数据分析-06Seaborn 数据可视化

Seaborn是基于Matplotlib的高级统计数据可视化库，它提供了更简洁的API和更美观的默认样式。在实际的数据分析工作中，我们通常先使用Pandas进行数据处理和探索，然后借助Seaborn快速生成各种统计图表。

graph TD A["Seaborn可视化库"] --> B["分布图表"] A --> C["计数图表"] A --> D["关系图表"] A --> E["分类图表"] A --> F["热力图"] B --> B1["histplot 直方图"] B --> B2["kdeplot 核密度图"] B --> B3["rugplot 地毯图"] C --> C1["countplot 计数图"] C --> C2["barplot 条形图"] D --> D1["scatterplot 散点图"] D --> D2["jointplot 联合图"] D --> D3["pairplot 成对关系图"] E --> E1["boxplot 箱线图"] E --> E2["violinplot 小提琴图"] F --> F1["heatmap 热力图"] style A fill:#fff3e0 style F fill:#e8f5e9

Seaborn与Matplotlib的关系密不可分：底层仍然调用Matplotlib的绘图函数，但在其基础上封装了大量便捷功能，使得创建复杂图表变得轻而易举。

6.1 工具介绍

导入方式

 import pandas as pd          # 数据处理
 import seaborn as sns         # 可视化库，约定俗成用sns
 import matplotlib.pyplot as plt  # 绑图底层支持
 import numpy as np           # 数值计算

常用配置：

 # 设置中文字体支持
 plt.rcParams["font.sans-serif"] = ["SimHei", "STHeiti", "Arial Unicode MS"]
 plt.rcParams["axes.unicode_minus"] = False
 
 # 设置默认图表风格
 sns.set_theme()  # 恢复默认主题
 sns.set_style("whitegrid")  # 设置主题：white, dark, whitegrid, darkgrid
 sns.set_palette("Set2")     # 设置配色方案

样式与配色函数

函数	说明
`sns.set_theme()`	重置为默认主题
`sns.set_style(style)`	设置图表风格
`sns.set_palette(palette)`	设置默认调色板
`sns.despine()`	移除上方和右侧边框

可用主题（set_style）：

white：白色背景（默认）
dark：深色背景
whitegrid：白色背景+网格线
darkgrid：深色背景+网格线

可用调色板（set_palette）：

deep, muted, pastel, bright, dark, colorblind - 完整调色板
Set1, Set2, Set3 - 离散分类
husl - 均匀色调
自定义：["#FF6B6B", "#4ECDC4", "#45B7D1"]

6.2 数据集介绍

企鹅数据集

本教程使用企鹅数据集（penguins.csv）进行实战演示，该数据集包含了三种企鹅的测量数据。

 # 加载企鹅数据集
 penguins = pd.read_csv("data/penguins.csv")
 penguins.dropna(inplace=True)
 print(f"数据集形状: {penguins.shape}")
 print(f"\n数据集前5行:")
 print(penguins.head())

数据集字段说明：

字段	类型	说明
species	类别型	企鹅物种（Adelie、Chinstrap、Gentoo）
island	类别型	栖息岛屿
bill_length_mm	数值型	喙长（毫米）
bill_depth_mm	数值型	喙深（毫米）
flipper_length_mm	数值型	脚蹼长度（毫米）
body_mass_g	数值型	体重（克）
sex	类别型	性别

6.3 分布图表

histplot() - 直方图

直方图是展示数值型变量分布最常用的方式之一。

 sns.histplot(data=None, x=None, y=None, hue=None, bins=None, 
              stat='count', kde=False, **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
x	str	x轴绑定字段
y	str	y轴绑定字段（用于2D直方图）
hue	str	分组字段
bins	int	分箱数量
stat	str	统计类型：'count', 'density', 'frequency', 'percent', 'probability'
kde	bool	是否显示核密度曲线
element	str	'bars', 'step', 'poly'
multiple	str	分组堆叠方式：'layer', 'dodge', 'stack', 'fill'
shrink	float	柱子宽度缩放
common_bins	bool	是否使用公共分箱
palette	str	配色方案

 # 基本直方图
 plt.figure(figsize=(8, 5))
 sns.histplot(data=penguins, x="species", hue="species", palette="Set2")
 plt.title("企鹅物种分布直方图")
 plt.xlabel("物种")
 plt.ylabel("数量")
 plt.show()
 
 # 带核密度估计的直方图
 plt.figure(figsize=(10, 5))
 sns.histplot(data=penguins, x="bill_length_mm", kde=True, color="steelblue")
 plt.title("企鹅喙长度分布（含密度曲线）")
 plt.xlabel("喙长度 (mm)")
 plt.ylabel("计数")
 plt.show()

kdeplot() - 核密度估计图

核密度估计（Kernel Density Estimate）是一种非参数化的概率密度估计方法。

 sns.kdeplot(data=None, x=None, y=None, hue=None, 
             weight=None, palette=None, fill=False, **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
x	str	x轴字段
y	str	y轴字段（用于2D KDE）
hue	str	分组字段
weight	str	权重字段
palette	str	配色方案
fill	bool	是否填充区域
alpha	float	透明度
linewidth	float	线条宽度
linestyle	str	线型
cumulative	bool	是否绘制累积密度
bw_method	str	带宽方法
bw_adjust	float	带宽调整系数

 # 基本 KDE 图
 plt.figure(figsize=(10, 5))
 sns.kdeplot(data=penguins, x="bill_length_mm", fill=True, color="coral")
 plt.title("企鹅喙长度核密度估计")
 plt.xlabel("喙长度 (mm)")
 plt.ylabel("密度")
 plt.show()
 
 # 按物种分组的 KDE 图
 plt.figure(figsize=(10, 5))
 sns.kdeplot(data=penguins, x="bill_length_mm", hue="species", fill=True, alpha=0.3)
 plt.title("不同物种喙长度分布对比")
 plt.xlabel("喙长度 (mm)")
 plt.ylabel("密度")
 plt.show()

rugplot() - 地毯图

地毯图是一种简单的辅助图表，用于在坐标轴上标记每个数据点的位置。

sns.rugplot(data=None, x=None, y=None, hue=None, 
            height=0.05, expand_margins=True, **kwargs)

参数说明：

参数	类型	默认值	说明
data	DataFrame	None	数据源
x	str	None	x轴字段
y	str	None	y轴字段
hue	str	None	分组字段
height	float	0.05	地毯线高度（相对于轴）
expand_margins	bool	True	是否扩展边距
linewidth	float	None	线宽
color	str	None	颜色

# KDE 图配合地毯图使用
plt.figure(figsize=(10, 5))
sns.kdeplot(data=penguins, x="bill_length_mm", fill=True, color="teal")
sns.rugplot(data=penguins, x="bill_length_mm", color="darkred", height=0.1)
plt.title("KDE 图配合地毯图展示数据分布")
plt.xlabel("喙长度 (mm)")
plt.show()

6.4 计数图表

countplot() - 计数图

计数图用于展示分类变量的各水平（类别）对应的样本数量。

sns.countplot(data=None, x=None, y=None, hue=None, 
              order=None, hue_order=None, **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
x, y	str	轴绑定字段
hue	str	分组字段
order	list	x轴类别顺序
hue_order	list	hue分组顺序
color	str	统一颜色
palette	str	配色方案
saturation	float	颜色饱和度

# 基本计数图：各岛屿企鹅数量
plt.figure(figsize=(8, 5))
sns.countplot(data=penguins, x="island", palette="muted")
plt.title("各岛屿企鹅数量统计")
plt.xlabel("岛屿")
plt.ylabel("数量")
plt.show()

# 按性别分组的计数图
plt.figure(figsize=(8, 5))
sns.countplot(data=penguins, x="island", hue="sex", palette="Set2")
plt.title("各岛屿企鹅数量（按性别分组）")
plt.xlabel("岛屿")
plt.ylabel("数量")
plt.legend(title="性别")
plt.show()

barplot() - 条形图

条形图与计数图类似，但它的纵轴可以是任意聚合统计量（均值、中位数等）。

sns.barplot(data=None, x=None, y=None, hue=None, 
           order=None, hue_order=None, estimator='mean', **kwargs)

参数说明：

参数	类型	默认值	说明
data	DataFrame	None	数据源
x, y	str	None	轴绑定字段
hue	str	None	分组字段
order, hue_order	list	None	类别顺序
estimator	callable	'mean'	聚合函数：'mean', 'median', 'std', 'count'
errorbar	str/tuple	('ci', 95)	误差棒类型：'ci', 'se', 'sd', None
ci	int	95	置信区间宽度
n_boot	int	10000	Bootstrap迭代次数
orient	str	None	'v'或'h'，方向
palette	str	None	配色方案
capsize	float	0	误差棒顶端宽度

# 条形图：各物种平均喙长度
plt.figure(figsize=(8, 5))
sns.barplot(data=penguins, x="species", y="bill_length_mm", 
            estimator="mean", errorbar=None, palette="Set3")
plt.title("各物种平均喙长度")
plt.xlabel("物种")
plt.ylabel("平均喙长度 (mm)")
plt.show()

# 带误差棒的条形图（显示95%置信区间）
plt.figure(figsize=(8, 5))
sns.barplot(data=penguins, x="species", y="bill_length_mm", 
            estimator="mean", palette="viridis", errorbar=('ci', 95))
plt.title("各物种平均喙长度（含95%置信区间）")
plt.xlabel("物种")
plt.ylabel("平均喙长度 (mm)")
plt.show()

6.5 关系图表

scatterplot() - 散点图

散点图是展示两个连续变量之间关系的经典方式。

sns.scatterplot(data=None, x=None, y=None, hue=None, 
                size=None, style=None, palette=None, **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
x, y	str	轴绑定字段
hue	str	颜色分组字段
size	str	点大小字段
style	str	点样式字段
palette	str	配色方案
sizes	dict	大小范围，如{'small': 50, 'large': 200}
markers	bool	是否使用不同标记
alpha	float	透明度
legend	str	'full', 'brief', 'auto', 'False'

# 基本散点图：体重与脚蹼长度的关系
plt.figure(figsize=(10, 6))
sns.scatterplot(data=penguins, x="body_mass_g", y="flipper_length_mm",
                hue="species", style="sex", palette="Set1")
plt.title("企鹅体重与脚蹼长度关系")
plt.xlabel("体重 (g)")
plt.ylabel("脚蹼长度 (mm)")
plt.legend(title="物种", loc="upper left")
plt.show()

jointplot() - 联合图

联合图是散点图与边缘分布图的组合。

sns.jointplot(data=None, x=None, y=None, hue=None, kind='scatter', **kwargs)

参数说明：

参数	类型	默认值	说明
data	DataFrame	None	数据源
x, y	str	None	轴绑定字段
hue	str	None	分组字段
kind	str	'scatter'	中心图类型：'scatter', 'hist', 'hex', 'kde', 'reg'
height	float	6	图表高度（英寸）
ratio	float	5	中心图与边缘图比例
space	float	0.2	子图间距
xlim, ylim	tuple	None	轴范围
marginal_ticks	bool	False	边缘图刻度

kind参数详解：

scatter：散点图（默认）
hist：二维直方图
hex：六边形密度图（适合大数据）
kde：二维核密度图
reg：带回归线的散点图

# 六边形联合图：适合大数据量的密度展示
sns.jointplot(data=penguins, x="body_mass_g", y="flipper_length_mm", 
              kind="hex", cmap="YlOrRd")
plt.suptitle("体重与脚蹼长度联合分布（六边形图）", y=1.02)
plt.show()

# 带回归线的联合图
sns.jointplot(data=penguins, x="body_mass_g", y="flipper_length_mm", 
              kind="reg", color="purple")
plt.suptitle("体重与脚蹼长度关系（带回归线）", y=1.02)
plt.show()

pairplot() - 成对关系图

成对关系图用于展示数据集中多个变量之间的两两关系。

sns.pairplot(data, hue=None, vars=None, kind='scatter', 
             diag_kind='auto', **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
hue	str	分组字段
vars	list	绑定的变量列表
kind	str	非对角线图表类型：'scatter', 'hist', 'reg', 'kde'
diag_kind	str	对角线图表类型：'auto', 'hist', 'kde'
height	float	每个子图高度
aspect	float	宽高比
corner	bool	True时只显示下三角
dropna	bool	是否删除缺失值

# 选择部分数值变量进行成对关系展示
num_cols = ["bill_length_mm", "bill_depth_mm", "flipper_length_mm", "body_mass_g"]
plt.figure(figsize=(10, 8))
sns.pairplot(data=penguins[num_cols], palette="husl")
plt.suptitle("数值变量成对关系图", y=1.02)
plt.show()

# 按物种着色的成对关系图
plt.figure(figsize=(10, 8))
sns.pairplot(data=penguins, hue="species", vars=num_cols, palette="Set2")
plt.suptitle("按物种分组的成对关系图", y=1.02)
plt.show()

6.6 二维核密度估计图

kdeplot() 二维形式

二维核密度估计图用于展示两个连续变量联合概率密度分布。

sns.kdeplot(data=None, x=None, y=None, hue=None, **kwargs)

二维专用参数：

参数	类型	说明
fill	bool	是否填充等高线
levels	int	等高线数量
thresh	float	最小等高线阈值（0-1）
cmap	str	颜色映射
cbar	bool	是否显示颜色条
cbar_ax	Axes	颜色条位置

# 基本二维 KDE 图
plt.figure(figsize=(10, 7))
sns.kdeplot(data=penguins, x="body_mass_g", y="flipper_length_mm")
plt.title("体重与脚蹼长度二维核密度估计")
plt.xlabel("体重 (g)")
plt.ylabel("脚蹼长度 (mm)")
plt.show()

# 填充式二维 KDE 图（带颜色条）
plt.figure(figsize=(10, 7))
sns.kdeplot(data=penguins, x="body_mass_g", y="flipper_length_mm", 
            fill=True, cbar=True, cmap="coolwarm")
plt.title("体重与脚蹼长度二维核密度估计（填充式）")
plt.xlabel("体重 (g)")
plt.ylabel("脚蹼长度 (mm)")
plt.show()

# 按物种分组且填充的二维 KDE
plt.figure(figsize=(10, 7))
sns.kdeplot(data=penguins, x="body_mass_g", y="flipper_length_mm", 
            hue="species", fill=True, alpha=0.4)
plt.title("不同物种体重与脚蹼长度分布对比")
plt.xlabel("体重 (g)")
plt.ylabel("脚蹼长度 (mm)")
plt.show()

6.7 分类图表

boxplot() - 箱线图

箱线图是一种用来展示数据分布特征的经典图表。

sns.boxplot(data=None, x=None, y=None, hue=None, 
            order=None, hue_order=None, **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
x, y	str	轴绑定字段
hue	str	分组字段
order, hue_order	list	类别顺序
orient	str	'v'或'h'，方向
color	str	统一颜色
palette	str	配色方案
width	float	箱子宽度
linewidth	float	边框线宽
whis	float	胡须范围倍数（默认1.5）
showfliers	bool	是否显示异常值

# 基本箱线图：各物种喙长度分布
plt.figure(figsize=(10, 6))
sns.boxplot(data=penguins, x="species", y="bill_length_mm", palette="Set3")
plt.title("各物种喙长度箱线图")
plt.xlabel("物种")
plt.ylabel("喙长度 (mm)")
plt.show()

# 按性别分组的箱线图
plt.figure(figsize=(10, 6))
sns.boxplot(data=penguins, x="species", y="bill_length_mm", hue="sex", palette="muted")
plt.title("各物种喙长度箱线图（按性别分组）")
plt.xlabel("物种")
plt.ylabel("喙长度 (mm)")
plt.legend(title="性别")
plt.show()

violinplot() - 小提琴图

小提琴图是箱线图与核密度估计图的结合体。

sns.violinplot(data=None, x=None, y=None, hue=None, 
               order=None, hue_order=None, **kwargs)

参数说明：

参数	类型	说明
data	DataFrame	数据源
x, y	str	轴绑定字段
hue	str	分组字段
order, hue_order	list	类别顺序
orient	str	'v'或'h'，方向
split	bool	True时左右分开显示不同hue
inner	str	内部显示：'box', 'quartile', 'point', 'stick'
scale	str	宽度缩放：'area', 'count', 'width'
palette	str	配色方案
bw_method	str	带宽方法
cut	float	密度延伸距离

inner参数详解：

box：显示小型箱线图
quartile：显示四分位线
point：显示数据点
stick：显示数据竖线

flowchart TD A["小提琴图结构"] --> B["外部形状<br/>KDE密度曲线"] A --> C["内部粗线<br/>四分位数"] A --> D["两侧延伸线<br/>胡须范围"] B --> B1["反映数据分布形态"] C --> C1["中位数/Q1/Q3"] D --> D1["1.5倍IQR范围"] style A fill:#fff3e0 style B fill:#e8f5e9

# 基本小提琴图
plt.figure(figsize=(10, 6))
sns.violinplot(data=penguins, x="species", y="bill_length_mm", palette="Set2")
plt.title("各物种喙长度小提琴图")
plt.xlabel("物种")
plt.ylabel("喙长度 (mm)")
plt.show()

# 按性别分组的小提琴图
plt.figure(figsize=(12, 6))
sns.violinplot(data=penguins, x="species", y="bill_length_mm", 
               hue="sex", split=True, palette="Set1")
plt.title("各物种喙长度小提琴图（按性别拆分）")
plt.xlabel("物种")
plt.ylabel("喙长度 (mm)")
plt.legend(title="性别")
plt.show()

6.8 热力图

heatmap() - 热力图

热力图通过颜色深浅来表示数据矩阵中数值的大小。

sns.heatmap(data, annot=None, fmt='.2f', cmap='coolwarm', 
            center=None, square=False, linewidths=0, **kwargs)

参数说明：

参数	类型	说明
data	array/DataFrame	数据矩阵
annot	bool/array	是否显示数值
fmt	str	数值格式，如'.2f', 'd'
cmap	str	颜色映射：'coolwarm', 'RdBu_r', 'viridis', 'YlOrRd'
center	float	颜色映射中心值
vmin, vmax	float	颜色映射范围
square	bool	True时单元格为正方形
linewidths	float	单元格边框宽度
linecolor	str	边框颜色
cbar	bool	是否显示颜色条
cbar_ax	Axes	颜色条位置
mask	bool/array	遮罩数组
xticklabels	bool/list	x轴刻度标签
yticklabels	bool/list	y轴刻度标签

常用颜色映射：

coolwarm：蓝红渐变，适合有正负值的数据
RdBu_r：红蓝反转（红色在两端，蓝色在中间）
viridis：黄绿蓝渐变，适合正值数据
YlOrRd：黄橙红渐变
Blues：蓝色渐变

# 计算数值变量的相关系数矩阵
num_cols = ["bill_length_mm", "bill_depth_mm", "flipper_length_mm", "body_mass_g"]
corr_matrix = penguins[num_cols].corr()

# 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, fmt=".2f", cmap="RdBu_r", 
            center=0, square=True, linewidths=0.5)
plt.title("企鹅身体指标相关系数热力图")
plt.show()

# 使用不同颜色方案的带掩码热力图（上三角遮罩）
plt.figure(figsize=(8, 6))
mask = np.triu(np.ones_like(corr_matrix, dtype=bool))
sns.heatmap(corr_matrix, mask=mask, annot=True, fmt=".2f", 
            cmap="viridis", square=True)
plt.title("下三角相关系数热力图")
plt.show()

6.9 样式与配色

Seaborn提供了多种内置主题和配色方案。

# 演示不同主题风格
styles = ["white", "dark", "whitegrid", "darkgrid"]
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
axes = axes.flatten()

for i, style in enumerate(styles):
    sns.set_style(style)
    title_color = 'white' if style in ['dark', 'darkgrid'] else 'black'
    sns.scatterplot(data=penguins, x="bill_length_mm", y="bill_depth_mm",
                    hue="species", ax=axes[i], palette="Set2")
    axes[i].set_title(f"风格: {style}", color=title_color)
    axes[i].set_xlabel("喙长度 (mm)", color=title_color)
    axes[i].set_ylabel("喙深度 (mm)", color=title_color)

plt.tight_layout()
plt.show()

# 演示不同配色方案
palettes = ["Set1", "Set2", "Set3", "husl", "muted", "deep"]
fig, axes = plt.subplots(2, 3, figsize=(15, 10))
axes = axes.flatten()

for i, palette in enumerate(palettes):
    sns.barplot(data=penguins, x="species", y="body_mass_g", estimator="mean",
                errorbar=None, ax=axes[i], palette=palette)
    axes[i].set_title(f"配色方案: {palette}")
    axes[i].set_xlabel("物种")
    axes[i].set_ylabel("平均体重 (g)")

plt.tight_layout()
plt.show()

# 恢复默认样式
sns.set_theme()

6.10 综合案例：企鹅数据全面分析

综合分析图1：物种身体指标对比

# 综合分析图 1：物种身体指标对比
fig, axes = plt.subplots(2, 2, figsize=(14, 12))

# 1.1 各物种体重分布小提琴图
sns.violinplot(data=penguins, x="species", y="body_mass_g", hue="sex", split=True,
               ax=axes[0, 0], palette="Set2")
axes[0, 0].set_title("各物种体重分布对比（小提琴图）")
axes[0, 0].set_xlabel("物种")
axes[0, 0].set_ylabel("体重 (g)")

# 1.2 各物种脚蹼长度箱线图
sns.boxplot(data=penguins, x="species", y="flipper_length_mm", ax=axes[0, 1], palette="Set3")
axes[0, 1].set_title("各物种脚蹼长度分布（箱线图）")
axes[0, 1].set_xlabel("物种")
axes[0, 1].set_ylabel("脚蹼长度 (mm)")

# 1.3 喙长度与喙深度关系散点图（带气泡大小）
sns.scatterplot(data=penguins, x="bill_length_mm", y="bill_depth_mm",
                hue="species", size="body_mass_g", ax=axes[1, 0], palette="Set1", alpha=0.7)
axes[1, 0].set_title("喙长度与喙深度关系（气泡图）")
axes[1, 0].set_xlabel("喙长度 (mm)")
axes[1, 0].set_ylabel("喙深度 (mm)")

# 1.4 各岛屿企鹅数量堆叠条形图
island_species = penguins.groupby(["island", "species"]).size().unstack()
island_species.plot(kind="bar", stacked=True, ax=axes[1, 1], colormap="Set2")
axes[1, 1].set_title("各岛屿企鹅物种分布")
axes[1, 1].set_xlabel("岛屿")
axes[1, 1].set_ylabel("数量")
axes[1, 1].legend(title="物种")

plt.tight_layout()
plt.show()

综合分析图2：相关性分析与分布特征

# 综合分析图 2：相关性分析与分布特征
fig, axes = plt.subplots(2, 2, figsize=(14, 12))

# 2.1 身体指标相关系数热力图
num_cols = ["bill_length_mm", "bill_depth_mm", "flipper_length_mm", "body_mass_g"]
corr_matrix = penguins[num_cols].corr()
sns.heatmap(corr_matrix, annot=True, fmt=".2f", cmap="coolwarm", 
            ax=axes[0, 0], square=True, center=0)
axes[0, 0].set_title("身体指标相关系数矩阵")

# 2.2 各指标按物种分组的核密度估计
for species in penguins["species"].unique():
    subset = penguins[penguins["species"] == species]
    sns.kdeplot(data=subset, x="flipper_length_mm", ax=axes[0, 1], 
                label=species, fill=True, alpha=0.3)
axes[0, 1].set_title("各物种脚蹼长度分布对比")
axes[0, 1].set_xlabel("脚蹼长度 (mm)")
axes[0, 1].set_ylabel("密度")
axes[0, 1].legend(title="物种")

# 2.3 成对关系图（选取关键变量）
key_vars = ["bill_length_mm", "body_mass_g", "flipper_length_mm"]
g = sns.pairplot(data=penguins, vars=key_vars, hue="species", 
                 palette="Set2", diag_kind="kde")
g.fig.suptitle("关键身体指标成对关系图", y=1.02)

# 2.4 各岛屿和物种的喙长度均值条形图
sns.barplot(data=penguins, x="island", y="bill_length_mm", hue="species",
            estimator="mean", errorbar=None, ax=axes[1, 1], palette="Set3")
axes[1, 1].set_title("各岛屿不同物种平均喙长度")
axes[1, 1].set_xlabel("岛屿")
axes[1, 1].set_ylabel("平均喙长度 (mm)")
axes[1, 1].legend(title="物种")

plt.tight_layout()
plt.show()

6.11 核心函数速查表

mindmap root((Seaborn核心函数)) 分布图表 histplot 数据+分布 kdeplot 密度估计 rugplot 数据标记计数图表 countplot 分类计数 barplot 聚合统计关系图表 scatterplot 散点关系 jointplot 联合分布 pairplot 多变量关系分类图表 boxplot 分布统计 violinplot 密度分布 heatmap 矩阵可视化样式控制 set_style 主题 set_palette 配色

函数	用途	关键参数
`histplot()`	直方图+密度	data, x, bins, kde, hue
`kdeplot()`	核密度图	data, x/y, fill, hue
`rugplot()`	地毯图	data, x, height
`countplot()`	计数图	data, x, hue
`barplot()`	条形图	data, x, y, estimator
`scatterplot()`	散点图	data, x, y, hue, size
`jointplot()`	联合图	data, x, y, kind
`pairplot()`	成对关系图	data, hue, vars
`boxplot()`	箱线图	data, x, y, hue
`violinplot()`	小提琴图	data, x, y, hue, split
`heatmap()`	热力图	data, annot, cmap

建议多加练习，将可视化应用到实际数据分析中。

数据分析-06Seaborn 数据可视化

6.1 工具介绍

导入方式

样式与配色函数

6.2 数据集介绍

企鹅数据集

6.3 分布图表

histplot() - 直方图

kdeplot() - 核密度估计图

rugplot() - 地毯图

6.4 计数图表

countplot() - 计数图

barplot() - 条形图

6.5 关系图表

scatterplot() - 散点图

jointplot() - 联合图

pairplot() - 成对关系图

6.6 二维核密度估计图

kdeplot() 二维形式

6.7 分类图表

boxplot() - 箱线图

violinplot() - 小提琴图

6.8 热力图

heatmap() - 热力图

6.9 样式与配色

6.10 综合案例：企鹅数据全面分析

综合分析图1：物种身体指标对比

综合分析图2：相关性分析与分布特征

6.11 核心函数速查表

评论区

数据分析-06Seaborn 数据可视化