第7章 多面板与生态集成

第7章 多面板与生态集成

本章要回答的三个问题：

1. figure 级函数背后的 FacetGrid 长什么样，手动装配它比调工厂函数多换来自由度？
2. PairGrid 与 JointGrid 的手动装配能做出 pairplot、jointplot 做不到的什么效果？
3. 大数据集画不动时有哪些渲染层的减负手段，Seaborn 与 Pandas、sklearn 又如何接驳？

为什么会有这一章

前六章把"单张图"的能力建设完毕，但真实交付物常常是成套的：一个探索页面七八张图共享图例，一份报告的成对矩阵对角线放直方图、非对角放相关系数，一个仪表盘要把回归残差钉在预测图旁边。工厂函数（displot、relplot、catplot）覆盖了分面这一种多面板形态，可一旦布局需求偏离"整齐网格"，就必须下探到 Grid 对象层——它们是工厂函数的地基，也是 Seaborn 留给高级用户的手动挡。

本章同时收编两个散落的话题：大型数据集的渲染策略（此前分散在各章的性能提示在此系统化）与生态集成（Pandas 无缝、sklearn 结果的图形化表达）。原教程的高级应用一章把交互库也纳入，本版把重心收在 Seaborn 本体的装配能力上，交互可视化只做选型层面的交代。

读完能解决什么

• 能手动初始化 FacetGrid 并用 mapmethod 填装自定义绘图函数，理解工厂函数替你做了什么；
• 能用 PairGrid 让成对矩阵的三个区域（对角、下三角、上三角）各用一种图层；
• 能列出大数据集的三级减负策略（抽样、聚合、改图层）并按数据量选级；
• 能把 sklearn 的模型输出（预测、残差、系数）整理进 Seaborn 图形。

各节怎么分工

先决条件

• 第 3.3 节与第 4.3 节的工厂函数使用经验（本章是它们的"下探"）；
• 第 6 章的细节层打磨接口（Grid 装配后的收尾动作沿用它们）；
• 7.4 节用到 sklearn 的基础拟合流程，不熟悉可只读图不跑码。

本章可考核知识点

• 能手动完成 FacetGrid 的四步装配并解释 map 与 map_dataframe 的差别；
• 能写出"对角密度、下三角散点、上三角相关系数"的 PairGrid 装配代码；
• 能按数据量分级（万、十万、百万、千万）选择抽样、聚合、预聚合策略；
• 能把 sklearn 的预测、残差、系数输出装回 DataFrame 并选择对应图形；
• 能用三判据（逐点查数、在线过滤、离线交付）评估是否迁移交互库。

往下走到哪

装配能力到手后，你缺的不再是"怎么画"，而是"画什么、按什么顺序画"。第 8 章把全书零件装配成三条完整产线：探索性数据分析、机器学习结果表达、时间序列拆解——每条产线从原始数据走到可交付成图。