Seaborn基础与特性
内容提要
Seaborn是基于Matplotlib的高级可视化库，能用少量代码绘制统计图形，支持统计关系、数据分布、分类数据、回归模型和多子图网格等绘图类型，并提供FacetGrid、PairGrid函数及多种样式、配色和缩放设置。
延伸解读
Seaborn 与 Matplotlib 的协作关系
Seaborn 是在 Matplotlib 基础上进行的高级封装，因此 Matplotlib 的多数绘图参数在 Seaborn 中依然可用。同时，Seaborn 对 NumPy、Pandas、Scipy 等库提供了良好支持，便于直接处理数据框。这意味着使用者可以在保留 Matplotlib 灵活性的同时，用更少代码获得统计图形，降低复杂可视化的实现成本。
多子图网格的实用价值
当需要按数据子集分面展示、按行或列排列子图，或组合不同图形类型时，Seaborn 的多子图网格功能可以快速生成分面图。FacetGrid 支持行、列和色调三个维度的映射，PairGrid 则用于绘制成对关系的散点图矩阵。这有助于一次性观察多个变量的变化，减少绘制复杂图形的时间。
样式与配色设置的统一入口
Seaborn 提供了比 Matplotlib 更丰富的绘图样式和颜色主题。通过 set_style、set_palette 和 set_context 可分别设置样式、调色板和元素缩放比例，而 set_theme 函数整合了这三项功能。样式可选 darkgrid、whitegrid、dark、white、ticks；调色板包括定性、顺序和发散三类；缩放比例则从 paper 到 poster 依次增大。
Q&A
Seaborn是什么？它和Matplotlib有什么关系？
Seaborn是基于Matplotlib的高级可视化库，在Matplotlib基础上进行了更高级的封装，能用少量代码绘制富含统计信息的科学论文图表。Seaborn基于Matplotlib，因此Matplotlib绘图函数的大部分参数都可以在Seaborn中使用，并且Seaborn对Numpy、Pandas、Scipy等其他Python库提供了良好支持。
Seaborn支持哪些类型的绘图？
Seaborn支持的绘图类型包括：统计关系（statistical relationships）、数据分布（distributions of data）、分类数据（categorical data）、回归模型分析（regression models）以及多子图网格（multi-plot grids）。
Seaborn中的FacetGrid函数有什么作用？如何使用？
FacetGrid()函数可以直观展示数据集中任意变量的分布以及子集中多个变量之间的关系，能够实现行、列和色调三个维度的数值映射。其中行和列维度与生成的轴数组有明确对应关系，色调变量可视为深度轴上的第三维度，用不同颜色绘制不同层级的数据。核心代码示例：import seaborn as sns; import matplotlib.pyplot as plt; g = sns.FacetGrid(df, col='time', hue='smoker'); g.map(sns.regplot, 'total_bill', 'tip'); g.add_legend()。
Seaborn的PairGrid函数是用来做什么的？
PairGrid()函数主要用于绘制数据集中成对关系的多子图网格图。在PairGrid()中，每一行和每一列都分配不同的变量，从而生成显示数据集中成对变量之间关系的图，这种图也称为“散点图矩阵”。
如何设置Seaborn的绘图样式、颜色主题和绘图元素缩放比例？
可以通过以下函数分别设置：sns.set_style("style name")设置绘图样式；sns.set_palette("palette_name")设置颜色主题；sns.set_context("context_name")设置绘图元素缩放比例。此外，set_theme()函数包含了上述三个函数的所有功能，通过设置palette、style和context参数即可分别控制颜色主题、绘图样式和绘图元素缩放比例。
Seaborn中set_style()函数的style参数有哪些可选值？
set_style()函数的style参数可选值包括：darkgrid、whitegrid、dark、white和ticks。此外，rc参数用于覆盖Seaborn预设样式字典中的参数映射，可以只更新样式中的部分参数。
Seaborn的set_context()函数中context参数有哪些可选值？
set_context()函数的context参数可选值有：paper、notebook（默认）、talk和poster，它们的缩放比例依次增大。
