用途：在 Python 中做统计数据可视化，适合比较实验条件下测量值分布（如处理组与对照组、细胞系、时间点）、展示汇总统计与个体数据点、绘制相关性热图、连续变量回归拟合与置信带，以及按样本子集分面绘图。也可用 pairplot 对新数据集做快速两两关系探索。若需像素级控制、复杂混合布局或非统计图，直接用 matplotlib；若需交互（悬停提示、缩放、平移）或嵌入网页，考虑 plotly。
主要能力：分布图 histplot、kdeplot、ecdfplot、displot；分类图 boxplot、violinplot、stripplot、swarmplot、barplot，带均值与 95% CI；关系图 scatterplot、lineplot 及 relplot 分面；回归图 regplot、residplot、lmplot；矩阵图 heatmap 与带层次聚类的 clustermap；多变量网格 pairplot、jointplot、FacetGrid。
使用方式：安装 pip install "seaborn>=0.13" matplotlib pandas numpy scipy。数据应为长表（每行一个观测、每列一个变量），语义映射 hue、size、style 依赖长表。区分 axes-level（可通过 ax= 嵌入自定义子图，返回 Axes）与 figure-level（自带 col/row 分面，尺寸用 height/aspect，用 g.savefig 保存）。常用调用如 sns.set_theme(style="ticks", context="notebook") 后 sns.boxplot(data=df, x="gene", y="log2_expr", hue="condition", palette="Set2")。
适用场景与限制：适合探索性与论文级统计图。需注意长表格式要求、figure-level 函数不能放入已有 axes、保存方式不同；分类变量数量多时标签可能重叠。资料未提供 GPU 或特殊硬件需求，未涉及收费、价格信息。