---

name: seaborn description: "Seaborn 是一个 Python 可视化库，用于创建出版质量的统计图形。使用此技能进行面向数据集的绑定、多变量分析、自动统计估计以及用最少代码创建复杂的多面板图形。" license: BSD-3-Clause license metadata: skill-author: K-Dense Inc. risk: unknown source: community

Seaborn 统计可视化

何时使用

• 你需要直接从表格数据集创建出版质量的统计图形。
• 你正在用最少的绑定代码探索多变量关系、分布或分组比较。
• 你想要在 matplotlib 之上使用 seaborn 面向数据集的 API 和统计默认值。

概述

Seaborn 是一个 Python 可视化库，用于创建出版质量的统计图形。使用此技能进行面向数据集的绘图、多变量分析、自动统计估计以及用最少代码创建复杂的多面板图形。

设计理念

Seaborn 遵循以下核心原则：

1. 面向数据集：直接使用 DataFrame 和命名变量，而非抽象坐标
2. 语义映射：自动将数据值转换为视觉属性（颜色、大小、样式）
3. 统计感知：内置聚合、误差估计和置信区间
4. 美学默认值：开箱即用的出版就绪主题和调色板
5. Matplotlib 集成：在需要时与 matplotlib 自定义完全兼容

快速开始

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# Load example dataset
df = sns.load_dataset('tips')

# Create a simple visualization
sns.scatterplot(data=df, x='total_bill', y='tip', hue='day')
plt.show()

核心绑定接口

函数接口（传统）

函数接口提供按可视化类型组织的专用绘图函数。每个类别有轴级函数（绑定到单个轴）和图级函数（管理整个图形并支持分面）。

何时使用：

• 快速探索性分析
• 单一用途的可视化
• 当你需要特定的图表类型时

Objects 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、变换和比例尺来构建可视化。

何时使用：

• 复杂的分层可视化
• 当你需要对变换进行细粒度控制时
• 构建自定义图表类型
• 程序化图表生成

from seaborn import objects as so

# Declarative syntax
(
    so.Plot(data=df, x='total_bill', y='tip')
    .add(so.Dot(), color='day')
    .add(so.Line(), so.PolyFit())
)

按类别分类的绑定函数

关系图（变量间关系）

用途： 探索两个或多个变量之间的关系

• scatterplot() - 将单个观测值显示为点
• lineplot() - 显示趋势和变化（自动聚合并计算置信区间）
• relplot() - 支持自动分面的图级接口

关键参数：

• x、y - 主要变量
• hue - 用于附加分类/连续变量的颜色编码
• size - 点/线大小编码
• style - 标记/线条样式编码
• col、row - 分面为多个子图（仅图级）

# Scatter with multiple semantic mappings
sns.scatterplot(data=df, x='total_bill', y='tip',
                hue='time', size='size', style='sex')

# Line plot with confidence intervals
sns.lineplot(data=timeseries, x='date', y='value', hue='category')

# Faceted relational plot
sns.relplot(data=df, x='total_bill', y='tip',
            col='time', row='sex', hue='smoker', kind='scatter')

分布图（单变量和双变量分布）

用途： 理解数据的分散程度、形状和概率密度

• histplot() - 基于柱状的频率分布，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() - 单个观测值的刻度标记
• displot() - 单变量和双变量分布的图级接口
• jointplot() - 带边际分布的双变量图
• pairplot() - 数据集中成对关系的矩阵

关键参数：

• x、y - 变量（单变量时 y 可选）
• hue - 按类别分离分布
• stat - 归一化方式："count"、"frequency"、"probability"、"density"
• bins / binwidth - 直方图分箱控制
• bw_adjust - KDE 带宽乘数（越高越平滑）
• fill - 填充曲线下方区域
• multiple - 如何处理 hue："layer"、"stack"、"dodge"、"fill"

# Histogram with density normalization
sns.histplot(data=df, x='total_bill', hue='time',
             stat='density', multiple='stack')