您可以只调用plt.plot在数据上绘制一条线。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

data = pd.DataFrame()
data['usable_area'] = 5*np.random.random(200)
data['price'] =  10*data['usable_area']+10*np.random.random(200)

X_plot = np.linspace(0, 7, 100)
Y_plot = 10*X_plot+5

g = sns.FacetGrid(data, height = 6)
g = g.map(plt.scatter, "usable_area", "price", edgecolor="w")
plt.plot(X_plot, Y_plot, color='r')
plt.show()

产生：

• 现在建议使用数字级函数（如seaborn.relplot或seaborn.regplot），而不要直接使用seaborn.FacetGrid
  *在python 3.8.12、pandas 1.3.3、matplotlib 3.4.3、seaborn 0.11.2中进行测试

示例数据和导入

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# create a dataframe with sample x and y
np.random.seed(365)
x = 5*np.random.random(200)
df = pd.DataFrame({'x': x, 'y': 10*x+10*np.random.random(200)})

# add custom line to the dataframe
base_beta = [10, 5]
df['y_line'] = base_beta[0] + base_beta[1]*df.x

display(df.head())
          x          y     y_line
0  4.707279  50.634968  33.536394
1  3.208014  33.890507  26.040068
2  3.423052  37.853276  27.115262
3  2.942810  29.899257  24.714052
4  2.719436  36.932170  23.597180

将自定义线添加到散点图

将sns.relplot与.map或.map_dataframe组合使用

• 将轴级绘图函数（例如sns.lineplot）应用于图形级绘图的每个面。
• seaborn: Building structured multi-plot grids

p1 = sns.relplot(kind='scatter', x='x', y='y', data=df, height=3.5, aspect=1.5)
p1.map_dataframe(sns.lineplot, 'x', 'y_line', color='g')

将sns.scatterplot与sns.lineplot合并

• 将两个轴级图绘制到同一图形

fig, ax = plt.subplots(figsize=(6, 4))
p1 = sns.scatterplot(data=df, x='x', y='y', ax=ax)
p2 = sns.lineplot(data=df, x='x', y='y_line', color='g', ax=ax)

回归线到散点图

• 对于回归线
• 将seaborn.lmplot用于图形级回归图
• 使用seaborn.regplot绘制轴级回归图。

sns.lmplot的第一个字符

p1 = sns.lmplot(data=df, x='x', y='y', line_kws={'color': 'g'}, height=3.5, aspect=1.5)

sns.regplot的第一个字符

p2 = sns.regplot(data=df, x='x', y='y', line_kws={'color': 'g'})

你也可以在数据上叠加一个Seborn图，假设你有组成这条线的点（下面，我称它们为x_pred和y_pred）：

fig, ax = plt.subplots(figsize=(11, 8.5))
sns.scatterplot(x='M2NS_PC1', y='FII5', data=ir_ms, ax=ax)
ax.axhline(y=0, color='k', linewidth=1)  # added because i want the origin
ax.axvline(x=0, color='k', linewidth=1)

fitted = sm.ols(formula='FII5 ~ M2NS_PC1', data=ir_ms).fit(cov_type='HC3')

x = ir_ms['M2NS_PC1']
x_pred = np.linspace(x.min() - 1, x.max() + 1, 50)
y_pred = fitted.predict(exog=dict(M2NS_PC1=x_pred))

sns.lineplot(x=x_pred, y=y_pred, ax=ax)

然后，把它们都画在同一个轴上。