Seaborn统计数据可视化教程

教程导读：用图形语法拆解 Seaborn

早期在 Python 里画统计图，几乎只有 Matplotlib 可选——每张图都要手工调十几处参数，分组聚合、置信区间、配色图例全得自己搭；读研究生的 Michael Waskom 做神经数据分析时被这种重复磨烦了，索性在 Matplotlib 之上包出 Seaborn，让"DataFrame 列名进、统计图出"成为日常。从那以后，它替统计作图立下了规矩：你声明数据与映射，图形语法替你操心其余。本教程要拆解的，正是这套语法。

本教程把 Seaborn 的每一张图都放上"拆解台"：数据 → 映射 → 图层 → 细节。数据是原料，长什么样、是宽表还是长表决定了后续所有操作的难度；映射是语法核心，哪个列上 x 轴、哪个列管颜色、哪个列控制点的大小；图层是叠加方式，直方图上叠核密度、散点上叠回归线；细节是最后的打磨，配色、去边框、图例位置。四层拆开，任何一个参数你都知道它属于哪一层、动了会影响什么。

Seaborn 是构建在 Matplotlib 之上的 Python 统计可视化库。它不替代 Matplotlib，而是接管了统计图形中最繁琐的部分：聚合、分组、配色、图例，并让 Pandas 的 DataFrame 列名直接成为绘图参数。sns.scatterplot(data=tips, x='total_bill', y='tip', hue='time') 一行就完成了取数、映射、分组、着色、图例五件事。

全册知识地图

九章的前后依赖关系如下：第一章建立"图形语法"这套分析语言；第二到五章按图形家族（分布、关系、分类、矩阵）逐族拆解，每族都从 Axes 级函数讲到 Figure 级工厂函数；第六章把映射里的"颜色"和细节层的"风格"系统化；第七章进入多面板与生态集成；第八章用完整案例把前七章的零件装配起来；第九章处理性能、边界与选型。

各章一句话导览

• 第 1 章：装好环境，学会用"数据、映射、图层、细节"四层去看任何一张 Seaborn 图。
• 第 2 章：直方图、核密度、经验分布，分布家族的映射只围绕"一个数值列"展开。
• 第 3 章：散点与折线，两个数值列的关系如何映射，聚合什么时候自动发生。
• 第 4 章：类别轴遇上数值轴，八种类别图其实是同一语法在不同统计量上的变奏。
• 第 5 章：热力图与聚类，把整张表当成一个映射对象。
• 第 6 章：颜色是最容易出错的一层映射，定性、顺序、发散三类尺度各有归宿。
• 第 7 章：FacetGrid、PairGrid、JointGrid，分面语法把维度装进面板网格。
• 第 8 章：三个完整案例，从原始数据到可用于报告的成图。
• 第 9 章：大数据量下怎么画不卡、Seaborn 撞到边界时换成什么。

怎么使用本教程

每节开头都会点明承接关系，你既可以顺序读，也可以在遇到具体图形时直接跳到对应章节，用四层拆解法反推参数。所有代码基于 Seaborn 0.13 版本，内置数据集（tips、iris、flights、titanic、penguins）可直接加载，无需额外下载。代码里的注释就是拆解过程本身：哪一行在指定数据，哪一行在做映射，哪一行在叠图层，哪一行在修细节。

准备好 Python 环境后，从第 1 章开始，把第一张图放上拆解台。