seaborn.regplot(*, x=None, y=None, data=None, x_estimator=None, x_bins=None, x_ci='ci', scatter=True, fit_reg=True, ci=95, n_boot=1000, units=None, seed=None, order=1, logistic=False, lowess=False, robust=False, logx=False, x_partial=None, y_partial=None, truncate=True, dropna=True, x_jitter=None, y_jitter=None, label=None, color=None, marker='o', scatter_kws=None, line_kws=None, ax=None)¶绘图数据和线性回归模型拟合。
估计回归模型有许多相互排斥的选项。看到了吗 tutorial 更多信息。
输入变量。如果是字符串，则应与中的列名相对应 data . 熊猫的名称将与系列一起使用。
整洁（“长格式”）数据帧，其中每列是一个变量，每行是一个观察值。
将此函数应用于 x 并绘制出估算结果。这在以下情况下很有用 x 是离散变量。如果 x_ci 给出了该估计的自举和置信区间。
垃圾箱 x 将变量转化为离散的数据箱，然后估计中心趋势和置信区间。这种分块只影响散点图的绘制方式；回归仍然适用于原始数据。此参数可解释为大小均匀（无需间隔）的料仓数量或料仓中心的位置。使用此参数时，表示 x_estimator 是 numpy.mean .
绘制离散值的中心趋势时使用的置信区间的大小 x .如果 "ci" ，遵从 ci 参数。如果 "sd" ，跳过自举，并显示每个箱中观测值的标准偏差。
如果 True ，绘制一个包含基本观测值的散点图（或 x_estimator 价值观）。
如果 True ，估计并绘制与 x 和 y 变量。
回归估计的置信区间大小。这将使用围绕回归线的半透明条带绘制。置信区间是使用bootstrap估计的；对于大型数据集，建议通过将此参数设置为None来避免这种计算。
用于估计 ci . 默认值试图平衡时间和稳定性；您可能希望为绘图的“最终”版本增加此值。
data 可选中的变量名如果 x 和 y 观测值嵌套在采样单位中，可在此处指定。在计算置信区间时，通过对单位和观测值（单位内）进行重采样的多级引导，将考虑到这一点。否则，这不会影响如何估计或绘制回归。
种子或随机数发生器可复制的引导。
如果 order 大于1，使用 numpy.polyfit 估计多项式回归。
如果 True ，假设 y 是一个二进制变量，使用 statsmodels 估计logistic回归模型。请注意，这比线性回归的计算量大得多，因此您可能希望减少引导重采样的数量 (n_boot )或设置 ci 一点也没有。
如果 True 使用 statsmodels 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。
如果 True 使用 statsmodels 稳健回归。这将降低异常值的权重。请注意，这比标准线性回归的计算量要大得多，因此您可能希望减少引导重采样的数量 (n_boot )或设置 ci 一点也没有。
如果 True ，估计y~log（x）形式的线性回归，但在输入空间绘制散点图和回归模型。请注意 x 必须是积极的，这样才能起作用。
data 或矩阵字符串输入混杂变量回归出 x 或 y 打印前的变量。
如果 True ，回归线受数据限制。如果 False ，它延伸到 x 轴限制。
将此大小的均匀随机噪声添加到 x 或 y 变量。拟合回归后，噪声被添加到数据的副本中，并且只影响散点图的外观。这在绘制采用离散值的变量时非常有用。
应用于散点图或回归线的标签（如果 scatter 是 False )用于图例。
用颜色表示；用颜色表示所有的元素 scatter_kws 或 line_kws .
用于散点图图示符的标记。
要传递到的其他关键字参数 plt.scatter 和 plt.plot .
轴对象，否则使用当前轴。
包含绘图的轴对象。
参见
笔记
这个 regplot() 和 lmplot() 功能是密切相关的，但前者是一个轴级功能，后者是一个图形级功能，结合 regplot() 和 FacetGrid .
它也很容易组合 regplot() 和 JointGrid 或 PairGrid 通过 jointplot() 和 pairplot() 函数，尽管它们并不直接接受所有 regplot() 的参数。
实例
绘制数据帧中两个变量之间的关系：
>>> import seaborn as sns; sns.set_theme(color_codes=True)
>>> tips = sns.load_dataset("tips")
>>> ax = sns.regplot(x="total_bill", y="tip", data=tips)
使用定义为numpy数组的两个变量打印；使用不同的颜色：
>>> import numpy as np; np.random.seed(8)
>>> mean, cov = [4, 6], [(1.5, .7), (.7, 1)]
>>> x, y = np.random.multivariate_normal(mean, cov, 80).T
>>> ax = sns.regplot(x=x, y=y, color="g")
用两个定义为系列的变量绘图；使用不同的标记：
>>> import pandas as pd
>>> x, y = pd.Series(x, name="x_var"), pd.Series(y, name="y_var")
>>> ax = sns.regplot(x=x, y=y, marker="+")
使用68%置信区间（与估计的标准误差相对应），并将回归线延伸至轴限：
>>> ax = sns.regplot(x=x, y=y, ci=68, truncate=False)
离散曲线图 x 变量并添加一些抖动：
>>> ax = sns.regplot(x="size", y="total_bill", data=tips, x_jitter=.1)
离散曲线图 x 显示唯一值的均值和置信区间的变量：
>>> ax = sns.regplot(x="size", y="total_bill", data=tips,
... x_estimator=np.mean)
将连续变量划分为离散箱的绘图：
>>> ax = sns.regplot(x=x, y=y, x_bins=4)
拟合高阶多项式回归：
>>> ans = sns.load_dataset("anscombe")
>>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],
... scatter_kws={"s": 80},
... order=2, ci=None)
拟合稳健回归且不绘制置信区间：
>>> ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "III"],
... scatter_kws={"s": 80},
... robust=True, ci=None)
拟合逻辑回归；抖动y变量并使用较少的引导迭代：
>>> tips["big_tip"] = (tips.tip / tips.total_bill) > .175
>>> ax = sns.regplot(x="total_bill", y="big_tip", data=tips,
... logistic=True, n_boot=500, y_jitter=.03)
使用对数（x）拟合回归模型：
>>> ax = sns.regplot(x="size", y="total_bill", data=tips,
... x_estimator=np.mean, logx=True)
