Seaborn是基于Matplotlib的高级统计可视化库，支持Pandas DataFrame，提供分布、关系、分类等统计图表函数，具备主题配色定制、FacetGrid/PairGrid多维探索及高质量图像导出功能。
Seaborn 是基于 Matplotlib 的高级数据可视化库，专为统计图表设计，能用更少代码绘制出更专业、更美观的图形。它内置了对 Pandas DataFrame 的友好支持，自动处理分组、聚合与语义映射，特别适合探索性数据分析（EDA）和统计结果呈现。
常用统计图表快速上手
Seaborn 提供了语义明确的函数，直接对应常见统计需求：
-
分布分析：用
sns.histplot()（替代已弃用的distplot）画直方图+核密度估计；sns.kdeplot()单独绘制密度曲线；sns.ecdfplot()绘制经验累积分布函数。 -
关系可视化：用
sns.scatterplot()展示两个数值变量关系（可按类别着色或大小编码第三维）；sns.lineplot()适合时间序列或均值趋势线；sns.relplot()是面向对象的高层接口，支持行列分面（col/row）。 -
分类统计：用
sns.barplot()显示均值及误差线；sns.countplot()（现推荐用sns.histplot()配合stat="count"）统计频次；sns.boxplot()和sns.violinplot()展示分布离散程度与形状。
主题与配色的高效定制
Seaborn 默认风格简洁现代，但可一键切换或深度调整：
- 全局设置主题：
sns.set_style("whitegrid")（可选"darkgrid"、"ticks"、"white"）；sns.set_context("notebook")控制字体大小与线条粗细（可选"paper"、"talk"、"poster"）。 - 配色更灵活：
palette="viridis"使用内建 colormap；palette=["#3498db", "#e74c3c", "#2ecc71"]自定义颜色列表；hue参数自动调色时，用sns.color_palette("Set2", n_colors=5)预生成协调色板。 - 避免手动改 Matplotlib 元素——优先用 Seaborn 接口参数控制：如
linewidth=1.2、edgecolor="w"、alpha=0.8等直接传入绘图函数。
利用 FacetGrid 与 PairGrid 实现多维探索
当需同时观察多个变量组合时，Seaborn 的网格类工具比手动循环子图更清晰、更一致：
-
sns.FacetGrid(df, col="category", row="year", margin_titles=True)创建分面结构，再用.map()绑定基础绘图函数（如plt.scatter），适合按离散变量切片分析。 -
sns.PairGrid(df, vars=["age", "income", "score"], hue="group")自动生成变量两两组合的散点图矩阵，配合.map_offdiag(sns.scatterplot)和.map_diag(sns.histplot)定制对角线与非对角线内容。 - 进阶技巧：用
.add_legend()精确控制图例位置；用.set_axis_labels("X Label", "Y Label")统一坐标轴标题；用.tight_layout()自动优化间距。
保存高质量图像用于报告与发表
导出图像时注意分辨率、格式与透明背景等细节：
- 保存前调用
plt.tight_layout()防止标签被截断；若含图例在图外，用plt.savefig(..., bbox_inches="tight")自适应裁剪。 - 学术/出版推荐使用矢量格式：
plt.savefig("plot.pdf", dpi=300)或plt.savefig("plot.svg")；网页展示可用高分 PNG：plt.savefig("plot.png", dpi=200, facecolor="w", transparent=False)。 - 若需嵌入 LaTeX 文档，PDF 最佳；确保字体嵌入兼容：添加
plt.rcParams["pdf.fonttype"] = 42（Type 1 字体替代方案）。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
