seaborn

Seaborn 统计可视化技能

技能概述

Seaborn 是一个基于 matplotlib 的 Python 统计可视化库，专为数据分析和探索性数据分析（EDA）设计，提供优雅的默认样式和简洁的 API，让你用最少的代码创建出版级质量的可视化图表。

适用场景

1. 数据探索与分析

快速了解数据集的结构、分布和变量之间的关系。Seaborn 与 pandas DataFrame 深度集成，可以直接使用列名进行绘图，特别适合数据清洗后的初步探索、特征工程前的分布分析、变量相关性检查等场景。

2. 统计关系可视化

展示变量之间的统计关系和趋势。支持散点图、线图、回归分析等，自动计算置信区间和统计汇总，适合展示时间序列趋势、探索连续变量间的关系、比较不同类别的统计特征。

3. 分类数据对比

比较不同类别的数据分布和统计特征。提供箱线图、小提琴图、条形图等多种图表类型，适合实验组与对照组对比、多组数据的分布差异分析、类别间统计指标比较。

核心功能

1. 多样化图表类型

涵盖关系图（散点图、线图）、分布图（直方图、KDE、ECDF）、分类图（箱线图、小提琴图、条形图）、回归图和矩阵图（热力图、聚类图）等常用可视化类型，每种图表都有针对特定数据类型的优化设计。

2. 智能统计集成

内置统计估计和聚合功能，自动计算均值、置信区间、回归拟合等统计量，无需手动预处理数据。支持多变量语义映射，通过颜色、大小、样式同时编码多个数据维度。

3. 优雅的默认样式

提供专业的配色方案和主题样式，开箱即用即可生成美观图表。支持深色/浅色网格、多种调色板（分类、连续、发散），并可与 matplotlib 完全兼容进行深度定制。

常见问题

Seaborn 和 Matplotlib 有什么区别？

Matplotlib 是底层绘图库，功能强大但需要较多代码实现美观效果；Seaborn 是高级封装，针对统计分析优化，默认样式更专业，与 pandas 集成更好。简单来说，Matplotlib 像"画笔"，Seaborn 像"模板"——前者更灵活，后者更高效。

Seaborn 如何绘制热力图？

使用 sns.heatmap() 函数，传入二维数据（如相关系数矩阵）即可：

import seaborn as sns
import pandas as pd
corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')

可以设置 annot=True 显示数值，cmap 指定配色，center 设置中心值等参数。

Seaborn 适合什么场景，不适合什么场景？

Seaborn 非常适合探索性数据分析、统计图表制作、学术论文插图等场景。但如果需要高度交互（如缩放、悬停提示）或 Web 应用集成，建议使用 Plotly 或 Bokeh；如果是自定义艺术图表或特殊坐标系统，直接使用 Matplotlib 更合适。