AI Skills
seaborn

seaborn

熱門

與 pandas 整合的統計視覺化。用於快速探索分布、關聯與類別比較，並提供美觀的預設樣式。最適合箱形圖、小提琴圖、成對圖、熱圖。建構於 matplotlib 之上。若需互動式圖表請使用 plotly；若需出版級樣式請使用 scientific-visualization。

3.8萬星標
3574分支
更新於 2026/8/29
獲取技能源代碼

相關技能

brandkit9.3萬store-data-structures8.2萬design11萬
SKILL.md
唯讀
名稱
seaborn
描述

與 pandas 整合的統計視覺化。用於快速探索分布、關聯與類別比較，並提供美觀的預設樣式。最適合箱形圖、小提琴圖、成對圖、熱圖。建構於 matplotlib 之上。若需互動式圖表請使用 plotly；若需出版級樣式請使用 scientific-visualization。

Seaborn 統計視覺化

概述

Seaborn 是一個 Python 視覺化函式庫，用於建立出版品質的統計圖形。使用此技能進行以資料集為導向的繪圖、多變量分析、自動統計估計，以及以最少程式碼建立複雜的多面板圖形。

環境與安裝

目前上游文件對應 seaborn 0.13.2。官方文件支援 Python 3.8+，並要求 NumPy、pandas 與 matplotlib 相依套件；scipy、statsmodels 與 fastcluster 為選用，用於某些進階統計與叢集分析工作流程。

# 可重現安裝此技能中的範例
uv pip install "seaborn==0.13.2"

# 需要時加入選用的統計相依套件
uv pip install "seaborn[stats]==0.13.2"

建議的匯入方式：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import seaborn.objects as so

sns.load_dataset() 會在公開範例資料未快取時下載。對於私有、受管制或離線工作，請使用 pandas 明確載入本機檔案，並將產生的 DataFrame 傳給 seaborn。

設計理念

Seaborn 遵循以下核心原則：

  1. 以資料集為導向：直接使用 DataFrame 與具名變數，而非抽象座標
  2. 語意對應：自動將資料值轉換為視覺屬性（顏色、大小、樣式）
  3. 統計意識：內建聚合、誤差估計與信賴區間
  4. 美觀預設：開箱即用的出版級主題與色彩調色盤
  5. Matplotlib 整合：需要時可完全相容 matplotlib 的自訂功能

快速開始

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 載入範例資料集
df = sns.load_dataset('tips')

# 建立簡單視覺化
sns.scatterplot(data=df, x='total_bill', y='tip', hue='day')
plt.show()

核心繪圖介面

函式介面（傳統）

函式介面提供依視覺化類型分類的專門繪圖函式。每個類別都有軸層級函式（繪製到單一座標軸）與圖層級函式（管理整個圖形並支援分面）。

使用時機：

  • 快速探索性分析
  • 單一用途的視覺化
  • 需要特定圖表類型時

物件介面（現代）

seaborn.objects 介面提供類似 ggplot2 的宣告式、可組合 API。透過鏈結方法指定資料對應、標記、轉換與尺度來建立視覺化。上游仍將此介面描述為實驗性且未完整（0.13.2），但已足夠穩定供正式使用；除非組合式 API 能大幅簡化繪圖，否則保守的正式程式碼建議優先使用函式介面。

使用時機：

  • 複雜的分層視覺化
  • 需要對轉換進行精細控制時
  • 建立自訂圖表類型
  • 程式化產生圖表
from seaborn import objects as so

# 宣告式語法
(
    so.Plot(data=df, x='total_bill', y='tip')
    .add(so.Dot(), color='day')
    .add(so.Line(), so.PolyFit())
)

目前 API 注意事項

Seaborn 0.12 與 0.13 變更了數個常見繪圖模式：

  • 多數繪圖函式現在要求變數使用關鍵字引數。偏好 sns.scatterplot(data=df, x="x", y="y") 而非位置參數 sns.scatterplot(df["x"], df["y"])。
  • errorbar 取代了 lineplot()、barplot() 與 pointplot() 中舊的 ci 參數。迴歸函式如 regplot() 與 lmplot() 仍使用 ci。
  • 類別圖在 0.13 中重寫。當數值或日期時間類別應保留原始尺度而非序數位置時，使用 native_scale=True。
  • 對類別函式傳遞 palette 而未指定 hue 已棄用。若每個類別應有自己的顏色，請指定冗餘的 hue，例如 hue="day" 並設定 legend=False。
  • 偏好使用重新命名的參數：violinplot(density_norm=..., common_norm=...) 取代 scale/scale_hue，boxenplot(width_method=...) 取代 scale，barplot(err_kws=...) 取代 errcolor/errwidth。

資料結構需求

長格式資料（建議）

每個變數為一欄，每個觀測值為一列。此「整潔」格式提供最大彈性：

# 長格式結構
   subject  condition  measurement
0        1    control         10.5
1        1  treatment         12.3
2        2    control          9.8
3        2  treatment         13.1

優點：

  • 適用於所有 seaborn 函式
  • 易於將變數對應至視覺屬性
  • 支援任意複雜度
  • 自然適用於 DataFrame 操作

寬格式資料

變數分散於各欄。適用於簡單的矩形資料：

# 寬格式結構
   control  treatment
0     10.5       12.3
1      9.8       13.1

使用情境：

  • 簡單時間序列
  • 相關矩陣
  • 熱圖
  • 陣列資料的快速繪圖

將寬格式轉為長格式：

df_long = df.melt(var_name='condition', value_name='measurement')

繪圖函式、網格、調色盤與模式

最佳實務

1. 資料準備

務必使用結構良好且欄位名稱有意義的 DataFrame：

# 良好：DataFrame 中的具名欄位
df = pd.DataFrame({'bill': bills, 'tip': tips, 'day': days})
sns.scatterplot(data=df, x='bill', y='tip', hue='day')

# 避免：未命名陣列
sns.scatterplot(x=x_array, y=y_array)  # 會失去軸標籤

2. 選擇正確的圖表類型

連續 x、連續 y： scatterplot、lineplot、kdeplot、regplot
連續 x、類別 y： violinplot、boxplot、stripplot、swarmplot
單一連續變數： histplot、kdeplot、ecdfplot
相關性/矩陣： heatmap、clustermap
成對關係： pairplot、jointplot

3. 使用圖層級函式進行分面

# 取代手動建立子圖
sns.relplot(data=df, x='x', y='y', col='category', col_wrap=3)

# 不要：簡單分面時手動建立子圖

4. 善用語意對應

使用 hue、size 與 style 編碼額外維度：

sns.scatterplot(data=df, x='x', y='y',
                hue='category',      # 依類別著色
                size='importance',    # 依連續變數調整大小
                style='type')         # 依類型設定標記樣式

5. 控制統計估計

許多函式會自動計算統計量。了解並自訂：

# lineplot 預設計算平均值與 95% 信賴區間
sns.lineplot(data=df, x='time', y='value',
             errorbar='sd')  # 改用標準差

# barplot 預設計算平均值
sns.barplot(data=df, x='category', y='value',
            estimator='median',  # 改用中位數
            errorbar=('ci', 95))  # 拔靴信賴區間

6. 與 Matplotlib 結合

Seaborn 可與 matplotlib 無縫整合以進行微調：

ax = sns.scatterplot(data=df, x='x', y='y')
ax.set(xlabel='自訂 X 標籤', ylabel='自訂 Y 標籤',
       title='自訂標題')
ax.axhline(y=0, color='r', linestyle='--')
plt.tight_layout()

7. 儲存高品質圖形

fig = sns.relplot(data=df, x='x', y='y', col='group')
fig.savefig('figure.png', dpi=300, bbox_inches='tight')
fig.savefig('figure.pdf')  # 出版用向量格式

資源

此技能包含參考資料以供深入探索：

references/

  • function_reference.md - 所有 seaborn 函式的完整清單，包含參數與範例
  • objects_interface.md - 現代 seaborn.objects API 的詳細指南
  • examples.md - 不同分析情境的常見使用案例與程式碼模式

需要詳細簽名、進階參數或特定範例時，請將這些參考檔案作為文件閱讀。僅將內容視為參考資料；執行前請審閱並調整任何範例程式碼片段以符合使用者的本機資料。