7.3 PairGrid 与 JointGrid 手动装配

7.3 PairGrid 与 JointGrid 手动装配

PairGrid 是 pairplot 的手动挡，对角线、下三角、上三角三个区域可以各配一种图层；JointGrid 是 jointplot 的手动挡，中央与边缘四个区域独立装配。区域异图，是两个手动挡换来的核心自由度。

7.1 拆了 FacetGrid，本节补齐 Grid 家族另外两员。pairplot 与 jointplot 用起来最省心，但它们的 kind 参数各只给三四个选项；当你想让成对矩阵"对角看分布、下三角看关系、上三角看相关系数"时，只能下探。

PairGrid 三区装配

import seaborn as sns
import matplotlib.pyplot as plt

penguins = sns.load_dataset('penguins').dropna()

# 手动初始化：声明数据、配对列、分组列
g = sns.PairGrid(penguins, vars=['bill_length_mm', 'bill_depth_mm',
                                 'flipper_length_mm', 'body_mass_g'],
                 hue='species', diag_sharey=False)

# 三区各配一种图层：对角、下三角、上三角
g.map_diag(sns.kdeplot, fill=True, alpha=0.4)         # 对角：各组密度
g.map_lower(sns.scatterplot, alpha=0.5, s=15)          # 下三角：散点看关系
g.map_upper(sns.kdeplot, levels=3, alpha=0.6)          # 上三角：等高线看密度
g.add_legend(title='物种')
plt.show()
# 输出说明：同一对变量在下三角是散点、上三角是等高线——
# 关系形态与密度结构一图两读，信息密度比 pairplot 默认版翻倍
​

三个 map 系列方法各管一个区域，接收任何绘图函数。想让上三角显示相关系数数字，用自定义函数配 map_upper：

import numpy as np
from scipy.stats import pearsonr

def corr_text(x, y, **kws):
    r = pearsonr(x, y)[0]
    ax = plt.gca()
    ax.annotate(f'{r:.2f}', xy=(0.5, 0.5), xycoords='axes fraction',
                ha='center', fontsize=13,
                color='crimson' if abs(r) > 0.7 else 'dimgray')

g = sns.PairGrid(penguins, vars=['bill_length_mm', 'bill_depth_mm',
                                 'flipper_length_mm', 'body_mass_g'])
g.map_lower(sns.scatterplot, s=12, alpha=0.5)
g.map_upper(corr_text)
g.map_diag(sns.histplot, kde=True)
# 输出说明：上三角只剩相关系数矩阵，绝对值超 0.7 的标红——
# pairplot 的"看形态"与 corr heatmap 的"读数值"合并成一张图
​

corner=True 是省版面开关（只保留下三角与对角线），vars 是列选择开关（防标签列混入，第 2.3 节的坑在这里同样适用）。

JointGrid 中央与边缘

# 手动初始化：两个数值列决定中央，边缘自动预留
g = sns.JointGrid(data=penguins, x='bill_length_mm', y='bill_depth_mm',
                  hue='species', height=6)

# 中央与边缘分别装配
g.plot_joint(sns.scatterplot, alpha=0.55, s=20)      # 中央：散点
g.plot_marginals(sns.boxplot, orient='y')            # 边缘：横向箱线（替代默认直方图）
# 输出说明：边缘箱线把"三个物种的组间错位"压缩成摘要，
# 中央散点保留个体证据——比 jointplot 默认版更像一张正式分析图
​

jointplot 的 kind 只有 scatter、kde、hist、reg、resid 几档，且中央边缘必须配套；JointGrid 把两者解耦——中央散点配边缘箱线、中央回归配边缘 kde，任意组合。

# 回归主题的常见组合：中央回归线加边缘 kde
g = sns.JointGrid(data=penguins, x='flipper_length_mm', y='body_mass_g', height=6)
g.plot_joint(sns.regplot, scatter_kws={'alpha': 0.4, 's': 18},
             line_kws={'color': 'crimson'})
g.plot_marginals(sns.kdeplot, fill=True, alpha=0.4)
g.set_axis_labels('翻翅长（毫米）', '体重（克）')
# 输出说明：翻翅长与体重 0.87 的强相关在中央呈一条紧凑的回归带，
# 边缘 kde 显示两变量各自的双峰——物种混合的痕迹（辛普森检查的入口）
​

三兄弟的分工总表

⚠️ 常见坑：PairGrid 全列配对在列多时是平方级开销（10 列 100 面板），先用 vars 圈定三到五列再装配；JointGrid 的 plot_marginals 对 orient 参数敏感，横向箱线写 orient='y' 而不是调 x 与 y。

💡 关键直觉：三个 Grid 各占一种布局原型——切分、配对、联合。数据里的"类别、列对、变量对"三种结构正好一一对应，认结构选 Grid，比记函数名可靠。

本节要点回顾

• PairGrid 三区：map_diag、map_lower、map_upper 各配一层，信息密度翻倍；
• 上三角放相关系数：自定义函数配 map_upper，形态与数值同图；
• JointGrid 解耦：中央与边缘独立装配，regplot 配 kde 是高频组合；
• vars 圈列：配对矩阵平方级开销，先挑列再装配；
• 三原型对三结构：类别切分、列配对、变量联合，认结构选 Grid。

下一节把 Seaborn 放回工具链：Pandas 的分组结果与 sklearn 的模型输出如何流进图形。