Seaborn 是基于 Matplotlib 构建的高阶 Python 统计数据可视化库。其最大优势在于与 Pandas DataFrame 原生深度对齐,能够自动计算均值、置信区间(Confidence Intervals)与核密度估计(KDE),并以优雅自洽的语义通道(x, y, hue, style, size, col, row)轻松完成高维统计多图排版。
🔗 关联矩阵速查:Pandas 速查表 · NumPy 速查表 · Bokeh 交互式可视化速查表 · 数据分析方法速查表 · Scikit-Learn 速查表 · Python 速查表
1. 核心架构:Figure 级函数 vs Axes 级函数
现代 Seaborn 采用高度清晰的双层绘图架构:
| 数据分析任务 | Figure 级门面函数(自带分面排版,返回 FacetGrid) | 对应的底层 Axes 级函数(可在特定 ax 上绘制) | 核心可视化目标 |
|---|---|---|---|
| 关系型 (Relational) | sns.relplot(...) | sns.scatterplot()sns.lineplot() | 双变量相关性、时序演进、多维散点 |
| 分布型 (Distribution) | sns.displot(...) | sns.histplot()sns.kdeplot()sns.ecdfplot()sns.rugplot() | 单变量或双变量分布形态、密度、累积概率 |
| 分类统计 (Categorical) | sns.catplot(...) | sns.stripplot() / sns.swarmplot()sns.boxplot() / sns.violinplot()sns.barplot() / sns.pointplot()sns.countplot() | 离散分类汇总、分布对比、组间均值估计 |
2. 端到端快速上手闭环示例
import matplotlib.pyplot as plt
import seaborn as sns
# 1. 设置现代主题与学术风格
sns.set_theme(style="whitegrid", palette="deep")
# 2. 加载内置数据集 (返回 Pandas DataFrame)
tips = sns.load_dataset("tips")
# 3. Figure 级多维分类统计绘图 (catplot 自动按列分面)
g = sns.catplot(
data=tips,
x="day", y="total_bill", hue="sex",
col="time", # 按午餐/晚餐分列成两个子图
kind="violin", # 绘制小提琴图
split=True, # 左右合并对比男女分布
inner="quart", # 显示四分位线
aspect=1.2, height=4.5
)
# 4. 图表细节修饰
g.set_axis_labels("星期", "消费总额 (美元)")
g.set_titles(col_template="用餐时间: {col_name}")
# 5. 保存与展示
g.savefig("tips_violin.png", dpi=300, bbox_inches="tight")
plt.show()
3. 全局样式主题与调色板(Aesthetics & Palettes)
3.1 主题风格定制
# 1. 现代标准全局主题配置 (推荐)
sns.set_theme(
context="notebook", # 缩放场景: "paper", "notebook", "talk", "poster"
style="whitegrid", # 预设背景: "whitegrid", "darkgrid", "white", "dark", "ticks"
palette="deep", # 全局调色板
font="sans-serif",
rc={"lines.linewidth": 2.0} # 深度覆盖底层 Matplotlib rcParams
)
# 2. 移除顶部和右侧外边框 (让图表更清爽)
sns.despine(top=True, right=True, left=False, bottom=False)
3.2 调色板体系
# 离散定性调色板 (Qualitative: 适合无大小顺序的离散分类)
sns.color_palette("deep") # 预设: "deep", "muted", "pastel", "bright", "dark", "colorblind"
sns.color_palette("tab10")
# 连续渐变调色板 (Sequential: 适合表示数值由小到大)
sns.color_palette("rocket", as_cmap=True) # "mako", "flare", "crest", "viridis"
# 双向发散调色板 (Diverging: 适合相关系数或正负偏差,中间为中性色)
sns.color_palette("vlag", as_cmap=True) # "coolwarm", "icefire"
# 临时应用调色板
with sns.color_palette("husl", 8):
sns.lineplot(data=df)
4. 关系型绘图(Relational Plots)
4.1 Figure 级统一入口(relplot)
# 通过 kind="scatter" (默认) 或 kind="line" 切换
g = sns.relplot(
data=tips,
x="total_bill", y="tip",
hue="smoker", # 颜色语义映射
style="time", # 点形状语义映射
size="size", # 点尺寸语义映射 (sizes=(20, 200))
col="sex", # 按性别分列排版
kind="scatter",
alpha=0.8
)
4.2 Axes 级关系函数
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
# 1. 散点图
sns.scatterplot(
data=tips, x="total_bill", y="tip", hue="day", size="size",
palette="viridis", ax=ax1
)
# 2. 折线图 (自动聚合相同 x 的样本,计算均值与 95% 置信区间阴影带)
fmri = sns.load_dataset("fmri")
sns.lineplot(
data=fmri, x="timepoint", y="signal",
hue="event", style="region",
errorbar="ci", # 误差带计算: "ci" (置信区间), "sd" (标准差), "se" (标准误), None
ax=ax2
)
5. 分布型绘图(Distribution Plots)
⚠️ 规范提示:Seaborn 已彻底移除旧版
sns.distplot。单变量与双变量分布请统一使用现代化函数displot、histplot、kdeplot。
5.1 Figure 级分布图(displot)
# 绘制直方图 + 核密度估计曲线
sns.displot(
data=tips, x="total_bill", hue="sex",
kind="hist", # "hist", "kde", "ecdf"
kde=True,
multiple="stack", # 分组堆叠形式: "layer", "dodge", "stack", "fill"
bins=30,
col="time"
)
5.2 Axes 级分布函数
# 1. 直方图 (Histplot)
sns.histplot(data=tips, x="total_bill", bins=20, kde=True, stat="density")
# 2. 双变量核密度等高线图 (KDE Plot)
sns.kdeplot(data=tips, x="total_bill", y="tip", hue="sex", fill=True, levels=5)
# 3. 经验累积分布图 (ECDF: 无需分箱,完美展示无损数据分布)
sns.ecdfplot(data=tips, x="total_bill", hue="smoker")
# 4. 须状指示器 (Rug Plot: 坐标轴边缘的数据刻度线条)
sns.rugplot(data=tips, x="total_bill", height=0.05, color="black")
6. 分类统计型绘图(Categorical Plots)
⚠️ 规范提示:Seaborn 已彻底废弃移除老旧的
sns.factorplot,请统一使用现代标准门面sns.catplot。
6.1 8 大分类图元对照表
| 分类图元类型 | Axes 级函数 | 核心特征与适用场景 |
|---|---|---|
| 抖动散点 | sns.stripplot() | 沿分类轴施加轻微随机抖动(jitter=True),观察所有实体样本点的真实分布 |
| 蜂群散点 | sns.swarmplot() | 自动算法排列散点防止重叠,小样本集展现完整离散分布的最佳方式 |
| 箱形图 | sns.boxplot() | 展现五数概括(下边缘、Q1、中位数、Q3、上边缘)与异常离群点 |
| 增强箱形图 | sns.boxenplot() | 针对大规模长尾数据的多层分位数箱形图(比标准箱形图更丰富) |
| 小提琴图 | sns.violinplot() | 融合箱线图与核密度估计(KDE),展现双峰与非对称复杂分布 |
| 柱状估计图 | sns.barplot() | 柱高表示均值(默认 estimator="mean"),顶端误差线表示 95% 置信区间 |
| 点折线图 | sns.pointplot() | 用点表示点估计值,用折线连接不同类别,直观呈现因子交互作用(Interaction) |
| 频数计数图 | sns.countplot() | 统计离散类别的样本观测频数(类似直方图,专用于离散特征) |
6.2 常用分类绘图代码示例
# 1. 蜂群散点图 + 箱线图叠加 (高密度呈现数据点与统计位点)
fig, ax = plt.subplots(figsize=(8, 5))
sns.boxplot(data=tips, x="day", y="total_bill", color="white", ax=ax)
sns.swarmplot(data=tips, x="day", y="total_bill", hue="sex", dodge=True, size=4, ax=ax)
# 2. 条形均值估计图 (调整估计器为中位数)
import numpy as np
sns.barplot(
data=tips, x="day", y="total_bill", hue="sex",
estimator=np.median,
errorbar=("ci", 90), # 90% 置信区间
palette="Blues"
)
# 3. 点线趋势比较图
sns.pointplot(
data=tips, x="day", y="total_bill", hue="sex",
markers=["o", "s"], linestyles=["-", "--"]
)
7. 回归分析与趋势拟合(Regression Plots)
# 1. 带有分面布局的高阶回归图 (lmplot)
sns.lmplot(
data=tips,
x="total_bill", y="tip", hue="smoker",
col="time", row="sex", # 多网格条件分面
order=2, # 拟合 2 阶多项式曲线
scatter_kws={"alpha": 0.5},
line_kws={"linewidth": 2}
)
# 2. 底层单轴回归图 (regplot)
sns.regplot(
data=tips, x="total_bill", y="tip",
robust=True, # 采用 Huber 稳健回归,消除极端离群点对回归线的影响
ci=95 # 回归拟合置信区间带
)
# 3. 回归残差检验图 (Residplot: 残差应呈均匀无偏随机白噪声分布)
sns.residplot(data=tips, x="total_bill", y="tip", lowess=True)
8. 矩阵与相关性热力图(Heatmaps & Clustermaps)
# 1. 计算数值列的相关系数矩阵
corr = tips.select_dtypes(include="number").corr()
# 2. 绘制高密度热力图 (Heatmap)
fig, ax = plt.subplots(figsize=(6, 5))
sns.heatmap(
corr,
annot=True, # 在单元格内标注具体数值
fmt=".2f", # 浮点数格式化精度
cmap="coolwarm", # 发散调色板
vmin=-1.0, vmax=1.0, # 固定色阶阈值范围
square=True, # 强制单元格为正方形
linewidths=0.5, # 单元格边框线条宽度
cbar_kws={"shrink": 0.8},
ax=ax
)
# 3. 层次聚类热力图 (Clustermap: 自动对行和列进行系统聚类)
iris = sns.load_dataset("iris")
species = iris.pop("species")
sns.clustermap(
iris,
method="average", # 聚类方法: "single", "complete", "average", "ward"
metric="euclidean", # 距离度量
standard_scale=1, # 沿列执行 0~1 归一化
cmap="mako"
)
9. 复合子图与多变量配对网格(Multi-plot Grids)
9.1 全变量配对探索图(pairplot & PairGrid)
探索性数据分析(EDA)必备:
iris = sns.load_dataset("iris")
# 快速一键绘制所有数值特征两两散点图与对角分布
sns.pairplot(
iris,
hue="species",
diag_kind="kde", # 对角线显示核密度估计曲线 (或 "hist")
corner=True, # 仅绘制下三角区域,避免信息重复堆叠
palette="Set2"
)
9.2 联合分布与边缘分布图(jointplot & JointGrid)
# 中心显示双变量散点/核密度,顶部与右侧分别显示单变量分布
sns.jointplot(
data=tips,
x="total_bill", y="tip",
hue="sex",
kind="scatter", # "scatter", "kde", "hist", "hex", "reg", "resid"
marginal_ticks=True
)
10. 图像修饰与导出
# 1. 获取 Matplotlib 轴对象后的微调
g = sns.scatterplot(data=tips, x="total_bill", y="tip")
g.set_title("总消费与小费相关关系", fontsize=14, weight="bold")
g.set_xlabel("账单金额 (USD)")
g.set_ylabel("小费金额 (USD)")
g.set_xlim(0, 60)
g.set_ylim(0, 12)
# 2. 导出高清图片
plt.tight_layout()
plt.savefig("output_plot.png", dpi=300, bbox_inches="tight", transparent=False)
plt.savefig("output_plot.svg", format="svg") # 矢量出版级格式
plt.close()