Cheat Sheet速查表
跳转到主要内容

Seaborn 统计数据可视化速查表

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()