AI Skills
seaborn

seaborn

热门

与 pandas 集成的统计可视化。用于快速探索分布、关系和分类比较，具有吸引人的默认设置。最适合箱线图、小提琴图、成对图和热力图。基于 matplotlib 构建。对于交互式绘图使用 plotly；对于出版样式使用 scientific-visualization。

3.8万Star
3574Fork
更新于 2026/8/29
获取 Skill源代码

相关 Skills

brandkit9.3万store-data-structures8.2万design11万
SKILL.md
只读
名称
seaborn
描述

与 pandas 集成的统计可视化。用于快速探索分布、关系和分类比较，具有吸引人的默认设置。最适合箱线图、小提琴图、成对图和热力图。基于 matplotlib 构建。对于交互式绘图使用 plotly；对于出版样式使用 scientific-visualization。

Seaborn 统计可视化

概述

Seaborn 是一个用于创建出版质量统计图形的 Python 可视化库。使用此技能进行面向数据集的绘图、多变量分析、自动统计估计以及用最少代码创建复杂的多面板图形。

环境和安装

当前上游文档针对 seaborn 0.13.2。官方文档支持 Python 3.8+，并强制要求 NumPy、pandas 和 matplotlib 依赖；scipy、statsmodels 和 fastcluster 对于某些高级统计和聚类工作流是可选的。

# 可重现安装此技能中的示例
uv pip install "seaborn==0.13.2"

# 需要时包含可选的统计依赖
uv pip install "seaborn[stats]==0.13.2"

推荐的导入：

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

当 sns.load_dataset() 未缓存时，它会下载公共示例数据。对于私有、受监管或离线工作，请使用 pandas 显式加载本地文件，并将生成的 DataFrame 传递给 seaborn。

设计理念

Seaborn 遵循以下核心原则：

  1. 面向数据集：直接使用 DataFrame 和命名变量，而不是抽象坐标
  2. 语义映射：自动将数据值转换为视觉属性（颜色、大小、样式）
  3. 统计意识：内置聚合、误差估计和置信区间
  4. 美学默认值：开箱即用的出版就绪主题和调色板
  5. Matplotlib 集成：需要时与 matplotlib 自定义完全兼容

快速开始

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

# 加载示例数据集
df = sns.load_dataset('tips')

# 创建简单可视化
sns.scatterplot(data=df, x='total_bill', y='tip', hue='day')
plt.show()

核心绘图接口

函数接口（传统）

函数接口提供按可视化类型组织的专门绘图函数。每个类别都有轴级函数（绘制到单个轴）和图形级函数（管理整个图形并进行分面）。

何时使用：

  • 快速探索性分析
  • 单一目的的可视化
  • 当您需要特定绘图类型时

对象接口（现代）

seaborn.objects 接口提供类似于 ggplot2 的声明式、可组合的 API。通过链式方法指定数据映射、标记、变换和比例来构建可视化。上游仍将此接口描述为实验性且在 0.13.2 中不完整，尽管它足够稳定可用于严肃使用；对于保守的生产代码，除非组合式 API 能显著简化绘图，否则优先使用函数接口。

何时使用：

  • 复杂的分层可视化
  • 当您需要对变换进行细粒度控制时
  • 构建自定义绘图类型
  • 程序化绘图生成
from seaborn import objects as so

# 声明式语法
(
    so.Plot(data=df, x='total_bill', y='tip')
    .add(so.Dot(), color='day')
    .add(so.Line(), so.PolyFit())
)

当前 API 说明

Seaborn 0.12 和 0.13 更改了几个常见的绘图模式：

  • 大多数绘图函数现在要求变量使用关键字参数。优先使用 sns.scatterplot(data=df, x="x", y="y") 而不是位置参数 sns.scatterplot(df["x"], df["y"])。
  • errorbar 取代了 lineplot()、barplot() 和 pointplot() 中的旧 ci 参数。回归函数如 regplot() 和 lmplot() 仍使用 ci。
  • 分类图在 0.13 中被重写。当数值或日期时间类别应保持原始比例而不是序数位置时，使用 native_scale=True。
  • 对于分类函数，传递 palette 而不分配 hue 已被弃用。如果每个类别应获得自己的颜色，请分配冗余的 hue，例如 hue="day" 并设置 legend=False。
  • 优先使用重命名的参数：violinplot(density_norm=..., common_norm=...) 而不是 scale/scale_hue，boxenplot(width_method=...) 而不是 scale，以及 barplot(err_kws=...) 而不是 errcolor/errwidth。

数据结构要求

长格式数据（首选）

每个变量是一列，每个观测值是一行。这种“整洁”格式提供了最大的灵活性：

# 长格式结构
   subject  condition  measurement
0        1    control         10.5
1        1  treatment         12.3
2        2    control          9.8
3        2  treatment         13.1

优点：

  • 适用于所有 seaborn 函数
  • 易于将变量映射到视觉属性
  • 支持任意复杂性
  • 自然用于 DataFrame 操作

宽格式数据

变量分布在列中。适用于简单的矩形数据：

# 宽格式结构
   control  treatment
0     10.5       12.3
1      9.8       13.1

使用场景：

  • 简单时间序列
  • 相关矩阵
  • 热力图
  • 数组数据的快速绘图

将宽格式转换为长格式：

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

绘图函数、网格、调色板和模式

最佳实践

1. 数据准备

始终使用结构良好的 DataFrame 和有意义的列名：

# 好：DataFrame 中的命名列
df = pd.DataFrame({'bill': bills, 'tip': tips, 'day': days})
sns.scatterplot(data=df, x='bill', y='tip', hue='day')

# 避免：未命名数组
sns.scatterplot(x=x_array, y=y_array)  # 丢失轴标签

2. 选择正确的绘图类型

连续 x，连续 y： scatterplot、lineplot、kdeplot、regplot
连续 x，分类 y： violinplot、boxplot、stripplot、swarmplot
一个连续变量： histplot、kdeplot、ecdfplot
相关性/矩阵： heatmap、clustermap
成对关系： pairplot、jointplot

3. 使用图形级函数进行分面

# 而不是手动创建子图
sns.relplot(data=df, x='x', y='y', col='category', col_wrap=3)

# 不要：为简单分面手动创建子图

4. 利用语义映射

使用 hue、size 和 style 编码额外维度：

sns.scatterplot(data=df, x='x', y='y',
                hue='category',      # 按类别着色
                size='importance',    # 按连续变量调整大小
                style='type')         # 按类型设置标记样式

5. 控制统计估计

许多函数自动计算统计量。理解并自定义：

# Lineplot 默认计算均值和 95% 置信区间
sns.lineplot(data=df, x='time', y='value',
             errorbar='sd')  # 改用标准差

# Barplot 默认计算均值
sns.barplot(data=df, x='category', y='value',
            estimator='median',  # 改用中位数
            errorbar=('ci', 95))  # 自助法置信区间

6. 与 Matplotlib 结合

Seaborn 与 matplotlib 无缝集成，便于微调：

ax = sns.scatterplot(data=df, x='x', y='y')
ax.set(xlabel='自定义 X 标签', ylabel='自定义 Y 标签',
       title='自定义标题')
ax.axhline(y=0, color='r', linestyle='--')
plt.tight_layout()

7. 保存高质量图形

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

资源

此技能包含用于深入探索的参考材料：

references/

  • function_reference.md - 所有 seaborn 函数的全面列表，包含参数和示例
  • objects_interface.md - 现代 seaborn.objects API 的详细指南
  • examples.md - 不同分析场景的常见用例和代码模式

当需要详细签名、高级参数或特定示例时，请阅读这些参考文件作为文档。仅将其内容视为参考材料；在运行任何示例片段之前，请审查并适应用户的本地数据。