1.1 为什么需要图形语法

1.1 为什么需要图形语法

图形语法是把统计图形分解为数据、映射、图层、细节等组件的组合式理论；Seaborn 的 API 设计几乎就是这套语法的 Python 翻译。掌握它，参数就不再需要背。

一个真实的翻车现场

先看一段典型的"词典式"代码。需求是：观察餐厅小费金额与总消费的关系，顺便区分午餐和晚餐。

import matplotlib.pyplot as plt

# 词典式写法：手动切片、手动配色、手动图例
lunch = tips[tips['time'] == 'Lunch']
dinner = tips[tips['time'] == 'Dinner']
plt.scatter(lunch['total_bill'], lunch['tip'], c='blue', label='午餐')
plt.scatter(dinner['total_bill'], dinner['tip'], c='orange', label='晚餐')
plt.xlabel('总消费')
plt.ylabel('小费')
plt.legend()
plt.show()
​

能跑。但第二天需求变了：不按餐段分，按星期分，再用点的大小表示用餐人数。上面四行核心代码全部重写——切片逻辑、颜色列表、图例条目都要动。这就是没有语法的代价：每换一个维度，整段代码推倒重来。

同样的需求用映射语法写：

import seaborn as sns

# 映射式写法：数据放前面，维度交给参数
ax = sns.scatterplot(
    data=tips,              # 数据层：整张表直接进来，不用切片
    x='total_bill',         # 映射层：总消费 → x 位置
    y='tip',                # 映射层：小费 → y 位置
    hue='time',             # 映射层：餐段 → 颜色
    size='size',            # 映射层：用餐人数 → 点大小
)
ax.set_xlabel('总消费（美元）')
ax.set_ylabel('小费（美元）')
​

需求变化时只改映射：按星期分就 hue='day'，加吸烟区维度再补 style='smoker'。代码结构与需求结构对齐了。

拆解台：四层各管什么

把上面那张散点图放上拆解台，逐层看清楚。

数据层：输入是一张长表，每行一条观测（一桌客人），每列一个变量。Seaborn 的所有统计都建立在"整洁数据"假设上——一行一观测，一列一变量。第 1.3 节会专门处理不整洁的数据。

映射层：这是语法的核心。x、y 是位置通道；hue 是颜色通道；size 是大小通道；style 是形状通道；col、row 是分面通道（把数据切成多个子图）。每个通道接收一个列名，Seaborn 根据该列的 dtype 自动决定刻度类型：数值列映射为连续渐变，类别列映射为离散色板。这个"自动"后面藏着坑，第 6 章会展开。

图层：一个坐标轴里可以叠多个统计图形。直方图上叠核密度曲线、散点上叠回归线、箱线图上叠散点，都属于图层层的操作。Seaborn 允许连续调用多个 axes 级函数往同一个坐标轴里加内容。

细节层：轴标签、标题、图例位置、去边框、调色板选择。这些不改变统计内容，却决定读者第一眼是否信任这张图。

# 图层叠加示例：直方图 + 核密度 + 地毯，三种图层表达同一个分布
ax = sns.histplot(data=tips, x='total_bill', stat='density', alpha=0.4)
sns.kdeplot(data=tips, x='total_bill', ax=ax, color='crimson')   # 复用同一个 ax
sns.rugplot(data=tips, x='total_bill', ax=ax, color='gray', height=0.04)
# 输出说明：三条语句各贡献一个图层，ax 参数保证它们落在同一坐标系
​

注意 ax=ax 这个细节：把已有的坐标轴对象传进去，就是图层叠加的钥匙。不传的话，figure 级函数会另开画布。

用拆解法反推陌生参数

四层分法真正的价值在遇到陌生函数时体现。比如某段代码里出现了 sns.violinplot(data=tips, x='day', y='total_bill', hue='sex', split=True, cut=0)，逐个归类：

• data / x / y / hue：数据层与映射层，和散点图里含义完全一致；
• split=True：图层层的家族特有参数，让两组小提琴各占半边；
• cut=0：细节层的安全参数，禁止密度曲线越过数据实际范围。

五个参数各归其位，不需要查文档也能猜个八九不离十。反过来说，当你不知道该去哪找参数时，四层也限定了搜索范围：颜色问题去查调色板文档，分面问题去查 FacetGrid 文档。

本节要点回顾

• 映射是复用单位：hue、size、style、col 在所有图形家族里语义一致，学一次到处用；
• 代码结构对齐需求结构：需求换维度时只改映射参数，不动数据处理逻辑；
• dtype 决定刻度：同一列，数值型映射成渐变，类别型映射成离散色，必要时需要显式转换；
• 图层靠 ax 传递：多个 axes 级函数共享一个坐标轴，就完成了叠加；
• 四层是检索框架：遇到陌生参数先归类，再决定查哪部分文档。

把四层拆解法用在需求沟通上

拆解法不只服务写代码，也服务改需求。可视化需求方（业务、编辑、评审）的反馈几乎都能翻译成某一层的变更，翻译对了，改动范围就锁死了：

这张对照表在实践中价值极高：评审会上的每一句"能不能改一下"，你都能立刻判断它是十秒的参数改动还是一小时的结构改动——前者的痛快和后者的谨慎，都建立在这层翻译上。反之，说不出"这句反馈属于哪一层"时，贸然动手往往改出一张统计含义已经变了的图，比如把 multiple 从 stack 换成 fill，视觉只差一点，y 轴的口径已经从计数变成了占比。

下一节把环境装好，从零跑通第一张图，并把 figure 级与 axes 级函数的分野放进拆解台。