Seaborn 统计可视化

要解决什么问题

做探索性数据分析时，你往往要在 pandas DataFrame 上快速画出关系、分布和类别对比，还要处理 hue/col/row 等多维编码，以及置信区间、KDE 等统计细节。纯 matplotlib 能画，但样板代码多，默认样式也难直接用于报告或论文。

Seaborn 以「数据集 + 变量名」为输入，把统计聚合和视觉映射封装进专用函数；本技能把常用接口、参数含义和选型逻辑整理成可检索的说明，方便在对话里按场景选图、改参数，而不是每次翻官方文档从零拼。

技能如何帮你工作

• 双接口：传统 函数接口（scatterplot、histplot、catplot 等）按图类型组织；现代 seaborn.objects 用链式声明做复杂分层图。
• 按分析任务分族：关系（relplot/lineplot）、分布（displot/jointplot/pairplot）、类别（boxplot/violinplot/barplot）、回归（regplot/lmplot）、矩阵（heatmap/clustermap）。
• 轴级 vs 图级：轴级函数接受 ax=，便于和现有 matplotlib 布局组合；图级函数（如 relplot）自带分面，适合小 multiples，但不宜嵌进已有 figure。
• 数据形态：长表（每变量一列）适配几乎全部 API；宽表适合热力图、简单时序，必要时需 melt 转长表。
• 主题与调色板：set_theme() 控制 style/context；定性/顺序/发散调色板（如 colorblind、rocket）对应类别与连续尺度。

技能内 references/ 可按需加载函数清单、objects 指南和场景示例，用于查签名与进阶参数。

适用边界与注意点

• 复杂定制仍可能退回 matplotlib（scatter_kws、line_kws 或拿到 Axes 后微调）。
• 图级函数默认图例在外侧，标签密集时需手动 fig.autofmt_xdate() 或调 height/aspect。
• KDE 平滑度由 bw_adjust 控制；类别图里 multiple（stack/dodge/fill）选错会误导读图。
• 自动统计估计（如 lineplot 的 CI、barplot 的聚合）要先理解默认行为再改 ci、stat 等参数。