当前位置：首页>python>一起学Python第118天:Seaborn 入门——用3行代码画出＂杂志级＂统计图表

一起学Python第118天:Seaborn 入门——用3行代码画出＂杂志级＂统计图表

2026-08-18 23:11:32

📅 系列：一起学Python | 难度：⭐⭐⭐

🔗 上期回顾：第117天：中文显示终极指南

一、为什么你需要 Seaborn？

学了十几天的 Matplotlib，你可能已经发现：原生的 Matplotlib 画图"能用"，但不够"好看"。

配色默认蓝、网格线要手动调、统计图（如箱线图、小提琴图）写起来很繁琐……而 Seaborn 就是来解决这些痛点的。

Seaborn 是什么？

建立在 Matplotlib 之上的高级统计可视化库
默认主题美观，配色经过专业设计
一行代码画出箱线图、热力图、小提琴图等复杂统计图
与 Pandas DataFrame 无缝配合

一句话：Matplotlib 是"画笔"，Seaborn 是"模板"——它让你用更少的代码，画出更专业的图。

二、安装与导入

pip install seaborn

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np

三、一键换肤：`set_theme()` 让图表秒变高级

Seaborn 的 set_theme() 是"一键美化"的核心，可以同时控制 主题（style） 和 模板（context）。

主题 Style（控制背景+网格）

主题	效果	适用场景
`darkgrid`	深色网格背景（默认）	通用，对比度高
`whitegrid`	白色网格背景	论文、报告，最常用
`dark`	深色背景，无网格	暗色主题PPT
`white`	纯白背景，无网格	极简风格
`ticks`	带刻度线的白色背景	需要精确读数

模板 Context（控制元素大小）

模板	标签/线条大小	适用场景
`paper`	小	学术论文插图
`notebook`	中等（默认）	日常分析
`talk`	大	演讲幻灯片
`poster`	非常大	海报展示

# 组合使用：白色网格 + 演讲尺寸sns.set_theme(style="whitegrid", palette="pastel", context="talk")

四、六大核心绘图函数实战

以下所有示例均使用字体文件加载方案，确保中文完美显示：

import matplotlib.font_manager as fmimport os# ================= 1. 字体加载（解决报错的核心） =================font_path = "simhei.ttf"if not os.path.exists(font_path):    font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"prop = fm.FontProperties(fname=font_path)plt.rcParams['axes.unicode_minus'] = False

1. 散点图 `sns.scatterplot()`——探索变量关系

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport matplotlib.font_manager as fmimport os# 字体加载font_path = "simhei.ttf"if not os.path.exists(font_path):    font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"prop = fm.FontProperties(fname=font_path)plt.rcParams['axes.unicode_minus'] = False# 设置主题sns.set_theme(style="whitegrid", palette="deep")# 生成数据np.random.seed(42)df = pd.DataFrame({    '身高': np.random.normal(170, 10, 100),    '体重': np.random.normal(65, 15, 100),    '性别': np.random.choice(['男', '女'], 100)})plt.figure(figsize=(8, 6))sns.scatterplot(data=df, x='身高', y='体重', hue='性别', s=100)plt.title('身高与体重分布', fontproperties=prop, fontsize=14)plt.xlabel('身高（cm）', fontproperties=prop)plt.ylabel('体重（kg）', fontproperties=prop)# 图例中文plt.legend(prop=prop, title='性别', title_fontproperties=prop)plt.show()

💡 Seaborn 优势：hue='性别' 自动按类别着色并生成图例，Matplotlib 需要手动循环。

2. 折线图 `sns.lineplot()`——展示趋势

# 字体加载同上（省略）sns.set_theme(style="whitegrid")df = pd.DataFrame({    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'] * 2,    '销售额': [120, 135, 148, 162, 155, 178, 115, 140, 155, 170, 160, 185],    '年份': ['2025'] * 6 + ['2026'] * 6})plt.figure(figsize=(10, 6))sns.lineplot(data=df, x='月份', y='销售额', hue='年份',              marker='o', linewidth=2.5)plt.title('月度销售额趋势对比', fontproperties=prop, fontsize=14)plt.xlabel('月份', fontproperties=prop)plt.ylabel('销售额（万元）', fontproperties=prop)plt.legend(prop=prop, title='年份', title_fontproperties=prop)plt.show()

3. 柱状图 `sns.barplot()`——自动计算均值+误差线

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport matplotlib.font_manager as fmimport os# 字体加载font_path = "simhei.ttf"if not os.path.exists(font_path):    font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"prop = fm.FontProperties(fname=font_path)plt.rcParams['axes.unicode_minus'] = Falsesns.set_theme(style="whitegrid", palette="pastel")products = ['A', 'A', 'B', 'B', 'C', 'C'] * 5sales = [120, 135, 210, 195, 150, 165,         110, 205, 140, 125, 140, 220,         200, 155, 170, 115, 215, 145,         130, 145, 215, 205, 160, 175,         120, 210, 150, 135, 198, 162]df = pd.DataFrame({'产品': products, '销量': sales})plt.figure(figsize=(8, 6))sns.barplot(data=df, x='产品', y='销量', palette='coolwarm')plt.title('各产品平均销量（含置信区间）', fontproperties=prop, fontsize=14)plt.xlabel('产品类别', fontproperties=prop)plt.ylabel('平均销量', fontproperties=prop)plt.tight_layout()plt.show()

🔥 Seaborn 自动功能：barplot 会自动计算每个类别的均值和95%置信区间（误差线），无需手动聚合！

4. 箱线图 `sns.boxplot()`——一眼看穿分布与异常值

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport matplotlib.font_manager as fmimport os# 字体加载font_path = "simhei.ttf"if not os.path.exists(font_path):    font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"prop = fm.FontProperties(fname=font_path)plt.rcParams['axes.unicode_minus'] = Falsesns.set_theme(style="whitegrid", palette="pastel")sns.set_theme(style="whitegrid")df = pd.DataFrame({    '班级': ['A'] * 50 + ['B'] * 50 + ['C'] * 50,    '成绩': list(np.random.normal(75, 10, 50)) +             list(np.random.normal(82, 8, 50)) +             list(np.random.normal(70, 15, 50))})plt.figure(figsize=(8, 6))sns.boxplot(data=df, x='班级', y='成绩', palette='Set2')plt.title('各班成绩分布箱线图', fontproperties=prop, fontsize=14)plt.xlabel('班级', fontproperties=prop)plt.ylabel('成绩', fontproperties=prop)plt.tight_layout()plt.show()

箱线图解读：

箱子中间线 = 中位数
箱子上下边缘 = 上/下四分位数（Q3/Q1）
whisker（须线）= 1.5倍四分位距内的最值
圆点 = 异常值

5. 热力图 `sns.heatmap()`——相关性矩阵可视化

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport matplotlib.font_manager as fmimport os# 字体加载font_path = "simhei.ttf"if not os.path.exists(font_path):    font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"prop = fm.FontProperties(fname=font_path)plt.rcParams['axes.unicode_minus'] = Falsesns.set_theme(style="white")# 生成相关性数据np.random.seed(42)data = np.random.randn(100, 5)df = pd.DataFrame(data, columns=['语文', '数学', '英语', '物理', '化学'])corr = df.corr()plt.figure(figsize=(8, 6))sns.heatmap(corr, annot=True, cmap='coolwarm', fmt=".2f",            linewidths=0.5, square=True,            annot_kws={'fontproperties': prop, 'size': 12})plt.title('学科成绩相关性矩阵', fontproperties=prop, fontsize=14)# 调整坐标轴标签ax = plt.gca()ax.set_xticklabels(ax.get_xticklabels(), fontproperties=prop)ax.set_yticklabels(ax.get_yticklabels(), fontproperties=prop)plt.tight_layout()plt.show()

💡 参数解析：

annot=True：在每个格子里显示数值
fmt=".2f"：保留两位小数
linewidths=0.5：格子间加白线分隔
square=True：保持正方形

6. 小提琴图 `sns.violinplot()`——分布形状+密度一目了然

import seaborn as snsimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport matplotlib.font_manager as fmimport os# 字体加载font_path = "simhei.ttf"if not os.path.exists(font_path):    font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"prop = fm.FontProperties(fname=font_path)plt.rcParams['axes.unicode_minus'] = Falsesns.set_theme(style="whitegrid")df = pd.DataFrame({    '科目': ['A'] * 100 + ['B'] * 100 + ['C'] * 100,    '分数': list(np.random.normal(78, 12, 100)) +             list(np.random.normal(85, 10, 100)) +             list(np.random.normal(72, 15, 100))})plt.figure(figsize=(8, 6))sns.violinplot(data=df, x='科目', y='分数', palette='muted', inner='box')plt.title('各科成绩分布小提琴图', fontproperties=prop, fontsize=14)plt.xlabel('科目', fontproperties=prop)plt.ylabel('分数', fontproperties=prop)plt.tight_layout()plt.show()

🔥 小提琴图优势：结合了箱线图（中间的箱线）和核密度估计（两侧的"小提琴"轮廓），既能看统计量，又能看分布形状。

五、Seaborn vs Matplotlib：怎么选？

最佳实践：Seaborn 画图 + Matplotlib 微调——先用 Seaborn 快速出图，再用 Matplotlib API 调整标题、保存等细节。

六、避坑指南

七、参数速查卡

# 主题设置sns.set_theme(style="whitegrid", palette="pastel", context="notebook")# 散点图sns.scatterplot(data=df, x='x列', y='y列', hue='分类列', size='大小列')# 折线图sns.lineplot(data=df, x='x列', y='y列', hue='分组列', marker='o')# 柱状图（自动均值+误差线）sns.barplot(data=df, x='类别', y='数值', palette='coolwarm')# 箱线图sns.boxplot(data=df, x='类别', y='数值')# 热力图sns.heatmap(matrix, annot=True, cmap='coolwarm', fmt=".2f")# 小提琴图sns.violinplot(data=df, x='类别', y='数值', inner='box')

总结

今天我们迈入了 Seaborn 的世界：

✅ Seaborn = Matplotlib 的"高级皮肤"，专注统计可视化
✅ sns.set_theme() —— 一键切换主题和模板，图表秒变专业
✅ scatterplot / lineplot / barplot —— 基础图表，自动美化
✅ boxplot / violinplot —— 统计分布，异常值一目了然
✅ heatmap —— 相关性矩阵的最佳可视化方式
✅ 最佳拍档：Seaborn 快速出图 + Matplotlib 精细调整

关键记忆：探索数据用 Seaborn，精细控制用 Matplotlib，两者配合效率翻倍。

🎯 今日金句：Matplotlib 给了你对每个像素的控制权，而 Seaborn 给了你"不用控制每个像素"的自由——有时候，少即是多，美即是真。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

一起学Python第118天:Seaborn 入门——用3行代码画出＂杂志级＂统计图表

一、为什么你需要 Seaborn？

二、安装与导入

三、一键换肤：`set_theme()` 让图表秒变高级

主题 Style（控制背景+网格）

模板 Context（控制元素大小）

四、六大核心绘图函数实战

1. 散点图 `sns.scatterplot()`——探索变量关系

2. 折线图 `sns.lineplot()`——展示趋势

3. 柱状图 `sns.barplot()`——自动计算均值+误差线

4. 箱线图 `sns.boxplot()`——一眼看穿分布与异常值

5. 热力图 `sns.heatmap()`——相关性矩阵可视化

6. 小提琴图 `sns.violinplot()`——分布形状+密度一目了然

🔥 小提琴图优势：结合了箱线图（中间的箱线）和核密度估计（两侧的"小提琴"轮廓），既能看统计量，又能看分布形状。

五、Seaborn vs Matplotlib：怎么选？

六、避坑指南

七、参数速查卡

总结

最新文章

热门文章

随机文章

一起学Python第118天:Seaborn 入门——用3行代码画出＂杂志级＂统计图表

一、为什么你需要 Seaborn？

二、安装与导入

三、一键换肤：set_theme() 让图表秒变高级

主题 Style（控制背景+网格）

模板 Context（控制元素大小）

四、六大核心绘图函数实战

1. 散点图 sns.scatterplot()——探索变量关系

2. 折线图 sns.lineplot()——展示趋势

3. 柱状图 sns.barplot()——自动计算均值+误差线

4. 箱线图 sns.boxplot()——一眼看穿分布与异常值

5. 热力图 sns.heatmap()——相关性矩阵可视化

6. 小提琴图 sns.violinplot()——分布形状+密度一目了然

🔥 小提琴图优势：结合了箱线图（中间的箱线）和核密度估计（两侧的"小提琴"轮廓），既能看统计量，又能看分布形状。

五、Seaborn vs Matplotlib：怎么选？

六、避坑指南

七、参数速查卡

总结

《数据分析——基于Python》:项目驱动,让数据分析在图像处理等真实场景中落地

学英语也能用Python小程序,自定义单词库,调用手机自带语音跟读(仅Pydroid3可用

最新文章

热门文章

随机文章

三、一键换肤：`set_theme()` 让图表秒变高级

1. 散点图 `sns.scatterplot()`——探索变量关系

2. 折线图 `sns.lineplot()`——展示趋势

3. 柱状图 `sns.barplot()`——自动计算均值+误差线

4. 箱线图 `sns.boxplot()`——一眼看穿分布与异常值

5. 热力图 `sns.heatmap()`——相关性矩阵可视化

6. 小提琴图 `sns.violinplot()`——分布形状+密度一目了然