Seaborn 是一个 Python 统计数据可视化库，用于创建出版级质量的统计图形。它的用途是面向数据集的绘图、多变量分析、自动统计估计，以及用少量代码创建复杂的多面板图形，并可与 pandas 深度集成。
设计理念 Seaborn 遵循以下核心原则：数据集导向，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，需要时可与 matplotlib 自定义完全兼容。
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。每个类别都有坐标轴级函数（绘制到单个 Axes）和图形级函数（管理整个图形并进行分面）。适用于快速探索性分析、单一用途可视化以及需要特定图形类型时。 objects 接口（现代）：seaborn.objects 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以及以程序方式生成图形时。
按类别划分的绘图函数 关系图（变量之间的关系）：用于探索两个或多个变量之间的关系。包括 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()（带自动分面的图形级接口）。关键参数：x、y 为主要变量；hue 为附加分类/连续变量的颜色编码；size 为点/线大小编码；style 为标记/线样式编码；col、row 用于分面到多个子图（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。包括 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()（单个观测的刻度标记）、displot()（单变量和双变量分布的图形级接口）、jointplot()（带边缘分布的双变量图）、pairplot()（数据集的成对关系矩阵）。关键参数：x、y 为变量（单变量时 y 可选）；hue 按类别分离分布；stat 为归一化方式（"count"、"frequency"、"probability"、"density"）；bins / binwidth 控制直方图分箱；bw_adjust 为 KDE 带宽乘数（越高越平滑）；fill 填充曲线下区域；multiple 为处理 hue 的方式（"layer"、"stack"、"dodge"、"fill"）。
分类图（跨类别比较）：用于比较离散类别间的分布或统计量。分类散点图包括 stripplot()（带抖动的点，显示所有观测）和 swarmplot()（不重叠的点，蜂群算法）。分布比较包括 boxplot()（四分位数和离群值）、violinplot()（KDE + 四分位数信息）、boxenplot()（面向较大数据集的增强箱线图）。统计估计包括 barplot()（带置信区间的均值/聚合）、pointplot()（点估计及连接线）、countplot()（每类别的观测计数）。图形级为 catplot()（分面分类图，设置 kind 参数）。关键参数：x、y 为变量（通常一个是分类变量）；hue 为附加分类分组；order、hue_order 控制类别顺序；dodge 将 hue 水平并排分离；orient 为 "v"（垂直）或 "h"（水平）；kind 为 catplot 的图形类型（"strip"、"swarm"、"box"、"violin"、"bar"、"point"）。
回归图（线性关系）：用于可视化线性回归和残差。包括 regplot()（坐标轴级回归图，散点 + 拟合线）、lmplot()（带分面支持的图形级）、residplot()（用于评估模型拟合的残差图）。关键参数：x、y 为要回归的变量；order 为多项式回归阶数；logistic 拟合逻辑回归；robust 使用稳健回归（对离群值不敏感）；ci 为置信区间宽度（默认 95）；scatter_kws、line_kws 自定义散点和线条属性。
矩阵图（矩形数据）：用于可视化矩阵、相关性和网格结构数据。包括 heatmap()（带注释的颜色编码矩阵）、clustermap()（层次聚类热图）。关键参数：data 为二维矩形数据集（DataFrame 或数组）；annot 在单元格中显示值；fmt 为注释的格式字符串（如 ".2f"）；cmap 为颜色映射名称；center 为颜色映射中心的值（用于发散型颜色映射）；vmin、vmax 为颜色标度范围；square 强制方形单元格；linewidths 单元格之间的间隙。
多图网格 Seaborn 提供网格对象用于创建复杂的多面板图形：FacetGrid 根据分类变量创建子图（最常通过图形级函数 relplot、displot、catplot 调用，也可直接用于自定义图形）；PairGrid 显示数据集中所有变量之间的成对关系；JointGrid 将双变量图与边缘分布结合。
图形级与坐标轴级函数 这一区分对有效使用 seaborn 至关重要。坐标轴级函数绘制到单个 matplotlib Axes 对象，易于集成到复杂的 matplotlib 图形中，接受 ax= 参数以精确放置，返回 Axes 对象，例如 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 进行大小设置（按子图），不能放入现有图形中，例如 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、不需要与其他图形类型组合时。
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：变量分散在各列中。适用于简单矩形数据，如简单时间序列、相关矩阵、热图、数组数据的快速绘图。
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，如 "deep"（默认，鲜艳）、"muted"（较柔和）、"pastel"（浅淡）、"bright"（高饱和）、"dark"（深色值）、"colorblind"（适合色觉缺陷）。顺序调色板（有序数据）：显示从低到高的进展，如 "rocket"、"mako"（宽亮度范围，适合热图）、"flare"、"crest"（受限亮度，适合点/线）、"viridis"、"magma"、"plasma"（matplotlib 感知均匀）。发散调色板（居中数据）：强调与中点的偏差，如 "vlag"（蓝到红）、"icefire"（蓝到橙）、"coolwarm"（冷到暖）、"Spectral"（彩虹发散）。也可创建自定义调色板。
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"（灰色背景配白色网格，默认）、"whitegrid"（白色背景配灰色网格）、"dark"（灰色背景，无网格）、"white"（白色背景，无网格）、"ticks"（白色背景配坐标轴刻度）。上下文为不同用例缩放元素："paper"（最小，默认）、"notebook"（稍大）、"talk"（演示幻灯片）、"poster"（大幅面）。
最佳实践
- 数据准备：始终使用结构良好、列名有意义的 DataFrame，避免未命名数组（会丢失坐标轴标签）。
- 选择合适的图形类型：连续 x、连续 y 用 scatterplot、lineplot、kdeplot、regplot；连续 x、分类 y 用 violinplot、boxplot、stripplot、swarmplot；一个连续变量用 histplot、kdeplot、ecdfplot；相关性/矩阵用 heatmap、clustermap；成对关系用 pairplot、jointplot。
- 使用图形级函数进行分面，而非手动创建子图。
- 利用语义映射，使用 hue、size 和 style 编码额外维度。
- 控制统计估计：许多函数自动计算统计量，应理解并自定义，如 lineplot 默认计算均值和 95% CI，barplot 默认计算均值。
- 与 matplotlib 结合，seaborn 可与 matplotlib 无缝集成以进行微调。
- 保存高质量图形，可输出 PNG（dpi=300、bbox_inches='tight'）或 PDF（出版用矢量格式）。
常见模式 探索性数据分析：用 pairplot 快速总览所有关系，用 displot 探索分布，用 heatmap 做相关性分析。 出版级图形：设置主题、上下文和字体缩放，用 catplot 等生成分面图，设置坐标轴标签和标题，去除边框并保存为 PDF。 复杂多面板图形：结合 matplotlib subplots 与 seaborn 坐标轴级函数，在 2x2 网格中分别绘制散点图、直方图、小提琴图和热图。