Seaborn是基于Matplotlib的高级统计可视化库，语法简洁、默认美观，适用于EDA；支持分布图（histplot/kdeplot）、关系图（scatterplot/lineplot/regplot）、分类图（barplot/violinplot/boxplot）及相关性热力图，自动处理缺失值、集成Pandas、语义化绘图。

Seaborn 是基于 Matplotlib 的高级数据可视化库，专为统计图表设计，语法简洁、默认样式美观，特别适合探索性数据分析（EDA）。掌握几种常用图形，就能快速呈现数据分布、关系与分类特征。

分布图：看单变量或双变量的数值分布

分布图用于观察数据取值范围、集中趋势和离散程度。最常用的是直方图（histplot）和核密度估计图（kdeplot），也可用 displot（新版中已整合为 histplot 或 kdeplot 的封装）统一调用。

• 单变量分布：用 sns.histplot(df['age'], kde=True) 可同时显示直方图与平滑密度曲线
• 分组分布：添加 hue='gender' 参数，自动按类别叠绘并区分颜色
• 双变量密度：用 sns.kdeplot(data=df, x='income', y='spending', hue='region') 展示二维密度热区与分组边界

关系图：分析两个数值变量之间的关联

散点图（scatterplot）和线图（lineplot）是表达变量间关系的基础形式，Seaborn 支持自动聚合与语义映射。

• 基础散点图：sns.scatterplot(data=df, x='height', y='weight', hue='team', size='age') —— 一个图里同时编码三个维度
• 带趋势线：sns.regplot(x='carat', y='price', data=diamonds) 自动拟合回归线并显示置信区间
• 时间序列趋势：sns.lineplot(data=ts_data, x='date', y='sales', hue='store')，支持多线对比与误差带

分类图：比较不同类别的统计量

当横轴是类别型变量（如城市、产品类型、实验组别），适合用条形图、箱线图、小提琴图等呈现中心值与变异性。

立即学习“Python免费学习笔记（深入）”；

• 均值对比：sns.barplot(data=df, x='category', y='score', errorbar='sd') 默认显示标准差误差线
• 分布细节：sns.violinplot(data=df, x='class', y='sepal_length', inner='quart') 展示密度形状+四分位结构
• 异常值识别：sns.boxplot(data=df, x='group', y='response') 清晰标出中位数、四分位距和离群点

相关性热力图：快速诊断多变量线性关系

用 heatmap 可视化相关系数矩阵，是 EDA 中检查多重共线性或变量筛选的第一步。

• 先计算相关矩阵：corr = df.select_dtypes('number').corr(method='pearson')
• 再绘图：sns.heatmap(corr, annot=True, cmap='coolwarm', center=0, fmt='.2f')
• 可加掩码隐藏上三角：mask = np.triu(np.ones_like(corr, dtype=bool))，让画面更聚焦

Seaborn 图形的共同优势在于：自动处理缺失值、内置配色方案、支持长格式数据、与 Pandas 深度集成。多数函数只需指定 data、x、y、hue 等语义参数，不必手动设置坐标轴或图例——把注意力留给数据本身，而不是绘图细节。