散点图是统计可视化的重要组成部分。它使用点云来描述两个变量的联合分布，其中每个点代表数据集中的一个观察。这种描绘可以推断出大量关于它们之间是否有任何有意义的关系的信息。

在seaborn中有几种（后面介绍）绘制散点图的方法，当两个变量都是数字时，应该使用的最基本的是scatterplot()功能。在Categorical plots（分类图）中，我们将看到使用散点图可视化分类数据的专门工具。

#scatterplot参数

seaborn.scatterplot(x=None, y=None, hue=None, style=None, size=None,

data=None, palette=None, hue_order=None, hue_norm=None, sizes=None,

size_order=None, size_norm=None, markers=True, style_order=None,

x_bins=None, y_bins=None, units=None, estimator=None, ci=95, n_boot=1000,

alpha='auto', x_jitter=None, y_jitter=None, legend='brief', ax=None, **kwargs)

在所有的seaborn绘图时，里面的参数是众多的，但是不用担心，大部分参数是相同的，只有少部分存在差异，有些通过对单词的理解就可知道其含义，这里我只根据每个具体的图形重要的参数做一些解释，并简单的介绍这些常用参数的含义。

x，y：容易理解就是你需要传入的数据，一般为dataframe中的列；

hue：也是具体的某一可以用做分类的列，作用是分类；

data：是你的数据集，可要可不要，一般都是dataframe；

style：绘图的风格（后面单独介绍）；

size：绘图的大小（后面介绍）；

palette：调色板（后面单独介绍）；

markers：绘图的形状（后面介绍）；

ci：允许的误差范围（空值误差的百分比，0-100之间），可为‘sd’，则采用标准差（默认95）；

n_boot（int）：计算置信区间要使用的迭代次数；

alpha：透明度；

x_jitter，y_jitter：设置点的抖动程度。

先来个简单的散点图，绘制看看效果

#数据来源可在seaborn的GitHub上查找

tips = sns.load_dataset("tips")

ax = sns.scatterplot(x="total_bill", y="tip", data=tips)

接下来，复杂一点，按另一个变量分组（hue参数起了作用），不同类型的方式（style），点的大小（size），并显示具有不同颜色的组：

ax = sns.scatterplot(x="total_bill", y="tip",hue="day",

style="time",size='size',data=tips)