7.1 FacetGrid 与子图布局

7.1 FacetGrid 与子图布局

FacetGrid 是所有分面工厂函数的地基：初始化时声明数据与分面变量，再用 map 方法把任意绘图函数填进每个面板。手动装配它，等于拿到分面布局的完整控制权。

第 3.3 节用了 relplot 的分面，第 4.3 节用了 catplot 的分面——本节终于打开这两个工厂函数的引擎盖。看懂 FacetGrid 之后，工厂函数从"魔法"变成"语法糖"。

手动装配四步

import seaborn as sns
import matplotlib.pyplot as plt

tips = sns.load_dataset('tips')

# 第一步：声明数据与分面变量，网格此刻已建立
g = sns.FacetGrid(data=tips, col='time', height=3.5)

# 第二步：map 把绘图函数填进每个面板
g.map(sns.histplot, 'total_bill', binwidth=5)

# 第三步：批量打磨
g.set_axis_labels('总消费（美元）', '观测数')
g.set_titles('{col_name}时段')
​

map 的机制值得细看：它按分面变量把数据切片，对每片调用传入的函数，并把 map 后面的位置参数作为该函数的列名参数。g.map(sns.histplot, 'total_bill') 等价于对每个餐段各执行一次 sns.histplot(x=切片的 total_bill)。任何接受裸列名的绘图函数都能被 map——包括你自己写的函数：

# 第四步进阶：map 自定义函数（加中位数参考线的直方图）
def hist_with_median(**kwargs):
    sns.histplot(**kwargs)
    plt.axvline(kwargs['data'].iloc[:, 0].median(), color='crimson', linestyle=':')

g = sns.FacetGrid(data=tips, col='day', col_wrap=2, height=3)
g.map_dataframe(hist_with_median, x='total_bill')
g.set_axis_labels('总消费（美元）', '观测数')
# map_dataframe 与 map 的差别：前者传整个 DataFrame 切片进函数（支持 data= 形态），
# 后者只传列。需要 kwargs['data'] 时必须用 map_dataframe
​

自定义函数的唯一约定：接受关键字参数（hue 与 data 会自动传进来），在里面正常调 seaborn 或 matplotlib。这是把任意图形逻辑装进分面网格的标准插槽。

工厂函数替你做了什么

# relplot 的等价手动实现
g = sns.FacetGrid(data=tips, col='time', hue='smoker', height=3.5)
g.map_dataframe(sns.scatterplot, x='total_bill', y='tip')
g.add_legend(title='吸烟区')
# 对比：sns.relplot(data=tips, x='total_bill', y='tip', col='time', hue='smoker')
# 输出说明：两者成图一致。工厂函数封装的正是这三步——
# 建 Grid、按 kind 填图、收尾加图例
​

下探到 FacetGrid 的收益在工厂函数够不着的场合：想让 add_legend 的标题带换行、想对特定面板单独缩放、想在 map 之外做数据变换（先对每片做标准化再画），这些需求在 relplot 的参数表里都找不到位置，在手动装配里都是普通 Python。

轴共享与网格控制

# sharex / sharey：False 让各面板独立刻度
g = sns.FacetGrid(data=tips, col='day', height=3,
                  sharey=False, despine=True)   # despine 直接在构造器里做
g.map(sns.histplot, 'total_bill')

# 面板顺序：分面变量转有序 category 控制
order = ['Thur', 'Fri', 'Sat', 'Sun']
g = sns.FacetGrid(data=tips, col='day', col_order=order, height=3)
g.map(sns.histplot, 'total_bill')
# 输出说明：col_order 参数直接控制面板排列，比转 category 更轻量
​

案例：按分面标准化的对比图

背景：四个季度的日销量要做形态对比，但各季度总量差异大，直接分面画直方图会被总量差异淹没形态差异。

操作：

import numpy as np
import pandas as pd
rng = np.random.default_rng(5)
days = pd.date_range('2025-01-01', '2025-12-31', freq='D')
df = pd.DataFrame({
    'date': days,
    'quarter': 'Q' + ((days.quarter).astype(str)),
    'sales': rng.gamma(2, 100, len(days)) * (1 + 0.3 * np.sin(days.dayofyear / 58)),
})
df['sales_z'] = df.groupby('quarter')['sales'].transform(
    lambda s: (s - s.mean()) / s.std())   # 组内标准化：只留形态

g = sns.FacetGrid(data=df, col='quarter', height=2.8, despine=True)
g.map_dataframe(sns.kdeplot, x='sales_z', fill=True, color='#4c78a8')
g.set_axis_labels('组内标准化的销量', '密度')
g.set_titles('{col_name} 形态')
​

结果解读：四个面板的密度曲线形态可以直接对比——Q1 与 Q3 明显右偏，Q2 接近对称。组内标准化在数据层完成后，分面层一行不用改；这正是"数据加工与图形装配正交"的又一次体现。变式：把 kdeplot 换成自定义函数（叠中位数竖线），map_dataframe 的插槽设计让替换零成本。

⚠️ 常见坑：map 与 map_dataframe 用错时最常见的报错是函数收到了 Series 却按 DataFrame 取列。约定记死一条：自定义函数一律写 def f(**kwargs) 并用 map_dataframe，兼容性最好。

💡 关键直觉：工厂函数是自动挡，FacetGrid 是手动挡——会开手动挡的人不是每次都开，但知道引擎在哪，自动挡坏不了的时候不会束手无策。

本节要点回顾

• 四步装配：建 Grid、map 填图、批量打磨、按需 add_legend；
• map_dataframe 是自定义插槽：传整片 DataFrame，接 data= 形态的函数；
• 工厂函数是语法糖：relplot 三步封装，参数表没有的需求下探解决；
• col_order 轻量控序：面板顺序不用回数据层转 category；
• 组内标准化在数据层做：形态对比的标准预处理，图形层零改动。

下一节先解决"数据大到画不动"的问题，再回来拆另外两个 Grid。