学习笔记 数据分析

Seaborn统计图表

美观的统计可视化 — 基于Matplotlib的高级统计绘图库

一、Seaborn概述

Seaborn是基于Matplotlib构建的Python统计可视化库，由Michael Waskom于2012年创建。它的核心理念是"让统计图表既美观又有信息量"，通过简洁的API和优雅的默认主题，使数据分析人员能够用最少的代码生成高质量的统计图形。

简洁API

一行代码即可生成专业统计图表

内置主题

优雅的默认配色和样式，无需额外配置

Pandas集成

原生支持DataFrame，自动处理缺失值

统计增强

内置置信区间、回归拟合、分布估计

Seaborn与Matplotlib的关系

理解Seaborn与Matplotlib的关系是学习的第一步。Matplotlib提供了底层绘图基础，而Seaborn在其之上构建了更高层次的API：

核心原则：Seaborn的设计哲学

  • 高层级抽象 — 绘图函数直接映射数据列到视觉属性
  • 美观优先 — 默认配色和样式经过精心挑选
  • 统计驱动 — 自动计算置信区间、分布拟合等统计量
  • 灵活扩展 — 支持FacetGrid创建多子图，适应复杂数据分析场景
# 安装和导入Seaborn # pip install seaborn import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 查看Seaborn版本 print(sns.__version__) # 输出: 0.13.x # Seaborn内置数据集 print(sns.get_dataset_names())

二、Seaborn内置数据集

Seaborn提供了多个经典数据集用于学习和演示，这些数据集覆盖了不同的数据类型和分析场景：

数据集 描述 适用场景
iris 鸢尾花数据集（150条，4个特征） 分类、聚类、分布可视化
tips 餐厅小费数据（244条） 分类分析、回归分析
penguins 企鹅数据（344条，3个物种） 多维分类、分布对比
titanic 泰坦尼克号乘客数据 生存分析、分类统计
diamonds 钻石价格数据（约54000条） 大规模数据可视化
planets 系外行星数据 散点图、时间序列
fmri 功能性磁共振数据 时间序列、置信区间
flights 航空乘客数据 热力图、时间序列
# 加载内置数据集 tips = sns.load_dataset("tips") print(tips.head()) print(tips.info()) penguins = sns.load_dataset("penguins") print(penguins.head()) # 查看数据集的描述 print(tips.describe()) print(tips["day"].value_counts())

数据集加载说明

Seaborn数据集通过 sns.load_dataset() 加载，返回Pandas DataFrame对象。首次加载时会自动从GitHub仓库下载并缓存到本地。如果网络受限，也可以手动下载CSV文件后用 pd.read_csv() 读取。

三、分布可视化

分布可视化是数据分析中最常用的图表类型之一，用于理解数据的分布形态、集中趋势、离散程度和异常值。Seaborn提供了丰富的分布可视化工具。

3.1 displot — 通用分布图（Seaborn 0.11+）

displot 是Seaborn 0.11版本引入的通用分布绘图函数，它整合了直方图、核密度估计、经验累积分布和地毯图等多种分布可视化方式。该函数基于FacetGrid构建，天然支持多子图分面。

# displot 基本用法 sns.displot(data=tips, x="total_bill") plt.title("消费金额分布") plt.show() # 添加核密度估计曲线 sns.displot(data=tips, x="total_bill", kde=True) # 按分类分组，并排显示 sns.displot(data=tips, x="tip", hue="sex", multiple="dodge") # 堆积分布图 sns.displot(data=tips, x="total_bill", hue="day", multiple="stack") # 分面显示 sns.displot(data=tips, x="total_bill", col="time", row="sex")

3.2 histplot — 直方图

直方图将数据划分为若干个连续的区间（bins），统计每个区间内的数据频数。它是理解数据分布最直观的方式。

# histplot 参数详解 sns.histplot( data=tips, x="total_bill", bins=30, # 柱子数量 binwidth=2, # 柱子宽度（与bins二选一） kde=True, # 叠加核密度估计 color="steelblue", # 设置颜色 alpha=0.7, # 透明度 edgecolor="white" # 边框颜色 ) # 分组直方图 sns.histplot(data=tips, x="total_bill", hue="sex", element="step", fill=False)

3.3 kdeplot — 核密度估计图

核密度估计图用平滑的曲线表示数据的概率密度分布，是直方图的平滑版本。它使用核函数（默认为高斯核）对每个数据点周围进行平滑处理。

# 核密度估计图 sns.kdeplot(data=tips, x="total_bill", fill=True) # 双变量核密度估计 sns.kdeplot(data=tips, x="total_bill", y="tip", fill=True, cmap="Blues") # 分组对比 sns.kdeplot(data=tips, x="total_bill", hue="time", fill=True, alpha=0.5) # 调整带宽参数 sns.kdeplot(data=tips, x="total_bill", bw_adjust=0.5, label="带宽=0.5") sns.kdeplot(data=tips, x="total_bill", bw_adjust=2.0, label="带宽=2.0") plt.legend()

3.4 ecdfplot — 经验累积分布图

ECDF（Empirical Cumulative Distribution Function）图绘制数据从小到大的累积比例，每个数据点对应一个跳跃。它不需要选择带宽或柱子宽度参数，忠实反映原始数据分布。

# 经验累积分布图 sns.ecdfplot(data=tips, x="total_bill") # 分组ECDF sns.ecdfplot(data=tips, x="total_bill", hue="sex") # 双变量ECDF sns.ecdfplot(data=tips, x="total_bill", y="tip") # ECDF的优势：无需参数选择 # 从ECDF可以直接读取：中位数、四分位数、特定百分位的值

3.5 rugplot — 地毯图

地毯图在坐标轴上绘制短须线标记每个数据点的位置，通常作为其他分布图的补充，显示数据的精确位置和密度。

# 基本地毯图 sns.rugplot(data=tips, x="total_bill") # 结合直方图和地毯图 sns.histplot(data=tips, x="total_bill", kde=True) sns.rugplot(data=tips, x="total_bill", color="red", height=0.05) # 分侧地毯图（分组对比） sns.kdeplot(data=tips, x="total_bill", hue="sex", fill=True) sns.rugplot(data=tips, x="total_bill", hue="sex")

分布图选择指南

  • 连续变量单变量分布 — 使用 histplot（样本量大）或 kdeplot（平滑连续）
  • 连续变量双变量分布 — 使用 kdeplot（等高线/填充）或 histplot（2D分箱）
  • 精确查看数据位置 — 使用 rugplot 叠加在分布图上
  • 无参数选择的分布 — 使用 ecdfplot 显示精确的累积比例

四、关系可视化

关系可视化用于探索两个或多个数值变量之间的关联模式，发现相关性、趋势、聚类和异常值。

4.1 scatterplot — 散点图

散点图是展示两个连续变量关系的基础图表，每个点代表一个观测样本。

# 基本散点图 sns.scatterplot(data=tips, x="total_bill", y="tip") # 语义映射：用颜色和大小编码额外维度 sns.scatterplot( data=tips, x="total_bill", y="tip", hue="time", # 颜色映射 size="size", # 大小映射 style="sex", # 标记样式映射 palette="deep", # 调色板 sizes=(20, 200) # 点大小范围 )

4.2 lineplot — 线图

线图用于展示变量随某个连续维度的变化趋势，特别适合时间序列数据。

# 线图（自动计算均值和置信区间） fmri = sns.load_dataset("fmri") sns.lineplot(data=fmri, x="timepoint", y="signal") # 分组线图 sns.lineplot( data=fmri, x="timepoint", y="signal", hue="event", # 按事件类型分组 style="region" # 按脑区改变线型 ) # 不显示置信区间 sns.lineplot(data=fmri, x="timepoint", y="signal", ci=None)

4.3 relplot — 关系图（高级接口）

relplot 是关系图的统一接口，通过 kind 参数切换散点图和线图，天然支持FacetGrid分面。

# relplot 统一接口 # kind="scatter" 散点图 sns.relplot(data=tips, x="total_bill", y="tip", hue="day", col="time", kind="scatter") # kind="line" 线图 sns.relplot(data=fmri, x="timepoint", y="signal", hue="event", col="region", kind="line") # 多行多列分面 sns.relplot(data=tips, x="total_bill", y="tip", hue="sex", col="time", row="day", kind="scatter")

4.4 hue / style / size 语义映射

Seaborn的语义映射系统允许将数据列映射到视觉属性，在一个图表中展示多个维度的信息：

映射参数 视觉属性 适用数据类型 示例
hue 颜色 分类或连续变量 hue="sex", hue="total_bill"
style 标记/线型 分类变量 style="day"
size 点大小/线宽 分类或连续变量 size="tip", size="group"
alpha 透明度 连续变量 alpha="distance"
marker 标记形状 分类变量 marker=True

语义映射最佳实践

  • 使用 hue 区分最重要的分组变量
  • 使用 style 辅助区分分类变量（方便黑白打印）
  • 使用 size 编码数值变量（如权重、数量）
  • 避免在一张图中使用超过3种映射，防止视觉过载
  • 搭配 palette 参数选择合适的颜色方案

五、分类可视化

分类可视化用于比较不同类别之间的数值分布和统计特征。Seaborn的 catplot 系列提供了丰富的分类图表类型。

5.1 catplot — 分类图统一接口

catplot 是分类可视化的高级接口，通过 kind 参数切换不同类型的分类图。

# catplot 支持的kind类型 # kind可选: box, violin, boxen, point, bar, strip, swarm, count # 箱线图 sns.catplot(data=tips, x="day", y="total_bill", kind="box") # 小提琴图 sns.catplot(data=tips, x="day", y="total_bill", kind="violin") # 分面分类图 sns.catplot(data=tips, x="day", y="total_bill", hue="sex", col="time", kind="box")

5.2 boxplot — 箱线图

箱线图通过四分位数直观展示数据的分布特征。箱体表示数据的四分位距（IQR），中位数用横线标记，须线延伸至1.5倍IQR范围，之外的为异常值。

# 箱线图解读 # 箱体：Q1（25%）到 Q3（75%） # 箱中横线：中位数（Q2，50%） # 须线：Q1-1.5*IQR 到 Q3+1.5*IQR # 菱形点：异常值 sns.boxplot(data=tips, x="day", y="total_bill") # 分组箱线图 sns.boxplot(data=tips, x="day", y="total_bill", hue="sex") # 水平箱线图（交换x和y） sns.boxplot(data=tips, y="day", x="total_bill")

5.3 violinplot — 小提琴图

小提琴图结合了箱线图和核密度估计图的优点：外侧形状表示数据的概率密度分布，内部显示四分位数和中位数。宽度越大的区域表示数据越集中。

# 小提琴图 sns.violinplot(data=tips, x="day", y="total_bill") # 分组小提琴图 sns.violinplot(data=tips, x="day", y="total_bill", hue="sex", split=True) # 调整参数 sns.violinplot( data=tips, x="day", y="total_bill", inner="quart", # 内部显示四分位数 cut=0, # 不延伸到数据范围外 bw=0.2 # 核密度带宽 )

5.4 stripplot 与 swarmplot

stripplot（带状图）在每个类别上绘制散点，swarmplot（蜂群图）对点进行避让排列避免重叠。两者常与箱线图或小提琴图叠加使用。

# 带状图 sns.stripplot(data=tips, x="day", y="total_bill", jitter=True) # 蜂群图（自动避让） sns.swarmplot(data=tips, x="day", y="total_bill", color="black", alpha=0.5) # 小提琴图 + 蜂群图叠加 sns.violinplot(data=tips, x="day", y="total_bill", inner=None, alpha=0.4) sns.swarmplot(data=tips, x="day", y="total_bill", color="#2c3e50", alpha=0.7)

5.5 barplot / countplot / pointplot

# barplot — 柱状图（显示均值和置信区间） sns.barplot(data=tips, x="day", y="total_bill") # 分组柱状图 sns.barplot(data=tips, x="day", y="total_bill", hue="sex") # countplot — 计数图（分类变量频数） sns.countplot(data=tips, x="day") # 分组计数 sns.countplot(data=tips, x="day", hue="sex") # pointplot — 点图（显示均值和误差线） sns.pointplot(data=tips, x="day", y="total_bill") # 分组点图 sns.pointplot(data=tips, x="day", y="total_bill", hue="sex", dodge=True, markers=["o", "s"], linestyles=["--", "-"])

分类图选择建议

  • 箱线图 — 适合展示整体分布和异常值，数据量大时效果好
  • 小提琴图 — 显示分布形状，适合中等规模数据
  • 蜂群图 — 展示所有数据点，适合小样本（<200个点）
  • 柱状图 — 展示均值比较，适合呈现汇总统计量
  • 计数图 — 展示类别出现频次
  • 点图 — 简洁展示均值变化趋势

六、回归可视化

回归可视化用于探索变量间的线性或非线性关系，并拟合统计模型进行预测分析。

6.1 lmplot — 线性回归图（高级接口）

lmplot 绘制散点图并拟合回归线，自动显示置信区间。它基于FacetGrid构建，天然支持分面。

# 基本回归图 sns.lmplot(data=tips, x="total_bill", y="tip") # 分组回归（为每组分别拟合） sns.lmplot(data=tips, x="total_bill", y="tip", hue="sex", markers=["o", "x"]) # 分面回归 sns.lmplot(data=tips, x="total_bill", y="tip", col="time", row="sex") # 多项式回归 sns.lmplot(data=tips, x="total_bill", y="tip", order=2) # 二次多项式拟合 # 控制置信区间 sns.lmplot(data=tips, x="total_bill", y="tip", ci=95) # 95%置信区间

6.2 regplot — 回归图（底层接口）

regplot 的绘图逻辑与 lmplot 相同，但不支持分面。它更灵活，可以直接在已有坐标轴上绘图。

# regplot 基本用法 sns.regplot(data=tips, x="total_bill", y="tip") # 在已有Axes上绘图 fig, ax = plt.subplots(figsize=(8, 6)) sns.regplot(data=tips, x="total_bill", y="tip", scatter_kws={"alpha": 0.5, "s": 50}, line_kws={"color": "red", "lw": 3}, ax=ax) ax.set_title("消费金额 vs 小费 回归分析") # 对数线性回归 # 对x取对数进行回归 sns.regplot(data=tips, x="total_bill", y="tip", logx=True)

6.3 residplot — 残差图

残差图用于评估回归模型的拟合效果。理想情况下，残差应随机分布在零线附近，无明显模式。

# 残差图 sns.residplot(data=tips, x="total_bill", y="tip") # 添加低平滑线辅助观察 sns.residplot(data=tips, x="total_bill", y="tip", lowess=True, line_kws={"color": "red", "lw": 2}) # 分组残差 sns.residplot(data=tips, x="total_bill", y="tip", scatter_kws={"alpha": 0.6})

回归分析注意事项

  • lmplot 适合快速探索变量间关系，自动分面展示
  • regplot 适合在定制化图表中嵌入回归线
  • 多项式回归（order参数）需谨慎使用，避免过拟合
  • 拟合前检查数据的线性假设是否成立
  • 残差图是评估模型质量的重要工具
  • 置信区间宽度随样本量减小而增大

七、Seaborn主题与调色板

Seaborn提供了强大的主题和配色系统，让用户能够快速定制图表的整体外观风格。

7.1 set_theme 与 set_style

# 设置全局主题 sns.set_theme() # 设置风格（5种预设风格） sns.set_style("whitegrid") # 白色背景+网格 sns.set_style("darkgrid") # 深色背景+网格（默认） sns.set_style("white") # 白色背景无网格 sns.set_style("dark") # 深色背景无网格 sns.set_style("ticks") # 白色背景带刻度线 # 使用axes_style临时设置 with sns.axes_style("whitegrid"): sns.histplot(data=tips, x="total_bill") # 设置绘图上下文（缩放） sns.set_context("paper") # 适合论文（小字号） sns.set_context("notebook") # 适合笔记本（默认） sns.set_context("talk") # 适合演讲（大字号） sns.set_context("poster") # 适合海报（更大字号） # 自定义上下文参数 sns.set_context("talk", font_scale=1.2, rc={"lines.linewidth": 2.5})

7.2 set_palette 与 color_palette

Seaborn的调色板系统提供了多种配色方案，适应不同数据类型和可视化需求。

# 分类调色板（适用于类别数据） sns.set_palette("deep") # 深色（默认） sns.set_palette("pastel") # 柔和色 sns.set_palette("bright") # 亮色 sns.set_palette("dark") # 深暗色 sns.set_palette("colorblind") # 色觉障碍友好 sns.set_palette("Set2") # ColorBrewer Set2 # 连续调色板（适用于数值数据） sns.set_palette("viridis") # 感知均匀的渐变色 sns.set_palette("rocket") # 火箭配色 sns.set_palette("Blues") # 蓝色渐深 # 创建自定义调色板 custom_palette = sns.color_palette("husl", 8) sns.set_palette(custom_palette) # 预览调色板 sns.palplot(sns.color_palette("coolwarm", 7)) # 创建自定义颜色列表 my_colors = ["#3498db", "#e74c3c", "#2ecc71", "#f39c12"] sns.set_palette(my_colors)

调色板选择原则

  • 分类数据（离散类别） — 使用 deep, pastel, Set1-3 等分类调色板
  • 连续数据（数值渐变） — 使用 viridis, rocket, Blues 等连续调色板
  • 发散数据（有零点的正负值） — 使用 coolwarm, RdBu 等发散调色板
  • 色觉障碍友好 — 优先使用 viridis 或 colorblind 调色板

7.3 axes_style 与 plotting_context

# 获取当前样式参数 print(sns.axes_style()) print(sns.plotting_context()) # 自定义axes_style sns.set_style("darkgrid", { "axes.facecolor": "#f0f0f0", "axes.edgecolor": "#333333", "grid.color": "white", "grid.linestyle": "--" }) # 同时设置主题、风格、上下文 sns.set_theme( style="whitegrid", palette="muted", font="SimHei", font_scale=1.1, rc={"figure.figsize": (10, 6)} )

八、FacetGrid 多子图

FacetGrid是Seaborn构建多子图的核心组件，它根据数据列的值将数据分配到多个子图中，实现分面可视化。这在探索多变量数据时非常有用。

8.1 基本FacetGrid用法

# 创建FacetGrid g = sns.FacetGrid(tips, col="time") g.map(sns.histplot, "total_bill") # 行列分面 g = sns.FacetGrid(tips, col="day", row="sex") g.map(sns.scatterplot, "total_bill", "tip") # 设置col_wrap（列数过多时自动换行） g = sns.FacetGrid(tips, col="day", col_wrap=2) g.map(sns.histplot, "total_bill") # 添加hue分组 g = sns.FacetGrid(tips, col="time", hue="sex") g.map(sns.scatterplot, "total_bill", "tip") g.add_legend()

8.2 高级FacetGrid配置

# 自定义子图参数 g = sns.FacetGrid( tips, col="day", height=4, # 每个子图的高度 aspect=1.2, # 宽高比 sharex=True, # 共享x轴 sharey=True, # 共享y轴 palette="Set2" ) g.map(sns.kdeplot, "total_bill", fill=True) g.set_titles("星期: {col_name}") g.set_axis_labels("消费金额", "密度") g.tight_layout() # 多类型映射 g = sns.FacetGrid(tips, col="day", row="sex") g.map(sns.scatterplot, "total_bill", "tip", alpha=0.7) g.map(sns.regplot, "total_bill", "tip", scatter=False, color="red")

8.3 使用row和col参数

许多Seaborn高级绘图函数（如 relplot、displot、catplot、lmplot）的 row 和 col 参数内部就是通过FacetGrid实现的。

# relplot 使用col和row sns.relplot( data=tips, x="total_bill", y="tip", hue="sex", style="smoker", col="day", col_wrap=2 ) # displot 使用row和col sns.displot( data=penguins, x="flipper_length_mm", hue="species", col="island", kind="kde", fill=True ) # 自定义FacetGrid的边际和标题 g = sns.FacetGrid(tips, col="day", height=5, aspect=0.8) g.map(sns.boxplot, "sex", "total_bill") g.set_axis_labels("", "Total Bill ($)") g.set_titles("Day: {col_name}") g.tight_layout()

FacetGrid最佳实践

  • 使用 col_wrap 控制列数，避免子图排布超出页面宽度
  • 使用 sharex 和 sharey 控制坐标轴共享，便于比较不同面板
  • 使用 set_titles() 自定义子图标题格式
  • 使用 set_axis_labels() 统一设置坐标轴标签
  • 数据量较小时优先使用 col 而非 row，便于横向比较
  • 结合 map() 方法可以为每个面板绘制多种图形

九、实战案例：完整数据分析流程

以下是一个使用Seaborn进行完整探索性数据分析的实战案例，综合运用了本节讲解的多种图表类型和分析方法。

# 实战案例：企鹅数据集探索性分析 import seaborn as sns import matplotlib.pyplot as plt # 1. 加载数据 penguins = sns.load_dataset("penguins") print(penguins.head()) print(penguins.describe()) # 2. 设置全局主题 sns.set_theme(style="whitegrid", palette="muted") # 3. 单变量分布分析 fig, axes = plt.subplots(1, 3, figsize=(15, 5)) sns.histplot(data=penguins, x="bill_length_mm", kde=True, ax=axes[0]) sns.histplot(data=penguins, x="bill_depth_mm", kde=True, ax=axes[1]) sns.histplot(data=penguins, x="flipper_length_mm", kde=True, ax=axes[2]) plt.tight_layout() plt.show() # 4. 双变量关系分析 g = sns.relplot( data=penguins, x="bill_length_mm", y="bill_depth_mm", hue="species", style="species", size="body_mass_g", sizes=(30, 200), col="island" ) g.set_titles("{col_name}") plt.show() # 5. 分类比较 fig, axes = plt.subplots(2, 2, figsize=(14, 10)) sns.boxplot(data=penguins, x="species", y="bill_length_mm", ax=axes[0, 0]) sns.violinplot(data=penguins, x="species", y="flipper_length_mm", ax=axes[0, 1]) sns.barplot(data=penguins, x="species", y="body_mass_g", ax=axes[1, 0]) sns.countplot(data=penguins, x="species", hue="sex", ax=axes[1, 1]) plt.tight_layout() plt.show() # 6. 回归分析 sns.lmplot( data=penguins, x="bill_length_mm", y="bill_depth_mm", hue="species", col="species", height=4, aspect=1 ) plt.show() # 7. 热力图（相关性矩阵） plt.figure(figsize=(8, 6)) corr = penguins.select_dtypes(include=["number"]).corr() sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f", linewidths=0.5) plt.title("企鹅数据集特征相关性矩阵") plt.show()

十、常用图表速查表

图表类型 函数 数据要求 用途
直方图 histplot 1个连续变量 展示数据分布形态
核密度图 kdeplot 1-2个连续变量 平滑分布估计
ECDF图 ecdfplot 1个连续变量 累积分布比例
散点图 scatterplot 2个连续变量 变量间关系
线图 lineplot 1连续+1有序 趋势变化
箱线图 boxplot 1分类+1连续 分组分布与异常值
小提琴图 violinplot 1分类+1连续 分组分布形状
蜂群图 swarmplot 1分类+1连续 展示所有数据点
柱状图 barplot 1分类+1连续 均值比较
计数图 countplot 1个分类变量 数量统计
回归图 lmplot/regplot 2个连续变量 回归拟合
热力图 heatmap 矩阵数据 相关性/热力分布
分面子图 FacetGrid 多变量数据 多面板对比

十一、核心要点总结

Seaborn学习核心要点

  • 设计哲学 — Seaborn以"美观且信息丰富"为核心目标，基于Matplotlib构建，提供更高层次的统计可视化接口
  • 分布可视化 — displot 统一接口支持 histogram/KDE/ECDF/rug 四种分布图，适应不同分析需求
  • 关系可视化 — relplot 统一管理散点图和线图，通过 hue/style/size 实现多维语义映射
  • 分类可视化 — catplot 提供9种分类图表，从小提琴图到蜂群图覆盖所有比较需求
  • 回归分析 — lmplot 和 regplot 支持线性/多项式回归，残差图辅助模型评估
  • 主题系统 — set_theme/set_style/set_palette 三级样式控制，实现图表的全局定制
  • 多子图系统 — FacetGrid 和 col/row 参数天然支持分面分析，适合探索多变量数据
  • 数据集集成 — 内置 tips/penguins/iris/fmri 等经典数据集，便于学习和演示
  • 与Pandas深度集成 — 直接以 DataFrame 列名为参数，自动处理缺失值和分类数据
  • 最佳实践 — 先使用 relplot/catplot/displot 等高级接口探索数据，再使用底层接口定制细节

十二、进一步学习与实践

学习路径建议

  1. 基础入门 — 掌握 displot / relplot / catplot 三大高级接口，熟悉基础参数
  2. 主题定制 — 学习 set_theme / set_style / set_palette 系统，构建个人图表风格
  3. 分面进阶 — 深入学习 FacetGrid 和 PairGrid，掌握多子图管理
  4. 回归与统计 — 掌握 lmplot / regplot 的统计含义和参数配置
  5. Matplotlib结合 — 学习用Matplotlib对Seaborn图表进行细节微调
  6. 实战项目 — 使用真实数据集完成完整的探索性数据分析流程

Seaborn版本演进

  • v0.11 (2021) — 引入 displot / relplot 统一接口，重写底层架构
  • v0.12 (2022) — 改进主题系统，增强对象接口
  • v0.13 (2024) — 优化性能，改进配色方案，增强文档
  • 建议始终使用最新版本，以获得最佳功能和性能

常见误区提醒

  • Seaborn 不能替代 Matplotlib，而是补充和增强
  • Seaborn的默认主题在某些出版场景下仍需手动调整
  • displot (v0.11+) 和 distplot (已弃用) 是不同的函数，不要混用
  • 数据量大时（>10万条），考虑使用 histplot 而非 kdeplot 以提高性能
  • FacetGrid在子图数量过多时（>20）会严重影响可视化效果

十三、完整参考资源