# seaborn.pairplot > 译者：[cancan233](https://github.com/cancan233) ```py seaborn.pairplot(data, hue=None, hue_order=None, palette=None, vars=None, x_vars=None, y_vars=None, kind='scatter', diag_kind='auto', markers=None, height=2.5, aspect=1, dropna=True, plot_kws=None, diag_kws=None, grid_kws=None, size=None) ``` 绘制数据集中的成对关系 默认情况下，此函数将创建一个 Axes 网络，以便`data`中的每个变量将在 y 轴上共享一行，并在 x 轴上共享一列。对角轴的处理方式并不同，以此绘制一个图表来显示该列中变量的数据的单变量分布。 还可以显示变量的子集或在行和列上绘制不同的变量。 这是[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")的高级界面，旨在简化一些常见的样式。如果你需要更多的灵活性，你应该直接使用[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")。 参数：`data`：数据框架 > 整洁（长形式）数据框，其中每列是变量，每行是观察量。 `hue`：字符串（变量名），可选。 > `data`中的变量将绘图方面映射到不同的颜色。 `hue_order`：字符串列表。 > 命令调色板中的色调变量的级别。 `palette`：字典或 seaborn 调色板。 > 用于映射`hue`变量的颜色集。如果是字典，关键字应该是`hue`变量中的值。 `vars`：变量名列表，可选。 > 要使用的`data`中的变量，否则每一列使用数字的数据类型。 `{x, y}_vars`：变量名列表，可选。 > `data`中的变量分别用于图的行和列；即制作非方形图。 `kind`：{‘scatter’, ‘reg’}, 可选。 > 一种非等同关系的图类型 `diag_kind`：{‘auto’, ‘hist’, ‘kde’}, 可选 > 对角线子图的一种图形。默认值取决于是否使用`hue`。 `markers`：单个 matplotlit 标记代码或列表，可选 > 要么是用于所有数据点的标记，要么是长度和色调变量中的级别数相同的标记列表，这样不同颜色的点也会有不同的散点图标记。 `height`：标量，可选。 > 每个刻面的高度（以英寸为单位） `aspect`：标量，可选。 > Aspect\*height 给出每个刻面的宽度（以英寸为单位） `dropna`：布尔值，可选。 > 在绘图之前删除数据中的缺失值。 `{plot, diag, grid}_kws`：字典，可选。 > 关键字参数的字典。 返回值：`grid`：PairGrid > 返回底层的`PairGrid`实例以进一步调整。 也可以看看 子图网络可以更灵活地绘制成对关系。 范例 绘制联合关系地散点图和单变量分布的直方图： ```py >>> import seaborn as sns; sns.set(style="ticks", color_codes=True) >>> iris = sns.load_dataset("iris") >>> g = sns.pairplot(iris) ```  通过绘图元素的颜色显示分类变量的不同级别： ```py >>> g = sns.pairplot(iris, hue="species") ```  使用不同的调色板： ```py >>> g = sns.pairplot(iris, hue="species", palette="husl") ```  为`hue`变量的每个级别使用不同的标记： ```py >>> g = sns.pairplot(iris, hue="species", markers=["o", "s", "D"]) ```  绘制变量的子集： ```py >>> g = sns.pairplot(iris, vars=["sepal_width", "sepal_length"]) ```  绘制更大的图： ```py >>> g = sns.pairplot(iris, height=3, ... vars=["sepal_width", "sepal_length"]) ```  在行和列中绘制不同的变量： ```py >>> g = sns.pairplot(iris, ... x_vars=["sepal_width", "sepal_length"], ... y_vars=["petal_width", "petal_length"]) ```  对单变量图使用核密度估计： ```py >>> g = sns.pairplot(iris, diag_kind="kde") ```  将线性回归模型拟合到散点图： ```py >>> g = sns.pairplot(iris, kind="reg") ```  将关键字参数传递给底层函数（直接使用[`PairGrid`](seaborn.PairGrid.html#seaborn.PairGrid "seaborn.PairGrid")可能更容易） ```py >>> g = sns.pairplot(iris, diag_kind="kde", markers="+", ... plot_kws=dict(s=50, edgecolor="b", linewidth=1), ... diag_kws=dict(shade=True)) ```