Python中最常用于数据可视化的工具库包括Matplotlib和Seaborn。其中，Matplotlib属于 Python 数据可视化的基础库，具备很高的灵活度，但应用过于复杂——官方文档有3000 多页，包含上千个方法以及数万个参数。

对于快捷地进行数据分析可视化而言，Seaborn是一个更简单易用的选择。Seaborn 基于 Matplotlib 核心库进行了更高阶的 API 封装，可以轻松地画出更漂亮的图形。Seaborn 的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。下面是 Seaborn 官方给出的参考图。

一、Seaborn工具库优点

内置数个经过优化的样式效果。
增加调色板工具，可以很方便地为数据搭配颜色。
单变量和双变量分布绘图更为简单，可用于对数据子集相互比较。
对独立变量和相关变量进行回归拟合和可视化更加便捷。
对数据矩阵进行可视化，并使用聚类算法进行分析。
基于时间序列的绘制和统计功能，更加灵活的不确定度估计。
基于网格绘制出更加复杂的图像集合。

二、快速优化Matplotlib绘制的图形

Matplotlib 绘图的默认图像样式算不上美观，可以使用 Seaborn 完成快速优化。

使用 Matplotlib 绘制一张简单的图像。

import matplotlib.pyplot as plt%matplotlib inlinex = [1, 3, 5, 7, 9, 11, 13, 15, 17, 19]y_bar = [3, 4, 6, 8, 9, 10, 9, 11, 7, 8]y_line = [2, 3, 5, 7, 8, 9, 8, 10, 6, 7]plt.bar(x, y_bar)plt.plot(x, y_line, \'-o\', color=\'y\')

使用 Seaborn 完成图像快速优化。
方法非常简单，只需要将 Seaborn 提供的样式声明代码 sns.set() 放置在绘图前即可。

import seaborn as snssns.set()  # 声明使用 Seaborn 样式plt.bar(x, y_bar)plt.plot(x, y_line, \'-o\', color=\'y\')

可以发现，相比于 Matplotlib 默认的纯白色背景，Seaborn 默认的浅灰色网格背景看起来的确要细腻舒适一些。而柱状图的色调、坐标轴的字体大小也都有一些变化。

sns.set() 的默认参数为：

sns.set(context=\'notebook\', style=\'darkgrid\', palette=\'deep\', font=\'sans-serif\', font_scale=1, color_codes=False, rc=None)

context=’ ’ 参数控制着默认的画幅大小，分别有 {paper, notebook, talk, poster} 四个值。其中，poster > talk > notebook > paper。
style=’ ’ 参数控制默认样式，分别有 {darkgrid, whitegrid, dark, white, ticks}，你可以自行更改查看它们之间的不同。
palette=’ ’ 参数为预设的调色板。分别有 {deep, muted, bright, pastel, dark, colorblind} 等，你可以自行更改查看它们之间的不同。
剩下的 font=’ ’ 用于设置字体，font_scale= 设置字体大小，color_codes= 不使用调色板而采用先前的 ‘r’ 等色彩缩写。

三、Seaborn核心绘图函数与方法

Seaborn 一共拥有 50 多个 API 类，相比于 Matplotlib 数千个的规模，可以说是非常精简了。根据图形的适应场景，Seaborn 的绘图方法大致分类 6 类，这 6 大类下面又包含不同数量的绘图函数：

关联图——relplot
类别图——catplot
分布图——distplot、kdeplot、jointplot、pairplot
回归图——regplot、lmplot
矩阵图——heatmap、clustermap
组合图

接下来，我们通过『鸢尾花示例数据集』进行演示，使用 Seaborn 绘制适应不同场景的图形。首先导入数据集：

iris = sns.load_dataset("iris")iris.head()

在绘图之前，先熟悉一下 iris 鸢尾花数据集。
数据集总共 150 行，由 5 列组成。分别代表：萼片长度、萼片宽度、花瓣长度、花瓣宽度、花的类别。其中，前四列均为数值型数据，最后一列花的分类为三种，分别是：Iris Setosa、Iris Versicolour、Iris Virginica。

3.1 关联图

当我们需要对数据进行关联性分析时，可能会用到 Seaborn 提供的以下几个 API。

API层级	关联性分析	介绍
Figure-level	relplot	绘制关系图
Axes-level	scatterplot	多维度分析散点图
	lineplot	多维度分析线形图

relplot 是 relational plots 的缩写，用于呈现数据之后的关系。relplot 主要有散点图和线形图2种样式，适用于不同类型的数据。

（1）散点图

指定 x 和 y 的特征，默认可以绘制出散点图。

sns.relplot(x="sepal_length", y="sepal_width", data=iris)

但是，上图并不能看出数据类别之间的联系。如果我们加入类别特征对数据进行着色，就更加直观了。

sns.relplot(x="sepal_length", y="sepal_width", hue="species", data=iris)

Seaborn 的函数都有大量实用的参数。例如我们指定 style 参数可以赋予不同类别的散点不同的形状。更多的参数，希望大家通过阅读官方文档进行了解。

sns.relplot(x="sepal_length", y="sepal_width", hue="species", style="species", data=iris)

（2）线形图

relplot 方法还支持线形图，此时只需要指定 kind=”line” 参数即可。图中阴影部分是自动给出的 95% 置信区间。

sns.relplot(x="sepal_length", y="petal_length", hue="species", style="species", kind="line", data=iris)

（3）API 层级：Axes-level 和 Figure-level

Seaborn 中有 API 层级的概念。Seaborn 中的 API 分为 Axes-level 和 Figure-level 两种：Axes-level 的函数可以实现与 Matplotlib 更灵活和紧密的结合，而 Figure-level 则更像是「懒人函数」，适合于快速应用。

你会发现，上面我们一个提到了 3 个 API，分别是：relplot，scatterplot 和 lineplot。scatterplot 和 lineplot 就是 Axes-level 接口，relplot 则是 Figure-level 接口，也可以被看作是 scatterplot 和 lineplot 的结合版本。

例如，上方 relplot 绘制的图也可以使用 lineplot 函数绘制，只要取消 relplot 中的 kind 参数即可。

sns.lineplot(x="sepal_length", y="petal_length", hue="species", style="species", data=iris)

3.2 类别图

与关联图相似，类别图的 Figure-level 接口是 catplot，其为 categorical plots 的缩写。而 catplot 实际上是如下 Axes-level 绘图 API 的集合：

API层级	函数	介绍
Figure-level	catplot
Axes-level	stripplot() (kind=”strip”) swarmplot() (kind=”swarm”)	分类散点图
	boxplot() (kind=”box”) boxenplot() (kind=”boxen”) violinplot() (kind=”violin”)	分类分布图
	pointplot() (kind=”point”) barplot() (kind=”bar”) countplot() (kind=”count”)	分类估计图

（1）散点图 strip / swarm

下面，我们看一下 catplot 绘图效果。该方法默认是绘制

kind="strip"

散点图。

sns.catplot(x="sepal_length", y="species", data=iris)

kind="swarm"

可以让散点按照 beeswarm 的方式防止重叠，可以更好地观测数据分布。

sns.catplot(x="sepal_length", y="species", kind="swarm", data=iris)

同理，hue= 参数可以给图像引入另一个维度，由于 iris 数据集只有一个类别列，我们这里就不再添加 hue= 参数了。如果一个数据集有多个类别，hue= 参数就可以让数据点有更好的区分。

（2）箱线图 box

接下来，我们依次尝试其他几种图形的绘制效果。绘制箱线图：

sns.catplot(x="sepal_length", y="species", kind="box", data=iris)

（3）增强箱线图 boxen

sns.catplot(x="species", y="sepal_length", kind="boxen", data=iris)

（4）小提琴图 violin

sns.catplot(x="sepal_length", y="species", kind="violin", data=iris)

（5）点线图 point

sns.catplot(x="sepal_length", y="species", kind="point", data=iris)

（6）条形图 bar

sns.catplot(x="sepal_length", y="species", kind="bar", data=iris)

（7）计数条形图 count

sns.catplot(x="species", kind="count", data=iris)

3.3 分布图

分布图主要是用于可视化变量的分布情况，一般分为单变量分布和多变量分布（多指二元变量）。
Seaborn 提供的分布图绘制方法一般有这几个：distplot、kdeplot、jointplot、pairplot。接下来，我们依次来看一下这些绘图方法的使用。

API层级	函数	介绍
Axes-level	distplot	绘制直方图并拟合核密度估计图
Axes-level	kdeplot	专门用于绘制核密度估计图
Axes-level	jointplot	支持 kind= 参数指定绘制出不同样式的分布图
Axes-level	pairplot	一次性将数据集中的特征变量两两对比绘图

（1）单变量分布图 distplot

Seaborn 快速查看单变量分布的方法是 distplot。默认情况下，该方法将绘制直方图并拟合核密度估计图。

sns.distplot(iris["sepal_length"])

distplot 提供了参数来调整直方图和核密度估计图。例如，设置 kde=False 则可以只绘制直方图，或者 hist=False 只绘制核密度估计图。

（2）核密度估计图 kdeplot

当然，kdeplot 可以专门用于绘制核密度估计图，其效果和 distplot(hist=False) 一致，但 kdeplot 拥有更多的自定义设置。

sns.kdeplot(iris["sepal_length"])

（3）二元变量分布图 jointplot

jointplot 主要是用于绘制二元变量分布图。例如，我们探寻 sepal_length 和 sepal_width 二元特征变量之间的关系。

sns.jointplot(x="sepal_length", y="sepal_width", data=iris)

jointplot 并不是一个 Figure-level 接口，但其支持 kind= 参数指定绘制出不同样式的分布图。

例如，绘制出核密度估计对比图 kde

sns.jointplot(x="sepal_length", y="sepal_width", data=iris, kind="kde")

绘制六边形计数图 hex

sns.jointplot(x="sepal_length", y="sepal_width", data=iris, kind="hex")

绘制回归拟合图 reg

sns.jointplot(x="sepal_length", y="sepal_width", data=iris, kind="reg")

（4）变量两两对比图 pairplot

最后要介绍的 pairplot 更加强大，其支持一次性将数据集中的特征变量两两对比绘图。默认情况下，对角线上是单变量分布图，而其他则是二元变量分布图。

sns.pairplot(iris)

此时，我们引入第三维度

hue="species"

会更加直观。

sns.pairplot(iris, hue="species")

3.4 回归图

接下来，我们继续介绍回归图，回归图的绘制函数主要有：lmplot 和 regplot。

API层级	函数	介绍
Axes-level	regplot	自动完成线性回归拟合
Axes-level	lmplot	支持引入第三维度进行对比

（1）regplot

regplot 绘制回归图时，只需要指定自变量和因变量即可，regplot 会自动完成线性回归拟合。

sns.regplot(x="sepal_length", y="sepal_width", data=iris)

（2）lmplot

lmplot 同样是用于绘制回归图，但 lmplot 支持引入第三维度进行对比，例如我们设置

hue="species"

。

sns.lmplot(x="sepal_length", y="sepal_width", hue="species", data=iris)

3.5 矩阵图

矩阵图中最常用的就只有 2 个，分别是：heatmap 和 clustermap。

API层级	函数	介绍
Axes-level	heatmap	绘制热力图
Axes-level	clustermap	层次聚类结构图

（1）热力图 heatmap

意如其名，heatmap 主要用于绘制热力图。热力图在某些场景下非常实用，例如绘制出变量相关性系数热力图。

import numpy as npsns.heatmap(np.random.rand(10, 10))

（2）层次聚类结构图clustermap

除此之外，clustermap 支持绘制层次聚类结构图。如下所示，我们先去掉原数据集中最后一个目标列，传入特征数据即可。当然，你需要对层次聚类有所了解，否则很难看明白图像多表述的含义。

iris.pop("species")sns.clustermap(iris)

四、样式控制与色彩自定义

浏览官方文档，会发现 Seaborn 中还存在大量已大些字母开始的类，例如 JointGrid，PairGrid 等。实际上这些类只是其对应小写字母的函数 jointplot，pairplot 的进一步封装。当然，二者可能稍有不同，但并没有本质的区别。

除此之外，Seaborn 官方文档中还有关于样式控制和色彩自定义等一些辅助组件的介绍。对于这些 API 的应用没有太大的难点，重点需要勤于练习。

资料与代码下载

本教程系列的代码可以在ShowMeAI对应的github中下载，可本地python环境运行，能访问Google的宝宝也可以直接借助google colab一键运行与交互操作学习哦！

本系列教程涉及的速查表可以在以下地址下载获取：

Pandas速查表
NumPy速查表
Matplotlib速查表
Seaborn速查表

拓展参考资料

Pandas可视化教程
Seaborn官方教程

ShowMeAI相关文章推荐

数据分析介绍
数据分析思维
数据分析的数学基础
业务认知与数据初探
数据清洗与预处理
业务分析与数据挖掘
数据分析工具地图
统计与数据科学计算工具库Numpy介绍
Numpy与1维数组操作
Numpy与2维数组操作
Numpy与高维数组操作
数据分析工具库Pandas介绍
图解Pandas核心操作函数大全
图解Pandas数据变换高级函数
Pandas数据分组与操作
数据可视化原则与方法
基于Pandas的数据可视化
seaborn工具与数据可视化

ShowMeAI系列教程推荐

图解Python编程：从入门到精通系列教程
图解数据分析：从入门到精通系列教程
图解AI数学基础：从入门到精通系列教程
图解大数据技术：从入门到精通系列教程

Python数据分析 | seaborn工具与数据可视化