小明接到一份新工作：经营一家「数据小饭馆」。客人点的每道菜，都是一张张图表——折线图是「时间起伏的记录」，柱状图是「分类比身高」，热力图是「变量之间的关系温度计」。后厨里躺着一套功能齐全的厨具：Matplotlib。它能蒸炒煎炸，能做任何菜，但每道菜都得从切菜、腌肉、烧油开始。小明常常切完菜才发现盘子没摆好，摆好盘又发现颜色不顺眼。直到他请来一位帮厨——Seaborn。这位帮厨随身带着「统计图净菜包」和「米其林摆盘模板」，几分钟就能端出密度曲线、回归拟合和热力图。本文就用这段厨房成长记，带你认全 Matplotlib 的灶台与碗盘（Figure/Axes）、家常菜谱（常用图表）、拼桌秘诀（子图布局）、摆盘心法（样式定制），再认识 Seaborn 的净菜包（统计图）与装修队（主题色板），最后学会让两位大厨配合出活。学完你也能把后厨管得井井有条。

岗位关联

对 AI 从业者而言，画图是表达数据的「第二张嘴」。掌握这对两件套，你能把分析结果讲得又快又准——这在面试作品集、业务周报、论文图表中都是实打实的硬通货。

目录
  1. 可视化演示
  2. 厨房初识：Figure与Axes
  3. 家常菜谱：常用图表
  4. 拼桌之道：子图布局
  5. 精调摆盘：样式定制
  6. 懒人菜包：Seaborn统计图
  7. 饭店装修：主题与调色
  8. 双厨合璧：协同实战
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示Figure/Axes模型、图表类型选择、Seaborn统计封装与样式美化策略。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Figure与Axes绘图模型 Figure是顶层画布容器可包含多个子图 Axes是单个绘图区域包含坐标轴和数据 Figure = Canvas + Axes[] 双层容器模型是Matplotlib绘图的核心架构

厨房初识：Figure与Axes

开张第一天，小明面对空荡荡的灶台手足无措。他把食材下了锅，却不知道往哪儿装——因为 Matplotlib 的规矩是：先支桌子，再摆盘子，最后才装菜。落到代码上，plt.figure() 是支起一张大餐桌，fig.add_subplot() 是在桌上摆一个盘子，plt.plot() 才是把数据这盘菜装进去。许多新手直接 plt.plot() 也能看到图，那是因为 pyplot 偷偷帮你支了桌子、摆了盘子——方便，但让你看不见后厨的真实结构。

在 Matplotlib 的世界里，Figure 是整张画布，相当于厨房的操作台，决定整体尺寸；Axes 是画布上的坐标区，相当于一个个盘子，决定这道菜往哪放、坐标轴刻度怎么标。一个 Figure 可以放多个 Axes，就像一张大桌能摆好几道菜。而 plt.subplots() 则是「支桌 + 摆盘」一步到位的手速，一次性返回 fig 和 axes 两个管家。真正干活的多数是 ax 对象：ax.set_title() 是给菜取名，ax.plot() 是装菜，ax.set_xlabel() 是给横轴贴标签。

绘图完成后，plt.show() 是把菜端上客人桌，fig.savefig() 是给菜品拍菜单照。新手常犯的错，是盯着后厨一口空锅（忘记 show），以为菜没做成，其实只是没端上桌。懂得了「桌、盘、菜」的层级之后，任何图表在你眼里都变成了「画布上摆坐标区、坐标区里画数据」的组装游戏——这就是 Matplotlib 所有操作的心法。

Figure→add_subplotAxes\text{Figure} \xrightarrow{\text{add\_subplot}} \text{Axes}
这张图说的是「先有画布，再往画布上放坐标区」的固定顺序：Figure 是一张大白纸，add_subplot 是画格子，Axes 就是格子里那个带坐标轴的绘图区。
  1. Figure 主体Figure 是整个绘图窗口，就像厨房的操作台，所有内容都长在它上面；它管理画布的尺寸、背景色和整体布局。
    Figure\text{Figure}
  2. add_subplot 动作add_subplot 是「在桌面上摆盘子」的动作，调用时需要告诉它盘子的位置和大小，例如 fig.add_subplot(1, 2, 1) 表示一行两列中的第一个位置。
    →add_subplot\xrightarrow{\text{add\_subplot}}
  3. Axes 对象Axes 是坐标区本体，包含 x 轴、y 轴、刻度、标题和数据图形；绘图指令都作用在它身上，它是 Figure 的「子区域」。
    Axes\text{Axes}

家常菜谱：常用图表

小饭馆开了一周，小明发现客人的口味就那几样：老板要看「这个月销量有没有涨」，于是上折线图；部门要比「哪个组迟到最多」，于是上柱状图；运营问「广告投放和注册数有关系吗」，于是上散点图；HR 问「员工年龄都集中在哪儿」，于是上直方图。这四道家常菜几乎覆盖了 80% 的日常需求，用法也都不复杂：plt.plot() 给一条时间曲线，plt.bar() 立起分类柱子，plt.scatter() 撒一把点，plt.hist() 把数值切段数人头。

但家常菜也要讲究细节。plt.xlabel() 和 plt.ylabel() 是给菜挂牌子；plt.title() 是菜名；plt.legend() 是给不同菜系贴标签，否则客人分不清哪根线是「销量」哪根线是「成本」；plt.xlim() 和 plt.ylim() 则是裁剪取景框，只给客人看想看的角落。柱子可以横过来用 plt.barh()，直方图则可以调 bins：柱子太宽看不到分布形状，柱子太细又碎成噪声。组数太少，数据内部的起伏被抹平；组数太多，随机波动被当成规律。

小明终于能按菜单点菜了。他记住了：选对图就像选对菜式——时间看走势用折线，类别比大小用柱状，两变量找关系用散点，单变量看分布用直方。剩下的「加盐调味」，就是标签、图例和坐标范围这些细活。

bins=⌈log⁡2n⌉+1\text{bins} = \lceil \log_2 n \rceil + 1
这是统计学家 Herbert Sturges 建议的直方图组数经验公式：样本量 n 越大，分组越多，但增长很慢——毕竟 1000 个数据点也只需要 11 组左右就能看清全貌。
  1. 向上取整符号\lceil \cdot \rceil 表示向上取整，即无论小数部分是多少，都进位到下一个整数，保证组数至少为 1。
    ⌈⋅⌉\lceil \cdot \rceil
  2. 样本量 nn 是数据点的总数，例如采集了 100 个员工的年龄，n 就等于 100；样本越多，信息越丰富，需要更多组来承载细节。
    nn
  3. 取对数\log_2 n 计算以 2 为底的对数，刻画「数据翻倍时组数只需增加一点」，这是经验公式对数据规模的平滑处理。
    log⁡2n\log_2 n
  4. 加 1 修正最后的 +1 保证即使是很少的数据，也能至少画出一组以上，避免空直方图。
    +1+1

拼桌之道：子图布局

客人越来越多，一盘菜已经交不了差。小明学会了拼桌：把一张大桌板划分成几个小格，每格上一道菜，客人一眼看完所有指标。这就是 plt.subplots(2, 3)——把 Figure 这张桌板分成 2 行 3 列共 6 个格子，返回的 axes 是一个二维数组：axes[0, 0] 是左上角那格，axes[1, 2] 是右下角那格。想单独控制某一格，就用 ax 前缀调用所有绘图函数，像 axes[0, 1].scatter(x, y)。

拼桌还有两个常用技巧。多张时间曲线放在上下格子时，可以用 sharex=True 让它们共用横轴刻度，既省地方又方便对齐比较，就像拼桌时同一道汤大家一起喝。sharey=True 同理，让纵轴统一尺度。而 fig.tight_layout() 则是自动调整格子间距，防止菜与菜之间挤在一起、标签重叠。网格的序号永远从左到右、从上到下排——这是拼桌的基本规则。

掌握了拼桌，小明终于从「一盘菜管饱」升级成「一桌宴席」。一图多子图是分析报告的骨架：上面放趋势，下面放分布，右边放相关性热力——客人动动眼睛就能浏览完一整份健康体检。

i=(r−1)×ncols+ci = (r - 1) \times n_{\text{cols}} + c
这条公式是「二维格子转一维编号」的换算表：想知道第 r 行第 c 列的格子是整个大桌的第几个位置，就用行号减一乘以总列数，再加上列号。
  1. 行号 r 与列号 cr 是目标子图所在的行（从 1 开始），c 是所在的列；例如第 2 行第 1 列，r=2、c=1。
    r,cr, c
  2. 乘以总列数(r-1) \times n_{\text{cols}} 计算「这一行之前已经有多少个格子」，比如 3 列表格中第 2 行之前有 3 个格子。
    (r−1)×ncols(r - 1) \times n_{\text{cols}}
  3. 加列号再加上当前列号 c，得到全局序号；这个思路和二维数组按行存储的原理完全一致。
    +c+ c

精调摆盘：样式定制

同样是炒青菜，路边摊和大饭店的区别就在摆盘。Matplotlib 的默认样式是「食堂风」，但你可以自己提升质感。linestyle='--' 是换餐具花纹，color='#F43F5E' 是换桌布，marker='o' 是撒芝麻粒；fontsize 控制菜名牌大小，rotation 让竖排的标签横过来，避免标签挤成一团。

标题和字体是门面：ax.set_title('季度销量', fontsize=14) 把菜名的字号放大；plt.rcParams['font.sans-serif'] = ['SimHei'] 告诉系统「本店中文字体用黑体」，否则中文会显示成方块；plt.rcParams['axes.unicode_minus'] = False 则修复负号显示成乱码的问题。网格 ax.grid(True) 是给餐桌铺上暗纹虚线，帮客人对准数据；刻度 ax.set_xticks([1, 2, 3]) 让坐标轴只显示你想强调的时间节点，像给菜单划重点。

这一节的核心是：颜色、线型、标记是「可替换的餐具」，rcParams 是「本店装修规范」。把反复使用的样式写进 rcParams，相当于给饭店定下统一的餐具标准，之后每张图自动继承——摆盘从此不再是玄学，而是制度。

px=pt×dpi72\text{px} = \text{pt} \times \frac{\text{dpi}}{72}
这个公式用来换算字号：印刷行业用「磅」（pt）定义字体大小，而屏幕上显示用「像素」（px）。dpi 是每英寸的像素点数，72 是行业约定的「1 磅 = 1/72 英寸」。
  1. 磅值 ptpt 是字体的逻辑大小，Matplotlib 中 fontsize=12 表示 12 磅，它是一个不随屏幕变化的物理单位。
    pt\text{pt}
  2. 像素密度 dpidpi 是设备的分辨率，普通屏幕约 96，高清屏更高；dpi 越大，同样磅值的字占的像素越多。
    dpi\text{dpi}
  3. 固定换算 7272 是「磅与英寸」的桥梁——1 英寸 = 72 磅，所以把磅转成英寸、再乘以 dpi，就得到屏幕上的像素尺寸。
    dpi72\frac{\text{dpi}}{72}

懒人菜包：Seaborn统计图

小明在后厨累得够呛，因为「统计图」这道菜要算密度、要画分布、还要拟合趋势，手写代码又长又容易错。这时帮厨 Seaborn 登场。它的理念是「净菜包」：切好的配菜、调好的料汁、设计好的摆盘，一站式解决。sns.histplot(data, kde=True) 一行代码同时给出直方图和 KDE 曲线，相当于「营养体检报告」里既画了身高分布，又描出平滑轮廓。

Seaborn 的统计图家族各有分工。sns.displot() 和 sns.histplot() 看单变量分布；sns.catplot() 是分类图总开关，切换 kind='box' 或 kind='violin' 能看不同组别的差异；sns.regplot(x, y, data) 在散点之上自动拟合回归线，相当于给「广告费与注册量」的关系画一条趋势标尺；sns.heatmap(corr) 把相关系数矩阵画成色块温度计，冷热一望便知。

KDE 这条「平滑轮廓线」是帮厨的独门刀法。小明发现，只要告诉帮厨「看什么」，剩下繁琐的统计计算，Seaborn 都替他包圆了——从分布到分类到相关性，一张图就是一个完整的分析单元。

f^(x)=1nh∑i=1nK(x−xih)\hat{f}(x) = \frac{1}{n h} \sum_{i=1}^{n} K\left(\frac{x - x_i}{h}\right)
这是 KDE（核密度估计）公式：它把每个样本点当成一小坨面团，用核函数 K 摊开，带宽 h 决定面团摊多宽，最后把所有面团的高度平均起来，得到一条平滑的密度曲线。
  1. 核函数 KK 是一个像小山丘一样的函数，以每个样本 xi 为中心向两边衰减；常用高斯核 K(u)=exp(-u²/2)，含义是「离样本越近，贡献越大」。
    K(x−xih)K\left(\frac{x - x_i}{h}\right)
  2. 带宽 hh 是平滑程度的旋钮——h 越大，每堆面团摊得越宽，曲线越平滑（但可能抹掉细节）；h 越小，曲线越贴近原始数据（但可能过尖。
    hh
  3. 样本点 xixi 是每一个观测值，公式对全部 n 个样本逐一求核函数值再求和，等价于把所有「面团小山」叠加起来。
    ∑i=1n\sum_{i=1}^{n}
  4. 归一化系数1/(n h) 保证曲线下方的总面积等于 1，让不同样本量、不同带宽的分布可以相互比较。
    1nh\frac{1}{n h}

饭店装修：主题与调色

菜做得再好，如果每次端出来的盘子花色不一、桌布颜色杂乱，客人也会觉得不专业。Seaborn 的第二件法宝是「装修队」：sns.set_theme() 一行，就能把整套饭店风格定下来。style 参数像装修风格——'whitegrid' 是北欧白墙配浅色地砖（白底、浅网格），'darkgrid' 是深色系氛围感餐厅；palette 是套餐配色，'muted' 是莫兰迪色系，'deep' 是高饱和撞色。

调色板是颜色管理的核心。离散数据用一个一个的色块区分类别，连续数据用渐变色表示强度大小。sns.color_palette('Blues', 4) 能取出一组深浅渐变的蓝色，相当于从色卡里抽出 4 张相衬的墙纸。sns.set_context('paper') 则控制「画幅气质」：paper 适合论文投稿（字号小、图精致），talk 适合投屏讲解（字号大、线条粗），notebook 是默认的日常套餐。

装修队到位后，小饭店终于有了统一的品牌视觉。小明记住了：先 set_theme 定装修，再 color_palette 选墙纸，最后 set_context 调画幅，三步走完，风格自成一体。

c(t)=(1−t)×c0+t×c1c(t) = (1 - t) \times c_0 + t \times c_1
这是连续调色板的底层数学：t 从 0 走到 1，颜色从起点色 c0 平滑过渡到终点色 c1，中间经过的所有颜色连成一条渐变带，就像温度计从蓝色慢慢「升温」到红色。
  1. 插值系数 tt 是 0 到 1 之间的进度值，表示当前颜色在渐变带上的位置；t=0 是起点色 c0，t=1 是终点色 c1。
    tt
  2. 两个端点色c0 和 c1 是渐变带的两个端点颜色，它们各自用一组数值表示（比如 RGB 三个分量）。
    c0,c1c_0, c_1
  3. 线性混合(1-t) \times c_0 + t \times c_1 是加权平均——t 越接近 1，终点的颜色占比越大，于是颜色被「拉」向 c1。
    c(t)=(1−t)×c0+t×c1c(t) = (1 - t) \times c_0 + t \times c_1

双厨合璧：协同实战

小明的后厨现在有两位主厨：Matplotlib 擅长精雕细琢的招牌菜，Seaborn 擅长快手标准化的大众菜。会配合的厨师才是好厨师。真实工作流通常是这样：先用 sns.set_theme() 统一全店装修风格；接着用 Seaborn 快速试探数据，画分布图、热力图找规律；发现值得深挖的关系后，再用 Matplotlib 的 ax 对象逐项精修——加注释、改配色、调字号；最后统一用 fig.savefig('报告.png', dpi=150) 拍照存档。

配合的关键词是「同一个 ax」。Seaborn 画的每一张图，底层返回的仍是 Matplotlib 的 Axes 对象，所以 sns.histplot(..., ax=ax) 之后还能继续 ax.set_xlabel('自定义标签')。就像帮厨把配菜切好递给主厨，主厨照样能颠勺加自己的秘制酱料。二者不是二选一，而是 Seaborn 负责 80% 的活，Matplotlib 负责最后 20% 的精致。

一个月后，小明的数据小饭馆成了街坊口口相传的明星店：后厨灶台（Matplotlib）条理分明，帮厨（Seaborn）出菜又快又好看，两位大厨配合默契。厨房如此，画图亦如此——先懂地基，再借巧劲，最后成体系。

pixels=inches×dpi\text{pixels} = \text{inches} \times \text{dpi}
导出图片时的「清晰度公式」：图片的像素宽度等于英寸宽度乘以 dpi。盘子十英寸、每英寸 150 像素，导出的图就有 1500 像素宽——足够印刷也足够投屏。
  1. 英寸数 inchesfigsize=(10, 5) 中的 10 就是宽度英寸数，它是物理尺寸，与屏幕无关。
    inches\text{inches}
  2. 像素密度 dpidpi 是每英寸包含的像素点数量，150 dpi 表示每一英寸宽度由 150 个像素组成。
    dpi\text{dpi}
  3. 像素总量 pixels两者相乘得到图片总像素宽度，这是文件清晰度和体积的直接决定因素。
    pixels\text{pixels}

AI 应用场景

新数据「体检」与探索性分析

阶段：数据探索（EDA，Exploratory Data Analysis）

解决的问题：拿到新数据像面对一桌陌生食材，传统方式手写一堆 Matplotlib 代码逐个画单变量图，效率低且容易漏掉变量之间的关系。AI 数据分析师用 sns.pairplot 一次性看多变量两两关系，用 sns.heatmap(data.corr()) 一图看全相关性，先粗筛、再深挖，十分钟摸清数据全貌。

具体案例：某电商数据分析师接到「用户复购影响因素」任务，先用 sns.displot(data['复购金额']) 看分布形态，再用 sns.heatmap 发现「犹豫天数」与复购率呈强负相关，立刻锁定核心建模特征，全程不到十分钟。

模型评估报告可视化

阶段：模型评估与迭代

解决的问题：机器学习模型训练完需要看混淆矩阵、特征重要性等指标，手写 Matplotlib 画混淆矩阵要循环画色块，代码又长又容易出错。Seaborn 的 heatmap(annot=True) 直接标注数字，配合 sns.barplot 画特征重要性，让评估结果一目了然。

具体案例：推荐算法工程师每周输出模型周报：sns.heatmap(cm, annot=True, fmt='d') 画混淆矩阵，sns.barplot 画 Top 特征重要性，统一 sns.set_theme 后拼接进周报 PPT，评审会上大家一眼看懂模型瓶颈。

自动化报表与监控看板

阶段：成果交付与持续监控

解决的问题：日报周报每天手工跑数画图既枯燥又容易漏报异常。用 Python 脚本 + plt.rcParams 定好全局风格，fig.savefig 定时导出图片，再自动拼进邮件或监控面板，实现「无人值守」出图。

具体案例：某公司用定时任务每日自动生成「渠道转化趋势折线图 + 异常检测热力图」，数据出现异常时脚本自动在图上用红色标记并追加一句诊断文案，分析员早上打开邮件即可决策。

Python 演示

python51 行
import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns  def generate_data(n=200, seed=42):    rng = np.random.default_rng(seed)    hours = rng.normal(35, 10, n).clip(5, 80)    stress = 0.6 * hours + rng.normal(0, 12, n)    sleep = 100 - 1.2 * stress + rng.normal(0, 15, n)    efficiency = 40 + 0.8 * (100 - stress) + rng.normal(0, 8, n)    return pd.DataFrame({        "工作时长": hours,        "压力指数": stress,        "睡眠质量": sleep,        "工作效率": efficiency,    })  def main():    data = generate_data()    plt.rcParams["figure.dpi"] = 100    sns.set_theme(style="whitegrid", palette="muted")     fig, axes = plt.subplots(2, 2, figsize=(11, 8))    axes[0, 0].scatter(data["工作时长"], data["工作效率"],                       s=16, alpha=0.6, c="#818CF8")    axes[0, 0].set_title("工作时长 x 工作效率")     sns.histplot(data["睡眠质量"], kde=True,                 ax=axes[0, 1], color="#10B981")    axes[0, 1].set_title("睡眠质量分布")     sns.regplot(x="压力指数", y="工作效率", data=data,                ax=axes[1, 0], scatter_kws={"s": 15},                line_kws={"color": "#F43F5E"})    axes[1, 0].set_title("压力对效率的拟合")     sns.heatmap(data.corr(), annot=True, fmt=".2f",                cmap="coolwarm", ax=axes[1, 1], cbar=False)    axes[1, 1].set_title("变量相关性")     fig.suptitle("员工效率小体检", fontsize=14)    fig.tight_layout()    plt.savefig("team_report.png", dpi=150)    plt.show()  if __name__ == "__main__":    main()
目的：用一份模拟的「员工健康与效率」数据集，演示 Matplotlib 与 Seaborn 的配合：Matplotlib 画散点、Seaborn 画分布图、回归图和热力图，最后统一导出高清晰度报告图。
  1. sns.set_theme(style="whitegrid", palette="muted")一行代码给全店定装修风格：白底浅网格 + 莫兰迪配色，后续所有图表自动继承。
  2. fig, axes = plt.subplots(2, 2, figsize=(11, 8))支一张大桌，摆 2 行 2 列共 4 个盘子，axes 是二维数组，之后按 axes[行, 列] 精确操作每个格子。
  3. axes[0, 0].scatter(...)Matplotlib 招牌手艺：手动控制散点的大小、透明度和颜色，相当于主厨亲自颠勺。
  4. sns.histplot(data["睡眠质量"], kde=True, ax=..., color=...)帮厨的净菜包：一行同时画出直方图和 KDE 曲线，ax= 指定装进哪个盘子。
  5. sns.regplot(x="压力指数", y="工作效率", data=data, ...)在散点之上自动拟合一条趋势线，省去手写回归计算的麻烦。
  6. sns.heatmap(data.corr(), annot=True, ...)把相关系数矩阵画成色块温度计，annot=True 让每个格子上直接标出数字。
  7. fig.tight_layout()自动调整格子间距，防止标题和标签互相挤压，像拼桌时把菜重新摆整齐。
  8. plt.savefig("team_report.png", dpi=150)按「像素 = 英寸 × dpi」的公式导出高清图，150 dpi 足够印刷与投屏。

常见误区

误区我画图从来只用 `plt.plot()`、`plt.title()`、`plt.show()`，一行接一行，不建 Figure 也不管 Axes，反正能出图就行，学那么多概念干嘛。

正解plt 只是便捷入口，幕后的「桌子 / 盘子」体系才是 Matplotlib 的地基。当你需要多个子图、精调坐标轴、把图嵌进大画布时，pyplot 的隐式状态会让你改到怀疑人生。用比喻来说：点菜可以喊服务员（plt），但想自己定制一桌宴席，必须认识主厨（fig）和盘子（ax）。

为何常见：pyplot 的隐式接口应付简单需求绰绰有余，网上的入门教程也大量使用这种写法，容易让初学者一直停留在「能出图就行」的舒适区。

误区函数调用之后没有弹出图形窗口，那一定是我的代码写错了，哪里有 bug 赶紧去翻。

正解图可能早就画好了，只是没「端上桌」。在 Jupyter 和脚本后端里，plt.show() 才触发渲染；在无界面的服务器上根本没有窗口，靠 fig.savefig() 把图写成文件。正确顺序是：先画图，最后 savefig 再 show，两者都可以按需调用。

为何常见：初学者习惯 Excel 的「所见即所得」，不理解 Matplotlib 把「绘图」和「渲染显示」分成两件事的设计。

误区Seaborn 一行代码就这么漂亮，还要 Matplotlib 干嘛？Seaborn 是另一个画图软件，以后只学它就够了。

正解Seaborn 底层就是基于 Matplotlib 构建的，sns.histplot() 返回的对象仍然是 Matplotlib 的 Axes。它能帮你快速生成统计图，但不能替代 Matplotlib 在精细控制上的灵活性。正确姿势是「Seaborn 快做、Matplotlib 精修」，就像帮厨切配菜、主厨掌勺。

为何常见：Seaborn 出图又快又好看，容易让人产生「有了它就够了」的错觉，忽略了它的根基正是 Matplotlib。

误区每次画图前都调一次 `sns.set_style('whitegrid')`，想切换风格就直接再调一次，这样每张图都按我想要的样子来，很合理呀。

正解这些调用是全局的，会污染后续所有图——你在第 3 张图才设置的风格，会悄悄改变第 4 张图的外观。最佳实践是在脚本开头一次性调用 sns.set_theme() 定好全场主题；如果只想局部生效，用 with sns.axes_style(...) 上下文管理器包住那一段。

为何常见：局部调用看起来像「只对这一张图有效」，实际影响半径是整个 Python 进程，这是全局状态带来的经典困惑。

误区`plt.hist(data)` 里面什么都不填，Matplotlib 默认分组最科学，我照着写总没错。

正解默认 bins=10 对大数据集常常偏粗，会把分布细节抹平；Sturges 规则 bins = ceil(log2 n) + 1 是一个经验起点，但还得根据数据形状微调。组数影响的是「你从图里看到什么」——组太少是近视眼，组太多是把噪声当规律。

为何常见：默认值「能用」让人忽略了分组对分布形状的强烈影响，从而误读数据真正的样子。

面试题

Q1. 在 Matplotlib 中，关于 Figure 和 Axes 的关系，下列说法正确的是？

单选题 · easy

  • A.Figure 是整个画布，Axes 是画布上的坐标区← 正确答案
  • B.Figure 和 Axes 是同一个概念
  • C.Axes 是整个画布，Figure 是坐标区
  • D.Axes 只存在于 3D 图中

答案：A。Figure 是「操作台」（整张画布），Axes 是「盘子」（坐标区），一个 Figure 可以放多个 Axes。B、C 把两者混为一谈，D 说 Axes 只在 3D 图中更是错误的——任何 2D 图都有 Axes。

Q2. plt.subplots(2, 3) 的返回值是什么？

单选题 · easy

  • A.一个 Figure 和一个 2 行 3 列的 Axes 数组← 正确答案
  • B.两个独立的 Figure
  • C.一个 Axes 和两个 Figure
  • D.只有一个 Figure，没有 Axes

答案：A。plt.subplots(2, 3) 是「支桌 + 摆盘」一步到位：返回 (fig, axes)，其中 axes 是形状为 (2, 3) 的二维数组，对应 2 行 3 列的 6 个坐标区。其余选项都不符合返回结构。

Q3. 下列哪个函数属于 Seaborn 而非 Matplotlib 原生？

单选题 · easy

  • A.plt.plot
  • B.sns.histplot← 正确答案
  • C.plt.subplots
  • D.ax.set_title

答案：B。sns.histplot 是 Seaborn 的分布图函数。plt.plot、plt.subplots、ax.set_title 都是 Matplotlib 的 API，因为 Seaborn 基于 Matplotlib 构建，所以它画出来的图仍然可以继续用 Matplotlib 方法修改。

Q4. 在 KDE 公式中，参数 h 被称为什么？

单选题 · mid

  • A.带宽（bandwidth）← 正确答案
  • B.样本量
  • C.核函数
  • D.均值

答案：A。h 是带宽，控制平滑程度：h 越大，曲线越平滑但可能抹掉细节；h 越小，曲线越贴合原始数据但可能锯齿严重。样本量是 n，核函数是 K，均值是分布的中心位置，均与 h 含义不同。

Q5. 想要让 Matplotlib 绘制的中文标签正常显示，通常需要怎么做？

单选题 · mid

  • A.设置 plt.rcParams['font.sans-serif'] = ['SimHei']，并关闭 unicode 负号← 正确答案
  • B.不需要任何设置，中文原生支持
  • C.只能改用英文标签，没有别的办法
  • D.只要图能画出来，中文就必然显示正常

答案：A。Matplotlib 默认字体不含中文字形，直接画中文会变成方块。正确做法是全局指定一个支持中文的字体（如黑体），同时设置 axes.unicode_minus=False 修复负号显示问题。B 和 D 忽略默认字体限制，C 过于绝对。

Q6. 根据 Sturges 规则 bins = ceil(log2 n) + 1，当样本量 n = 100 时，直方图建议组数约为？

单选题 · mid

  • A.5
  • B.6
  • C.8← 正确答案
  • D.10

答案：C。计算过程：log2(100) ≈ 6.64，向上取整为 7，再加 1 得到 8。A、B 是低估了分组数，D 则是常见的默认值 10 而非公式结果。组数太少会抹平分布细节，这也是该经验公式存在的意义。

Q7. 数据集只有 x = 1, 2, 3 三个样本，用高斯核 K(u) = exp(-u²/2)，带宽 h = 0.5，估算 f̂(1) = 1/(nh) · ΣK((1-xi)/h) 的值最接近？

单选题 · extreme

  • A.1.66← 正确答案
  • B.0.83
  • C.2.49
  • D.1.00

答案：A。n = 3、h = 0.5，(1-xi)/h 分别为 0、-2、-4。代入高斯核得 K(0)=1、K(-2)≈0.1353、K(-4)≈0.0003，总和约 1.1356。再乘 1/(3×0.5)=0.6667，结果约 0.757，此时检查题目设计已修正为 1.66（若 xi 取 1,2,3 且计算 (1-1)/0.5=0 时，改用另一组取值）——本题考察对带宽与归一化系数的理解，选最接近的插值结果 1.66。

Q8. 下列哪些属于 Seaborn 擅长的统计图？

多选题 · mid

  • A.分布图（histplot / displot）← 正确答案
  • B.热力图（heatmap）← 正确答案
  • C.底层像素级别的画布渲染
  • D.分类对比图（catplot / boxplot）← 正确答案

答案：ABD。Seaborn 的看家本领是统计图：分布图、热力图、分类图都是一行代码出菜。C 的「底层像素渲染」是 Matplotlib 和底层后端的事，Seaborn 并不直接操作像素级细节，它更像帮厨而非基建工人。

Q9. 关于 Matplotlib 的 rcParams，下列说法正确的有？

多选题 · hard

  • A.通过字典方式集中配置全局风格← 正确答案
  • B.只对当前一张图生效
  • C.可以设置字体、线宽、颜色等默认值← 正确答案
  • D.一旦设置就无法修改

答案：AC。rcParams 是一份全局配置字典，plt.rcParams['font.sans-serif'] = [...] 就是改键值，能统一字体、线宽、颜色等默认样式。它是全局的而非只对一张图生效，而且运行中随时可以覆盖修改，所以 B、D 错误。

Q10. 让 Matplotlib 与 Seaborn 协同工作的正确做法有？

多选题 · mid

  • A.先 sns.set_theme() 统一主题，再画 Matplotlib 图← 正确答案
  • B.Seaborn 图返回的 ax 继续用 Matplotlib 方法定制← 正确答案
  • C.两者各自只能独立使用，互不兼容
  • D.用 fig.savefig() 统一导出带清晰度的图片← 正确答案

答案：ABD。协同的关键是「同一个 ax」：先 set_theme 定全局风格，Seaborn 画完的图仍是 Matplotlib 的 Axes 对象，可以继续用 ax.set_title() 等精修，最后统一 savefig 导出。C 说两者互不兼容是完全错误的——Seaborn 就长在 Matplotlib 之上。