本文分享Python seaborn实现散点图矩阵代码模版，节选自👉嫌Matplotlib繁琐？试试Seaborn！

散点图矩阵（scatterplot matrix）展示原始数据中所有变量两两之间关系，可以规避单一统计指标的偏差，可以在平面上快速优雅的探索高维数据。注意区别于前文“分面多子图”，散点图矩阵可在每个子图中显示不同变量之间的关系（上三角形和下三角形中的图表互为镜像），格子中也可以使用不同的图形。

seaborn通过pairplot和PairGrid轻松实现散点图矩阵。

---

散点图矩阵-一行代码

sns.pairplot(data=penguins, ).fig.set_dpi(150)  #一行代码

---

散点图矩阵-高度个性化

g = sns.PairGrid(penguins,
                 hue="性别",
                 palette=["#006a8e", "#b1283a"],
                 diag_sharey=False)
g.map_upper(
    sns.scatterplot,
    size=penguins["体重"],  #散点按照“体重”变化
)  #更多参数参考上文章节“7.1 散点图（13种）”
g.map_diag(
    sns.histplot,
    multiple="stack",  #堆叠
)  #更多参数参考上文章节“8.1.12 分组直方图-堆积叠加”
g.map_lower(
    sns.kdeplot,
    fill=True,  #填充
    alpha=0.6,  #透明度
)  #更多参数参考上文章节“8.2 核密度图（16种）”
g.add_legend(title="")
g.fig.set_dpi(150)

换一组palettable中的配色👉palettable实现配色自由

g = sns.PairGrid(penguins,
                 hue="性别",
                 palette=palettable.tableau.BlueRed_6.mpl_colors[0:3],
                 diag_sharey=False)
g.map_upper(
    sns.scatterplot,
    size=penguins["体重"],
)
g.map_diag(
    sns.histplot,
    multiple="stack",
)
g.map_lower(
    sns.kdeplot,
    fill=True,
    alpha=0.6,
)
g.add_legend(title="")
g.fig.set_dpi(150)

g = sns.PairGrid(penguins,
                 hue="性别",
                 palette=palettable.lightbartlein.diverging.BlueGrey_8_r.mpl_colors[0:3],
                 diag_sharey=False)
g.map_upper(
    sns.scatterplot,
    size=penguins["体重"],
)
g.map_diag(
    sns.histplot,
    multiple="stack",
)
g.map_lower(
    sns.kdeplot,
    fill=True,
    alpha=0.6,
)
g.add_legend(title="")
g.fig.set_dpi(150)

g = sns.PairGrid(penguins,
                 hue="性别",
                 palette=palettable.cartocolors.qualitative.Bold_9_r.mpl_colors[0:3],
                 diag_sharey=False)
g.map_upper(
    sns.scatterplot,
    size=penguins["体重"],
)
g.map_diag(
    sns.histplot,
    multiple="stack",
)
g.map_lower(
    sns.kdeplot,
    fill=True,
    alpha=0.6,
)
g.add_legend(title="")
g.fig.set_dpi(150)

更多干货👇