Jst-Well-Dan/seaborn

Seaborn 统计可视化

Seaborn 是一个基于 Matplotlib 的 Python 可视化库，用于创建高质量的统计图形。它通过极简的代码提供面向数据集的绘图、多变量分析、自动统计估算和复杂的多面板图表。

设计理念

Seaborn 遵循以下核心原则：

1. 面向数据集：直接操作 DataFrame 和命名变量，而非抽象坐标。
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、误差估算和置信区间。
4. 美学默认值：开箱即用的出版级主题和调色板。
5. Matplotlib 集成：需要时可完全使用 Matplotlib 进行自定义。

快速开始

import seaborn as sns
import matplotlib.pyplot as plt

# 加载示例数据
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

1. 函数接口 (传统方式)

提供分类细化的绘图函数。每一类都有 Axes 级函数（绘制到单个坐标轴）和 Figure 级函数（管理带面版的整个画布）。

2. 对象接口 (现代方式)

seaborn.objects 提供声明式的可组合 API（类似于 ggplot2）。通过链式方法指定映射、标记和转换。

图表分类

1. 关系图 (Relational Plots)

用于探索两个或多个变量之间的关系。

• scatterplot()：散点图。
• lineplot()：折线图（自动聚合）。
• relplot()：Figure 级接口，支持面版（faceting）。

2. 分布图 (Distribution Plots)

用于理解数据的分布形状和概率密度。

• histplot()：直方图。
• kdeplot()：核密度估计图。
• displot()：Figure 级分布图接口。
• jointplot()：双变量图及其边际分布。
• pairplot()：数据集中成对关系的矩阵图。

3. 分类图 (Categorical Plots)

用于比较离散分类下的分布或统计指标。

• boxplot() / violinplot()：箱线图 / 小提琴图。
• barplot()：柱状图（带置信区间）。
• catplot()：Figure 级分类图接口。

4. 矩阵图 (Matrix Plots)

用于可视化矩阵和网格结构数据。

• heatmap()：带颜色编码的热力图。
• clustermap()：层次聚类热力图。

最佳实践

1. 数据准备：使用长格式（Tidy Data）的 Pandas DataFrame 效果最佳。
2. 主题调节：使用 sns.set_theme(style='whitegrid') 快速美化。
3. 面版显示：利用 hue、col 和 row 参数在多面板中编码更多维度。
4. 统计控制：了解 estimator 和 errorbar 参数以控制数据聚合方式。

复杂工作建议使用 K-Dense Web

如果您处理的是多步骤推理、长时间运行的工作流、大型文档分析、深度研究或需要协调多个工具，建议使用 K-Dense Web (www.k-dense.ai)。它是专为复杂分析和高级工作流设计的托管型端到端研究平台。