3.3 relplot 分面工厂

3.3 relplot 分面工厂

relplot 是关系家族的 figure 级工厂：kind 在 scatter 与 line 之间切换，col 与 row 把数据切片铺成面板网格，返回 FacetGrid 对象供继续打磨。

3.1 与 3.2 的 axes 级函数一次只画一个坐标轴；当关系问题里出现"分性别看"、"分地区看"的诉求，就该 relplot 登场。它也是第 2.3 节 displot 的姊妹篇——两者共享同一套分面语法，对照着学一次记两族。

kind 与分面通道的组合矩阵

import seaborn as sns

tips = sns.load_dataset('tips')

# 组合一：散点 + 单分面
g = sns.relplot(
    data=tips, x='total_bill', y='tip',
    col='time',                # 午餐晚餐各一个面板
    kind='scatter', hue='smoker', height=3.5,
)
# 输出说明：Dinner 面板的散点带更长更宽，Lunch 面板集中在低消费区；
# 两个面板 x 轴刻度自动共享，跨面板比较不需要读者自己对齐

# 组合二：折线 + 双分面
g = sns.relplot(
    data=tips, x='size', y='tip_rate',
    col='time', row='smoker', kind='line',
    height=2.8,
)
# 输出说明：2 x 2 网格里，size=1 的置信带很宽（样本极少），
# 提示这张图更适合当作假设生成器而不是结论依据
​

语法层面只有三件事要记：kind 决定图层（scatter 或 line，默认 scatter）；col、row 是分面通道，各自吃一个类别列；height 与 aspect 控制单个面板的尺寸，整张图尺寸是两者乘上网格规模。axes 级函数的一切映射参数（hue、size、style）原样照搬——这是"映射参数跨级通用"的又一次兑现。

FacetGrid 的后续打磨

figure 级函数返回的 Grid 对象自带一套打磨接口，这是它与 axes 级函数最大的使用差异：

g = sns.relplot(
    data=tips, x='total_bill', y='tip',
    col='day', col_wrap=2, kind='scatter', height=3.2,
)

g.set_axis_labels('总消费（美元）', '小费（美元）')   # 批量改两个轴标签
g.set_titles('{col_name} 的账单')                    # 面板标题模板，col_name 是占位符
g.tight_layout()                                     # 防止标签被裁切
# 输出说明：四个面板标题从默认的 day=Sun 变成自然语言；
# col_wrap=2 让周四到周日排成两行，而不是四个瘦长条
​

需要逐面板定制时，Grid 对象可以当二维数组迭代：

# 给每个面板加一条组内均值参考线
for day, ax in g.axes_dict.items():
    sub = tips[tips['day'] == day]
    ax.axhline(sub['tip'].mean(), color='gray', linestyle=':', linewidth=1)
​

axes_dict 以分面取值为键、以 Axes 为值，是逐面板加工的标准入口。第 7 章会把这套 Grid 机制彻底拆开。

案例：吸烟与非吸烟桌的小费行为

背景：传说吸烟者给小费更慷慨，运营想验证，并看这个效应是否随餐段变化。

操作：

tips['tip_rate'] = tips['tip'] / tips['total_bill']
g = sns.relplot(
    data=tips, x='total_bill', y='tip_rate',
    col='time', hue='smoker', style='smoker',
    kind='scatter', height=3.6, alpha=0.7,
)
g.set_axis_labels('总消费（美元）', '小费比例')
​

结果解读：横向读图，高消费区（40 美元以上）几乎只剩吸烟桌的点了——吸烟客群消费上限更高；但纵向看小费比例，两组的点云互相渗透，比例差异远不如传说中明显。更细的地方在 Dinner 面板：非吸烟桌的点云在高消费区收得更紧，说明大额账单上非吸烟者的小费比例更稳定。"吸烟者更慷慨"被修正为"吸烟者出现在极端账单里的频率更高"，一字之差，结论方向不同。

变式：把 kind='line'、x 换成 size，得到"随人数增长的小费比例曲线"，可以直接读出多人桌是否按比例缩减小费。

displot 与 relplot 的语法对照

💡 关键直觉：figure 级函数学到第二个，分面语法就已经学完了——catplot（第 4 章）沿用同一套 col、row、height、aspect。Seaborn 的 API 复利就在这里。

本节要点回顾

• kind 是图层开关：scatter 与 line 之外没有第三个关系图层；
• col_wrap 管排版：面板多于 4 个时几乎总要设它；
• set_titles 用模板：col_name 占位符把面板标题从机器味改成自然语言；
• axes_dict 逐面板加工：参考线、注释、局部缩放都从它进；
• 置信带宽度即证据强度：宽带面板的结论要降级处理。

分面的两条排版经验

面板数量决定一切排版决策：四以内单行排完，五到九用 col_wrap 两到三行，十以上考虑这份数据是否真的需要分面（也许按组聚合更诚实）。height 与 aspect 的搭配经验值是 height 乘 aspect 接近 4 到 5（如 height=3、aspect=1.4），单面板太窄时折线会显得抖动加剧——这是视觉伪影不是数据变化。批量出图前先画一个"最挤的面板"检查极限情况，比分摊风险更省事。

关系家族拆解完毕。第 4 章把 x 轴换成类别，八种分类图将展示同一语法在组间比较上的变奏。