第1章 图形语法入门
文档摘要
第1章 图形语法入门 本章要回答的三个问题： 同样是画图，为什么有人改需求改半天，有人只动一个参数？ Seaborn 一行代码出图，背后替我做了哪些决定？ 上手前要准备什么数据和环境，才能让后续八章的代码都能跑通？ 为什么会有这一章 大多数人的 Seaborn 学习路径是"函数词典式"的：要箱线图就查 boxplot，要热力图就查 heatmap，参数抄一遍能跑就翻篇。这条路的前两周很顺，之后就会撞墙——需求稍一变化（按两个维度分面、颜色深浅表示第三个变量、在直方图上叠加密度曲线），词典里就查不到了，因为词典没有语法。 语法和词典的区别在于组合能力。Seaborn 的函数共享同一套参数语言： 、 、 、 、 、 、 这些"美学映射"参数几乎出现在每个绘图函数里，含义完全一致。
第1章 图形语法入门
本章要回答的三个问题：
- 同样是画图，为什么有人改需求改半天，有人只动一个参数？
- Seaborn 一行代码出图，背后替我做了哪些决定？
- 上手前要准备什么数据和环境，才能让后续八章的代码都能跑通？
为什么会有这一章
大多数人的 Seaborn 学习路径是"函数词典式"的：要箱线图就查 boxplot，要热力图就查 heatmap，参数抄一遍能跑就翻篇。这条路的前两周很顺，之后就会撞墙——需求稍一变化（按两个维度分面、颜色深浅表示第三个变量、在直方图上叠加密度曲线），词典里就查不到了，因为词典没有语法。
语法和词典的区别在于组合能力。Seaborn 的函数共享同一套参数语言：x、y、hue、size、style、col、row 这些"美学映射"参数几乎出现在每个绘图函数里，含义完全一致。学会一次映射语法，等于同时学会了所有图形家族的半个参数表。这就是为什么本教程的每一张图都要放上拆解台，按固定的四层切开看：数据层（输入是什么形状的表）、映射层（列如何对应到视觉通道）、图层（多个统计图形如何叠加）、细节层（颜色、边框、图例这些打磨项）。这四层不是 Seaborn 的官方术语，而是来自图形语法（Grammar of Graphics）这一可视化理论的传统分层，Seaborn 正是该思想在 Python 统计绘图里的最完整实现。
读完能解决什么
对照开篇的三个问题，读完本章你应当能：
- 用四层拆解法描述任何一张 Seaborn 图，说出每个参数属于哪一层；
- 解释一行
sns.scatterplot(data=tips, ...)背后 Seaborn 自动完成了什么； - 独立完成环境安装，加载五个内置数据集，并把宽表整理成绘图友好的长表。
各节怎么分工
| 节 | 回答哪个问题 | 关键产出 |
|---|---|---|
| 1.1 为什么需要图形语法 | 问题一 | 四层拆解法本身，配一个散点图实例的完整拆解 |
| 1.2 第一张图的语法解剖 | 问题二 | 从安装到出图的全流程，figure 级与 axes 级函数的分野 |
| 1.3 内置数据集与数据长表 | 问题三 | 五个内置数据集清单、长宽表互转、dtype 对映射的影响 |
先决条件
- Python 基础：会装包、能运行脚本或 Jupyter；
- Pandas 到"能取列、能分组聚合"的程度（第 1.3 节会补长表转换）；
- 不需要任何 Matplotlib 经验——但本章会指出两者边界，第 6 章再深入。
本章可考核知识点
读完本章，下面这些点应当能脱稿说清，它们也是后续八章反复回查的基座：
- 能把一张成图的任意参数归入数据、映射、图层、细节四层之一；
- 能说出 hue、size、style、col 四个通道各自适配的数据类型与通道预算；
- 能区分 axes 级与 figure 级函数的返回对象、叠加方式与分面能力；
- 能完成一次 melt 或 pivot，并解释长表为何是映射语法的母语；
- 能预判 dtype（float、object、category）对颜色刻度的影响方向。
往下走到哪
本章结束时，你手里有了"拆解台"这件工具，但还没拆过任何图形家族。第 2 章把它对准第一个家族：分布图。那里的映射最简单（一个数值列），正好用来练习"数据 → 映射 → 图层 → 细节"的完整流程，之后再进入双变量、分类变量时，只是往映射层里不断加列而已。