Seaborn 是一个 Python 统计可视化库，用于创建出版级质量的统计图形。它适合面向数据集的绘图、多变量分析、自动统计估计以及用极简代码构建复杂多面板图形。
设计理念 Seaborn 遵循以下核心原则：面向数据集，直接使用 DataFrame 和具名变量而非抽象坐标；语义映射，自动将数据值转换为视觉属性（颜色、大小、样式）；统计感知，内置聚合、误差估计和置信区间；美观默认值，开箱即用的出版级主题和调色板；matplotlib 集成，需要时可完全兼容 matplotlib 自定义。
快速开始 import seaborn as sns import matplotlib.pyplot as plt import pandas as pd
加载示例数据集
df = sns.load_dataset('tips')
创建简单可视化
sns.scatterplot(data=df, x='total_bill', y='tip', hue='day') plt.show()
核心绘图接口 函数接口（传统）：按可视化类型组织专用绘图函数。每个类别都有轴级函数（绘制到单个坐标轴）和图形级函数（管理整个图形并支持分面）。适用于快速探索性分析、单一用途可视化、需要特定图形类型时。
对象接口（现代）：seaborn.objects 接口提供类似 ggplot2 的声明式、可组合 API。通过链式方法指定数据映射、标记、变换和标度来构建可视化。适用于复杂分层可视化、需要对变换进行细粒度控制、构建自定义图形类型、程序化生成图形。
from seaborn import objects as so
声明式语法
( so.Plot(data=df, x='total_bill', y='tip') .add(so.Dot(), color='day') .add(so.Line(), so.PolyFit()) )
按类别划分的绘图函数 关系图（变量间关系）：用于探索两个或多个变量之间的关系。scatterplot() 以点显示单个观测；lineplot() 显示趋势和变化（自动聚合并计算置信区间）；relplot() 图形级接口，支持自动分面。关键参数：x、y 主变量；hue 颜色编码；size 大小编码；style 标记/线型编码；col、row 分面（仅图形级）。
分布图（单变量和双变量分布）：用于理解数据分布范围、形状和概率密度。histplot() 基于柱的频率分布，支持灵活分箱；kdeplot() 使用高斯核的平滑密度估计；ecdfplot() 经验累积分布（无需调参）；rugplot() 单个观测刻度标记；displot() 图形级接口，支持单变量和双变量分布；jointplot() 双变量图及边缘分布；pairplot() 数据集成对关系矩阵。关键参数：x、y 变量；hue 按类别分离分布；stat 归一化方式；bins/binwidth 直方图分箱控制；bw_adjust KDE 带宽乘数；fill 填充曲线下面积；multiple 处理 hue 的方式。
分类图（跨类别比较）：用于比较离散类别间的分布或统计量。分类散点图：stripplot() 带抖动的点显示所有观测；swarmplot() 不重叠点（蜂群算法）。分布比较：boxplot() 四分位数和离群值；violinplot() KDE 加四分位信息；boxenplot() 增强箱线图，适合较大数据集。统计估计：barplot() 均值/聚合及置信区间；pointplot() 点估计及连接线；countplot() 每类别观测计数。图形级：catplot() 分面分类图（设置 kind 参数）。关键参数：x、y 变量；hue 额外分类分组；order、hue_order 控制类别顺序；dodge 并排分离 hue 水平；orient 方向；kind catplot 的图形类型。
回归图（线性关系）：用于可视化线性回归和残差。regplot() 轴级回归图，散点加拟合线；lmplot() 图形级，支持分面；residplot() 残差图，评估模型拟合。关键参数：x、y 回归变量；order 多项式回归阶数；logistic 拟合逻辑回归；robust 使用稳健回归；ci 置信区间宽度（默认 95）；scatter_kws、line_kws 自定义散点和线属性。
矩阵图（矩形数据）：用于可视化矩阵、相关性和网格结构数据。heatmap() 颜色编码矩阵并支持标注；clustermap() 层次聚类热图。关键参数：data 二维矩形数据集；annot 在单元格显示值；fmt 标注格式字符串；cmap 颜色映射名称；center 颜色映射中心值；vmin、vmax 颜色标度范围；square 强制方形单元格；linewidths 单元格间隙。
多图网格 Seaborn 提供网格对象创建复杂多面板图形：FacetGrid 基于分类变量创建子图，通常通过图形级函数调用，也可直接用于自定义图形；PairGrid 显示数据集中所有变量间的成对关系；JointGrid 结合双变量图和边缘分布。
图形级与轴级函数 理解这一区别对有效使用 seaborn 至关重要。轴级函数：绘制到单个 matplotlib Axes 对象；易于集成到复杂 matplotlib 图形；接受 ax= 参数精确放置；返回 Axes 对象。示例：scatterplot、histplot、boxplot、regplot、heatmap。适用于构建自定义多图布局、组合不同图形类型、需要 matplotlib 级控制、与现有 matplotlib 代码集成。图形级函数：管理整个图形包括所有子图；通过 col 和 row 参数内置分面；返回 FacetGrid、JointGrid 或 PairGrid 对象；使用 height 和 aspect 调整尺寸（每个子图）；不能放入现有图形。示例：relplot、displot、catplot、lmplot、jointplot、pairplot。适用于分面可视化（小倍数）、快速探索性分析、一致的多面板布局、无需与其他图形类型组合。
数据结构要求 长格式数据（首选）：每个变量是一列，每个观测是一行。这种“整洁”格式提供最大灵活性，适用于所有 seaborn 函数，易于将变量重新映射到视觉属性，支持任意复杂度，适合 DataFrame 操作。宽格式数据：变量分散在各列。适用于简单时间序列、相关矩阵、热图、数组数据的快速绘图。宽转长：df_long = df.melt(var_name='condition', value_name='measurement')
调色板 Seaborn 为不同数据类型提供精心设计的调色板。定性调色板（分类数据）：通过色相变化区分类别，包括 "deep"、"muted"、"pastel"、"bright"、"dark"、"colorblind"。顺序调色板（有序数据）：显示从低到高的进展，包括 "rocket"、"mako"、"flare"、"crest"、"viridis"、"magma"、"plasma"。发散调色板（居中数据）：强调偏离中点，包括 "vlag"、"icefire"、"coolwarm"、"Spectral"。自定义调色板：sns.color_palette("husl", 8)、sns.light_palette("seagreen", as_cmap=True)、sns.diverging_palette(250, 10, as_cmap=True)。
主题与美学 set_theme() 控制整体外观。样式控制背景和网格外观："darkgrid"（默认）、"whitegrid"、"dark"、"white"、"ticks"。上下文按用例缩放元素："paper"（默认）、"notebook"、"talk"、"poster"。
最佳实践
- 数据准备：始终使用结构良好、列名有意义的 DataFrame。2. 选择正确图形类型：连续 x 连续 y 用 scatterplot、lineplot、kdeplot、regplot；连续 x 分类 y 用 violinplot、boxplot、stripplot、swarmplot；单个连续变量用 histplot、kdeplot、ecdfplot；相关性/矩阵用 heatmap、clustermap；成对关系用 pairplot、jointplot。3. 使用图形级函数进行分面。4. 利用语义映射：使用 hue、size 和 style 编码额外维度。5. 控制统计估计：许多函数自动计算统计量，理解并自定义。6. 与 matplotlib 结合进行微调。7. 保存高质量图形：fig.savefig('figure.png', dpi=300, bbox_inches='tight')。
常见模式 探索性数据分析：sns.pairplot(data=df, hue='target', corner=True)；sns.displot(data=df, x='variable', hue='group', kind='kde', fill=True, col='category')；相关分析 sns.heatmap(corr, annot=True, cmap='coolwarm', center=0)。出版级图形：设置主题和上下文，使用 catplot 分面，设置轴标签和标题，保存为 PDF。复杂多面板图形：使用 matplotlib subplots 结合 seaborn 轴级函数。