型预测的变量之间的关系。忘记的同学可以回去再看一遍。

今天，我们的目标是从一个小案例中学习以下几点：

调色板条形图图形矩阵（多子图）

条形图矩阵

老规矩，我们先看代码和效果，然后再详解每一个细节。

import numpy as npimport seaborn as snsimport matplotlib.pyplot as pltsns.set(style="white", context="talk")rs = np.random.RandomState(8)# 设置matplotlib图形和坐标轴对象f, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(7, 5), sharex=True)# 生成一些序列数据x = np.array(list("ABCDEFGHIJ"))y1 = np.arange(1, 11)sns.barplot(x=x, y=y1, palette="rocket", ax=ax1)ax1.axhline(0, color="k", clip_on=False)ax1.set_ylabel("Sequential")# 让数据围绕着0点发散y2 = y1 - 5.5sns.barplot(x=x, y=y2, palette="vlag", ax=ax2)ax2.axhline(0, color="k", clip_on=False)ax2.set_ylabel("Diverging")# 随机调整数据的顺序，构造定性数据y3 = rs.choice(y1, len(y1), replace=False)sns.barplot(x=x, y=y3, palette="deep", ax=ax3)ax3.axhline(0, color="k", clip_on=False)ax3.set_ylabel("Qualitative")# 调整图形细节sns.despine(bottom=True)plt.setp(f.axes, yticks=[])plt.tight_layout(h_pad=2)

可以看到，我们实现了一个3 * 1的图形矩阵，每个子图由一幅条形图占据，且他们被我们分别指定了不同的色彩组合。

那么接下来，我们就来看一下它们是如何一步步实现的吧！

第一步，我们导入了必要的库numpy、seaborn、matplotlib.pyplot；设置seaborn的主题为white，设置背景风格为talk（这里不熟悉的同学可以去看我之前讲解Seaborn的文章中“让图形更美观”那一篇）；然后使用numpy的随机工具设置了一个随机种子，在同样的随机种子下，可以保证大家生成的数据和这里的一致；第二步，我们用plt.subplots()生成了一个整体大小为（7，5）的图形对象，同时我们将它分割为三行一列的三张子图，并且设置它们共享同一个X轴。plt.subplots()对象在生成后会返回两个数据，第一个是这个图形对象，即figure对象；第二个则是以元组的方式返回所有的坐标轴对象axes，在这里有三个坐标轴对象，我们直接将其解析了出来。我们也可以使用fig, axes = plt.subplots(...)，然后通过axes[0]、axes[1]这样的方式去调用每个坐标轴对象；第三步，我们先将A-J这样一串字符转换成numpy数组，作为x轴对应的分类数据；然后我们用numpy.arange(1, 11)生成一组整数数组，arange与range()类似，区别在于前者生成一个numpy数组，后者生成一个迭代器，需要使用list(range(1, 11))或者使用tuple等将其转化成序列类数据；然后我们用sns.barplot()在ax1坐标轴上绘制了一个条形图，并且指定调色板为rocket，这是一个用于表现连续数据的调色板，他们色调一致，但是会根据数值的大小调整色彩的亮度和饱和度。我们用x / y参数指定了横坐标和纵坐标的数据；然后我们使用坐标轴对象的axhline()函数添加了一条纵坐标为0的水平参考线，并设置y轴标签为“Sequential”（这里不熟悉的可以去看我的从零开始学Python可视化系列的第一篇文章）；第四步，我们将y轴数据调整为发散型（可以理解为围绕0点向两边发散的数据，事实上这里主要是对应了发散型的调色板，即正负值各对应一个色调，然后根据绝对值的大小调整亮度和饱和度）；然后我们使用同样的方式在ax2上绘制了条形图，并设置了调色板为vlag；然后我们添加了参考线，设置纵轴标签为“Diverging”；第五步，我们使用刚才的随机对象将数据随机排了顺序，假装它们是一组定性数据（分类数据），然后用了一组分类（色调不同）的调色板，并将图形绘制在ax3，添加了参考线，设置总轴标签为“Qualitative”；第六步，我们用sns.despine(bottom=True)去掉了上、右和下边界。注意，这里despine()函数默认会去除上方和右侧的边界，如果想要去掉左边和下方的边界，就需要额外指定left=True, bottom=True；然后用plt.setp(f.axes, yticks=[])去除了所有的纵轴刻度尺，这里用plt.setp()是控制的整个图的属性，而非某个坐标轴的属性，然后我们指认了图中所有的坐标轴（通过f.axes）作为调整对象，并将他们的刻度设置为空列表；最后我们用plt.tight_layout()函数设置了每行坐标轴（子图）之间的间隔（用w_pad即可设置每列子图之间的间隔）。

好了，我们在今天尝试了条形图、调色板、子图（矩阵图）、参考线等知识点的使用，你学会了吗？