小新第一天走进一家数据分析公司的“统计后厨”，他惊讶地发现，这里没有传统厨房里锅碗瓢盆的喧闹，而是站着三位气定神闲的大厨。1号大厨 relplot 专管“两个变量有没有关系”，2号大厨 catplot 专管“不同类别之间的差异有多大”，3号大厨 displot 专管“数据长什么样、是集中还是分散”。小新问带他的师傅：“要画一张图，是不是得先洗菜、切菜、生火、倒油？”师傅笑了：“那是 Matplotlib 的苦力活。在 Seaborn 的厨房里，你只要把食材（整理好的长表数据）往料理台上一放，报一声菜名，大厨们就自动完成分组、聚合、摆盘——甚至把误差棒和回归线都配好了。” 在 Python 数据科学栈里，Seaborn 正是这样一位“统计主厨”：它把复杂的统计绘图逻辑封装成一行代码，让数据分析师把精力放在“看什么”而不是“怎么画”上。这篇文章就用这个后厨比喻，带你认识三大接口、分面绘图、配色主题和统计估计，从此告别“画图两小时、改图一上午”的苦日子。

岗位关联

对 AI 从业者而言，Seaborn 是数据探索和结果汇报的“加速器”：模型训练前用一行代码看清特征分布与相关性，训练后快速产出带置信区间的对比图，让每一步决策都有图可依。

目录
  1. 可视化演示
  2. 三大接口总览
  3. 数据整形之道
  4. 统计估计原理
  5. 分面绘图布局
  6. 配色方案体系
  7. 主题样式管理
  8. 回归模型拟合
  9. 图例控制技巧
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示Seaborn的relplot（关系图）、catplot（分类图）、displot（分布图）三大核心接口及其支持的图表类型，附带分面(Facet)、置信区间(CI)、色调(Hue)特性。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Seaborn统计可视化 relplot：关系图(line/scatter)，catplot：分类图(box/bar)，displot：分布图(hist/kde) sns.relplot(data, x, y, hue, col) 一行代码出图，自动处理统计估计、置信区间和分面绘图

三大接口总览

小新第一天站在“统计后厨”里，发现这里有三口灶台，三位大厨各管一摊。1号大厨 relplot 最擅长回答“两个变量有没有关系”——点开散点图，密密麻麻的点像撒在案板上的芝麻，一眼看出销量和广告费是否一起涨；2号大厨 catplot 喜欢把食材按类别摆盘，柱状图、箱线图轮番上阵，专门比较“男生组 vs 女生组”谁吃得多；3号大厨 displot 则负责展示数据本身的“身材”，直方图、密度曲线一画，数据是胖是瘦、是集中还是分散，一目了然。

这三位大厨其实共用一套“后厨标准作业流程”（figure-level 设计）。你只需把整洁的表格数据往台面一放，指定 x 轴、y 轴和数据来源，剩下的分组、聚合、渲染全部自动完成。它们的底层是 Matplotlib 工坊（axes-level 函数），但把那些锅碗瓢盆全封装进了菜谱里。想换图型？不用换厨房，改一个 kind 参数即可：relplot 可以换 scatter 散点或 line 折线；catplot 可以换 bar、box、violin；displot 可以换 hist 直方图、kde 密度曲线、ecdf 累积分布。

三位大厨做柱状图时，默认会对每个类别计算平均值——这就是“统计估计”的雏形。假设第 \( i \) 个类别下有 \( n_i \) 个样本，Seaborn 会先加总再平均：

回到后厨现场：小新发现，自己只要说“来一份按星期分组的消费柱状图”，2号大厨三秒钟就把菜端上来了——这就是 Seaborn 的承诺：少写代码，多出图，把统计逻辑交给主厨。

y^i=1ni∑j=1niyij\displaystyle \hat{y}_i = \frac{1}{n_i}\sum_{j=1}^{n_i} y_{ij}
  1. 认识类别下标\( i \) 是类别编号，比如“周一、周二、周三”，每个类别都有一个自己的平均值。
    i∈{1,2,…,m}i \in \{1, 2, \dots, m\}
  2. 组内求和把第 \( i \) 个类别里的所有样本值 \( y_{ij} \) 加总起来，这是求平均的第一步。
    ∑j=1niyij\sum_{j=1}^{n_i} y_{ij}
  3. 除以样本量用总和除以该组样本个数 \( n_i \)，得到该组的算术平均。
    1ni∑j=1niyij\frac{1}{n_i} \sum_{j=1}^{n_i} y_{ij}
  4. 整体含义\( \hat{y}_i \) 就是第 \( i \) 类的中心位置，也是柱状图柱子的高度。
    y^i=1ni∑j=1niyij\hat{y}_i = \frac{1}{n_i}\sum_{j=1}^{n_i} y_{ij}

数据整形之道

后厨里有个规矩：备菜间只认“长条餐台”。所谓长条餐台，就是每张餐位（每一行）只放一道独立的菜（一个观测样本），每列只放一种配料（一个变量）。这叫做整洁数据（tidy data）。与之相对的“宽盘大拼盘”（宽表）虽然看着丰富——一列一个类别、一行一个时间点——但主厨们反而不会处理。小新第一天就把一张宽表端上来，三位大厨集体摇头：“这没法下锅。”

解决办法是用 pandas 的 melt 方法给数据“改刀”。把宽表里那些并列的类别列（比如“周一消费、周二消费、周三消费”）融化成一列“星期”和一列“消费金额”。改刀之后，每一行都变成“某一天、某笔消费”这样标准的小菜。Seaborn 的所有高级接口都默认吃这种长桌备菜，所以数据整形是出图前的第一道工序。

那长表到底比宽表多出多少行？假设你的宽表有 \( R \) 行，你要把 \( V \) 个类别列融化成长表，长表的行数就是：

用后厨的话说：一张大拼盘改刀成 90 份独立小菜，虽然盘子多了，但每盘只有一种主料、一种配料，主厨一看就知道怎么炒。磨刀不误砍柴工，melt 这步做对了，后面所有图都能一行代码搞定。

Rlong=R×V\displaystyle R_{\text{long}} = R \times V
  1. 原始行数\( R \) 是宽表原本的行数，比如 30 个用户，就是 30 行。
    R=30R = 30
  2. 融化列数\( V \) 是你选择融化的变量列数量，比如把周一到周三三列都融化，\( V = 3 \)。
    V=3V = 3
  3. 相乘得长表行数宽表每行都会因为融化而“复制”出 \( V \) 行，所以总行数变成 \( R \times V \)。
    Rlong=R×V=90R_{\text{long}} = R \times V = 90

统计估计原理

小新发现，2号大厨 catplot 端出来的柱状图，每根柱子上都顶着一条小竖线，像烤串的竹签一样。他问师傅：“这是摆盘装饰吗？”师傅说：“这是误差棒，是主厨对这道菜分量波动范围的估算。”Seaborn 默认使用自助法（bootstrap）生成置信区间：反复从数据里抽取样本，计算成千上万次平均值，最后圈出中间 95% 的范围。

这背后的统计逻辑并不复杂。如果你有一组样本，想知道总体的平均分量大致落在哪个区间，可以先算出样本均值 \( \bar{x} \) 和样本标准差 \( s \)，再用 t 分布给出一个带置信水平的区间：

师傅看小新似懂非懂，又补了一句：误差棒不是“所有数据都会落在这个范围内”，而是“我们有 95% 的把握说，真正的总体均值落在这个区间里”。就像主厨说“这道菜分量在 200 到 220 克之间”，并不是说每盘菜都恰好 210 克，而是说标准配方就是这个范围。Seaborn 替你把这段统计计算全包了，你要做的只是看误差棒是否重叠——重叠，两组差异可能不显著；不重叠，差异大概率真实存在。

CI=xˉ±t0.975,n−1∗×sn\displaystyle \text{CI} = \bar{x} \pm t^{*}_{0.975, n-1} \times \frac{s}{\sqrt{n}}
  1. 样本均值\( \bar{x} \) 是所有观测值的平均，它是区间中心的估计值。
    xˉ=1n∑i=1nxi\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i
  2. 标准误差\( s / \sqrt{n} \) 是“均值估计的波动幅度”——样本量越大，这个波动越小，区间越窄。
    SE=sn\text{SE} = \frac{s}{\sqrt{n}}
  3. t 临界值\( t^{*}_{0.975, n-1} \) 是根据置信水平（95%）和自由度（\( n-1 \)）查表得到的系数，相当于把范围放宽一些的“安全倍数”。
    t0.975,n−1∗≈2t^{*}_{0.975, n-1} \approx 2
  4. 完整区间均值加减临界值乘标准误差，得到一个下界和一个上界，这就是误差棒覆盖的范围。
    CI=[xˉ−t∗×SE,  xˉ+t∗×SE]\text{CI} = [\bar{x} - t^* \times \text{SE}, \; \bar{x} + t^* \times \text{SE}]

分面绘图布局

小新的师傅决定考考他：“如果我想看不同星期、不同性别下的消费关系，怎么办？”小新刚要拿起 Matplotlib 写两层循环，师傅拦住他：“Seaborn 有更省力的办法——分面（facet）。”这就像宴会摆桌：一张大长桌按行和列切成若干小桌，每张小桌放同一类客人，食客按桌牌找自己的位置。col 参数决定分成几列，row 参数决定分成几行，一个数据框里的字段就自动把数据分到各个小图里。

分面的好处是“对比结构清晰”：小图共享同样的坐标系和刻度，此消彼长一目了然。当你同时使用 row 和 col 时，总的面板数量就是两者的乘积：

分面之后还要注意“共享刻度”的问题。默认情况下，各小图的坐标轴范围是独立的；如果想让它们共用同一套刻度，方便横向对比，就设置 sharex=True, sharey=True。这相当于宴会厅里所有小桌统一用一样的桌布和盘碟——数据之间的高低胖瘦才能公平比较。

Nfacet=nrow×ncol\displaystyle N_{\text{facet}} = n_{\text{row}} \times n_{\text{col}}
  1. 行方向分面数\( n_{\text{row}} \) 是传给 row 参数的类别数量，比如 sex 有两个取值，则 \( n_{\text{row}} = 2 \)。
    nrow=2n_{\text{row}} = 2
  2. 列方向分面数\( n_{\text{col}} \) 是传给 col 参数的类别数量，比如 day 有四个取值，则 \( n_{\text{col}} = 4 \)。
    ncol=4n_{\text{col}} = 4
  3. 总图数乘法原理，行数乘以列数得到小图总数。
    Nfacet=2×4=8N_{\text{facet}} = 2 \times 4 = 8

配色方案体系

后厨的餐厅正在装修，师傅问小新：“你喜欢什么风格？冷淡北欧风，还是热情地中海风？”Seaborn 里也有一个“装修色板库”——调色板（palette）。当你用 hue 参数给不同类别分配颜色时，Seaborn 会自动从当前色板中取色。默认的 deep 色板就像后厨的标准围裙，沉稳耐看；换成 bright 则像节日彩带，鲜艳跳跃；还有专门为色盲人群设计的 colorblind 色板，保证红绿不混淆。

如果 hue 指向的是一个连续数值列（比如价格、年龄），Seaborn 会生成一条从浅到深的连续渐变色带。这在视觉上等价于把色相环上的颜色按比例插值：假设总渐变跨度是 120°，某个数据点的相对位置是 \( s \)，它对应的色相就是：

如果觉得默认色板不够用，还可以用 palette 参数直接传入自己定义的颜色列表，甚至使用 matplotlib 的 colormap。这就像餐厅老板直接指定“墙面用莫兰迪灰绿、桌布用奶油白”——菜单的颜色哲学完全由你掌控。

H(s)=H0+s×120∘\displaystyle H(s) = H_0 + s \times 120^{\circ}
  1. 起始色相\( H_0 \) 是渐变的起始颜色角度，比如从蓝色区域开始，\( H_0 = 220^\circ \)。
    H0=220∘H_0 = 220^{\circ}
  2. 相对位置\( s \) 是当前数值在最大值和最小值之间的相对位置，取值从 0 到 1。
    s=x−xmin⁡xmax⁡−xmin⁡s = \frac{x - x_{\min}}{x_{\max} - x_{\min}}
  3. 线性映射把相对位置乘以渐变跨度，再加到起始角度上，得到该点的最终色相。
    H(s)=220∘+s×120∘H(s) = 220^{\circ} + s \times 120^{\circ}

主题样式管理

配色是装修，那么主题（theme）就是整个餐厅的“氛围灯光”：同样的菜，在暖黄灯光下显得温馨，在白炽灯下显得清爽。Seaborn 的 set_theme() 就是那个一键调整全局氛围的开关。style="darkgrid" 像夜间酒吧，深色背景配网格，适合投影汇报；style="whitegrid" 像白天咖啡馆，白底浅网格，印在纸上最干净；还有 ticks 风格，只在坐标轴上有刻度线，像高端日料店的极简摆盘。

除了氛围，还有“音量”调节——set_context()。它控制字体大小、线条粗细和标签间距的整体缩放。默认 notebook 适合屏幕阅读，paper 适合印刷论文，talk 适合演讲投影，poster 适合大幅海报。内部实现就是给所有尺寸乘上一个统一的缩放因子：

后厨里有一句话：“好图是设计出来的，不是代码堆出来的。”set_theme 和 set_context 让你不用一行行去调 plt.rcParams，而是像调餐厅灯光一样，选一个氛围，整屋自动匹配。

Sfinal=Sbase×α\displaystyle S_{\text{final}} = S_{\text{base}} \times \alpha
  1. 基础尺寸\( S_{\text{base}} \) 是 Seaborn 内部的基准字号，比如默认的 10 磅。
    Sbase=10S_{\text{base}} = 10
  2. 缩放因子\( \alpha \) 是上下文预设给出的缩放比例，paper 约为 0.8，talk 约为 1.2。
    αtalk=1.2\alpha_{\text{talk}} = 1.2
  3. 最终生效尺寸基础字号乘以缩放因子，得到画布上实际使用的字号。
    Sfinal=10×1.2=12S_{\text{final}} = 10 \times 1.2 = 12

回归模型拟合

小新看 1 号大厨 relplot 画散点图时，发现图上自动多了一条平滑的斜线，像一根串起所有芝麻的竹签。师傅说：“这是营养师的配餐线——回归线。它把两个变量之间的关系浓缩成一条直线，告诉你 x 每增加一个单位，y 平均增加多少。”Seaborn 里 lmplot 就是这位营养师的专用灶台，它把散点图和线性回归打包成一道菜，还顺手画出置信区间阴影带。

这条回归线不是随手画的，而是遵循“最小二乘”原则：希望所有数据点到这条线的垂直距离（残差）的平方和最小。用数学语言说，就是寻找 \( \beta_0 \) 和 \( \beta_1 \) 使得：

如果想让营养师检查“配餐是否合理”，还可以用 residplot 画残差图——把每个点的残差画在横轴两侧。残差随机分布在零线附近，说明直线拟合良好；如果残差呈现出弯曲的喇叭状，说明数据可能不是线性的，该换一位“曲线大厨”了。

min⁡β0,β1∑i=1n(yi−y^i)2,y^i=β0+β1xi\displaystyle \min_{\beta_0, \beta_1} \sum_{i=1}^{n} \left( y_i - \hat{y}_i \right)^2, \quad \hat{y}_i = \beta_0 + \beta_1 x_i
  1. 回归方程\( \hat{y}_i = \beta_0 + \beta_1 x_i \) 是拟合直线，\( \beta_0 \) 是截距，\( \beta_1 \) 是斜率。
    y^i=β0+β1xi\hat{y}_i = \beta_0 + \beta_1 x_i
  2. 残差定义每个数据点的真实值 \( y_i \) 与预测值 \( \hat{y}_i \) 的差，就是该点到直线的垂直偏差。
    ϵi=yi−y^i\epsilon_i = y_i - \hat{y}_i
  3. 平方求和把每个残差平方后加总，平方是为了让正负偏差不互相抵消。
    ∑i=1nϵi2=∑i=1n(yi−y^i)2\sum_{i=1}^{n} \epsilon_i^2 = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
  4. 最小化目标找到一组 \( \beta_0, \beta_1 \) 使这个总和最小，这组参数就是回归线的最佳位置。
    min⁡β0,β1∑i=1n(yi−y^i)2\min_{\beta_0, \beta_1} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

图例控制技巧

最后一道工序是摆菜单。想象一下，满桌子的菜都用不同颜色的盘子装着，如果不在旁边放一个说明牌，食客根本分不清哪个颜色是牛肉、哪个颜色是豆腐。Seaborn 自动生成的图例（legend）就是这个说明牌，它会把你 hue 指定的类别变量和颜色一一对应列出来。

图例控制有两个最常用的旋钮：legend 控制开关，legend=False 相当于撤掉菜单牌，适合图已经很直观、不需要说明的场景；legend='auto' 是默认值，有类别就自动生成。想微调菜单牌的位置？可以用 plt.legend(loc='upper left') 这样的底层 Matplotlib 命令，把它挪到图外或者某个角落，避免遮挡数据。

图例的条目数实际上就是 hue 变量的类别个数。假如 hue="sex"，数据集里只有“Male“和”Female”两类，那么图例里就有两个条目：

小新终于明白了：一张好图就像一桌好宴，数据是菜料，主题是灯光，图例是菜单牌。Seaborn 把后厨所有琐碎的杂活都包办了，他要做的只是学会点菜——以及知道每道菜的脾气。

K=∣{h1,h2,…,hm}∣\displaystyle K = \left| \{ h_1, h_2, \dots, h_m \} \right|
  1. 类别集合\( \{ h_1, h_2, \dots, h_m \} \) 是 hue 列里所有不重复的取值，比如 {"Male", "Female"}。
    {h1,h2}={Male,Female}\{ h_1, h_2 \} = \{ \text{Male}, \text{Female} \}
  2. 集合大小\( |\cdot| \) 表示集合的基数，即不重复元素的个数。
    ∣{Male,Female}∣=2|\{ \text{Male}, \text{Female} \}| = 2
  3. 图例条目数\( K \) 等于类别个数，每个条目对应一种颜色和一个标签。
    K=2K = 2

AI 应用场景

电商运营日报：用 catplot 对比渠道转化率

阶段：业务数据探索与报告

解决的问题：运营团队每周要对比五个渠道的点击转化率，传统做法是在 Excel 里手动做透视表，再插入柱状图，还要自己算误差范围，光整理就花一下午。Seaborn 的 catplot 一行代码就能按渠道分组画出带置信区间误差棒的柱状图，并自动完成均值聚合。

具体案例：某电商公司用 sns.catplot(data=df, x="channel", y="conversion_rate", kind="bar") 对比各渠道表现。图一出来就发现“短信渠道”的误差棒特别长，说明该渠道数据波动极大，进一步查看原始数据后发现是节假日促销造成的异常，及时调整了投放策略。

A/B 测试结果汇报：用 relplot + displot 双图论证

阶段：实验结果评估与可视化汇报

解决的问题：算法工程师做完推荐系统 A/B 实验后，要给业务方讲清楚“新算法到底有没有提升点击率”。单纯丢一个 p 值很难说服人，用 relplot 画实验组和对照组在时间维度上的点击率趋势，再用 displot 并排展示两组用户的点击量分布，直观又有说服力。

具体案例：某内容平台 A/B 实验中，relplot 的趋势线显示新算法在前三天提升明显但后两天回落；displot 的分布图则显示新算法把“重度用户”的点击量推得更高。最终团队判断新算法对头部用户有效，决定针对活跃用户分桶上线。

用户分群画像：用分面柱状图讲清人群差异

阶段：特征探索与用户洞察

解决的问题：用户画像项目里，分析师想快速了解“不同年龄段、不同会员等级的用户消费差异”。传统做法要写多层分组聚合代码，再手动拼接多个子图。Seaborn 的分面功能用 col="age_group", row="membership" 自动生成 3×3 网格图，每个格子一个群体的消费分布。

具体案例：某零售企业用分面图发现“25 岁以下、普通会员”群体虽然客单价低，但购买频次最高；而“45 岁以上、金卡会员”恰好相反。据此设计了差异化运营策略：针对年轻群体推高频低价商品，针对高龄金卡会员推高客单精品。

Python 演示

python46 行
import seaborn as snsimport matplotlib.pyplot as plt sns.set_theme(style="whitegrid", palette="muted")sns.set_context("notebook") tips = sns.load_dataset("tips")print(tips.head()) # 1. relplot: 关系图 + 线性回归趋势sns.relplot(    data=tips,    x="total_bill", y="tip",    hue="time",    size="size",    sizes=(40, 200),) # 2. catplot: 类别对比 + 置信区间误差棒sns.catplot(    data=tips,    x="day", y="total_bill",    hue="sex",    kind="bar",) # 3. displot: 分布图 + 密度曲线 + 分面sns.displot(    data=tips,    x="total_bill",    hue="time",    kind="kde",    col="day",    col_wrap=2,    fill=True,) # 4. lmplot: 回归拟合 + 分面sns.lmplot(    data=tips,    x="total_bill", y="tip",    col="time",    hue="smoker",) plt.show()
目的：用 Seaborn 三大接口全面探索小费数据集——先看整体关系，再对比类别差异，最后观察分布与回归趋势。
  1. sns.set_theme(style="whitegrid", palette="muted")一键设定全局主题风格和调色板，相当于后厨统一了灯光与围裙。
  2. sns.relplot(data=tips, x="total_bill", y="tip", hue="time", size="size")关系大厨出图：散点颜色区分用餐时段，点的大小表示聚餐人数，一行代码涵盖三个维度的信息。
  3. sns.catplot(data=tips, x="day", y="total_bill", hue="sex", kind="bar")类别大厨出图：按星期分组、按性别分色，自动计算均值并画出置信区间误差棒。
  4. sns.displot(data=tips, x="total_bill", hue="time", kind="kde", col="day")分布大厨出图：密度曲线按午餐/晚餐分色，再按星期分面成两列网格，一张图装下多维分布信息。
  5. sns.lmplot(data=tips, x="total_bill", y="tip", col="time", hue="smoker")营养师出图：散点加回归线，按时段分面，同时用颜色区分是否吸烟，拟合趋势一目了然。

常见误区

误区“学会了 Seaborn，就不用学 Matplotlib 了，反正所有图都能用 Seaborn 画。”

正解Seaborn 是站在 Matplotlib 肩膀上的“主厨”，它负责把常用统计图做得又快又好，但底层依然是 Matplotlib 的画布。复杂的自定义布局、特殊标注、精细排版都需要回到 Matplotlib 去调整。更准确的说法是：用 Seaborn 出图，用 Matplotlib 修图。

为何常见：因为 Seaborn 的一行代码确实能替代 Matplotlib 的十几行，初学者容易产生“后者无用”的错觉。

误区“我把宽表直接传给 relplot，为什么 hue 不生效？一定是 Seaborn 太死板。”

正解Seaborn 从设计上就要求整洁的长表数据——一行一个观测，一列一个变量。宽表里并列的类别列会让 hue、col 这些参数找不到对应的“变量”。用 melt 把宽表转成长表，是出图前的必备工序。后厨不是不能做菜，是你没把菜切成它要的形状。

为何常见：很多人在 Excel 思维下习惯宽表，初次接触 tidy data 理念时容易忽略这一前置步骤。

误区“柱状图上的误差棒就是数据波动的标准差范围，看到波动大就说明数据不稳定。”

正解Seaborn 的 barplot 和 catplot 默认绘制的是 95% 置信区间，而不是一个标准差。置信区间描述的是“总体均值可能落在哪里”，误差棒越窄说明对均值的估计越精确；而标准差描述的是“单个数据点分散程度”。两者含义完全不同，混用会导致结论错误。

为何常见：因为很多人先学了 Matplotlib 里的 yerr=std 习惯，看到误差棒就自动联想到标准差。

误区“我把图分成 3×2 六个小图，它们应该自动使用同样的坐标轴范围，这样我才能直接对比。”

正解分面图默认情况下各子图的坐标轴范围是独立计算的，如果某组数据量级差异大，小图之间的刻度范围可能完全不同。需要显式设置 sharex=True, sharey=True，才能让所有子图共用刻度基准。这就像宴会摆桌，默认每桌可以自己摆盘，想统一餐具就得跟主厨特别交代。

为何常见：因为很多其它绘图库的分面功能默认共享轴，而 Seaborn 对此有不同的默认行为。

面试题

Q1. 下列哪个是 Seaborn 中专用于绘制两个变量关系图的高级接口？

单选题 · easy

  • A.plt.plot
  • B.relplot← 正确答案
  • C.catplot
  • D.displot

答案：B。relplot 是 Seaborn 三大高级接口之一，专管“两个变量之间的关系”，支持散点和折线两种 kind。catplot 管类别比较，displot 管数据分布，而 plt.plot 是 Matplotlib 的底层函数。

Q2. Seaborn 官方推荐的数据组织格式是以下哪一种？

单选题 · easy

  • A.宽表
  • B.长表← 正确答案
  • C.透视表
  • D.树形表

答案：B。Seaborn 基于“整洁数据（tidy data）”理念设计，要求一行一个观测、一列一个变量，也就是长表格式。宽表需要用 melt 转换成长期，透视表和树形表更不是 Seaborn 的输入格式。

Q3. 在 pandas 中，把宽表转换为长表通常使用哪个方法？

单选题 · mid

  • A.stack
  • B.melt← 正确答案
  • C.pivot
  • D.groupby

答案：B。melt 是宽转长的标准方法，把多个并列的变量列融化成一列变量名和一列变量值。pivot 恰好相反，是长转宽。stack 也能做类似操作但语义不同，groupby 是分组聚合工具。

Q4. 关于 catplot 的 kind 参数，下列哪些是合法取值？

多选题 · mid

  • A.bar← 正确答案
  • B.box← 正确答案
  • C.violin← 正确答案
  • D.scatter

答案：ABC。catplot 面向类别型数据的比较，支持 bar、box、violin、boxen、point、count 等 kind。scatter 是 relplot 的 kind 而不是 catplot 的，属于关系图的范畴。

Q5. 下列哪个 kind 值不属于 displot 的合法选项？

单选题 · mid

  • A.hist
  • B.kde
  • C.ecdf
  • D.line← 正确答案

答案：D。displot 是分布图接口，支持 hist（直方图）、kde（核密度）、ecdf（累积分布）。line 是 relplot 中表示趋势线的 kind，不属于分布图的范畴。

Q6. Seaborn 的 barplot 和 catplot 默认绘制的误差棒对应什么统计量？

单选题 · mid

  • A.一个标准差
  • B.95% 置信区间← 正确答案
  • C.最大值与最小值
  • D.中位数绝对偏差

答案：B。Seaborn 默认使用自助法（bootstrap）估计 95% 置信区间，而不是一个标准差。置信区间表示总体均值可能落入的范围，误差棒越窄说明均值估计越精确，与单点分散程度的标准差含义不同。

Q7. 关于分面绘图，以下说法正确的是？

多选题 · hard

  • A.col 参数决定按列分面的类别← 正确答案
  • B.row 参数决定按行分面的类别← 正确答案
  • C.sharex 控制各子图是否共享 x 轴刻度← 正确答案
  • D.分面总数等于行分面数乘以列分面数← 正确答案

答案：ABCD。四个选项都对。col 和 row 分别指定列方向与行方向的分面变量；sharex 和 sharey 控制坐标轴是否统一；分面总数由乘法原理计算，即 n_row × n_col。

Q8. 若想在 Seaborn 绘图中隐藏图例，应该使用哪个参数？

单选题 · easy

  • A.legend=False← 正确答案
  • B.show=False
  • C.title=None
  • D.size=0

答案：A。legend 参数专门控制图例的显示，设置为 False 即可隐藏。show 不是 Seaborn 的图例参数，title 控制标题，size 控制点的大小或线宽，都与图例开关无关。

Q9. 在 displot 中设置 rug=True，它的作用是什么？

单选题 · hard

  • A.在坐标轴底部绘制细刻度线，标记每个观测值的精确位置← 正确答案
  • B.为直方图添加平滑的密度曲线
  • C.在图上叠加回归线
  • D.自动调整柱子的宽度

答案：A。rug 又称地毯图，会在坐标轴上为每个数据点画一条极短的竖线，呈现所有观测值的精确落点，适合数据量不大时观察样本密度。密度曲线由 kde 参数控制，回归线由 lmplot 负责，柱宽由 bins 控制。

Q10. 关于 Seaborn 的主题与上下文设置，下列说法正确的是？

多选题 · hard

  • A.set_theme 可以设置整体背景风格← 正确答案
  • B.set_context 可以调整字体大小和线条粗细← 正确答案
  • C.style 参数可选值包括 darkgrid 和 whitegrid← 正确答案
  • D.主题设置功能可以完全替代 matplotlib 的 rcParams

答案：ABC。set_theme 负责全局风格，set_context 负责缩放字体线宽，style 确实支持 darkgrid、whitegrid、ticks 等预设。但主题设置只是在更高层级封装了 matplotlib 的 rcParams，遇到极端自定义需求仍需回到 Matplotlib 层面做精细调整，因此 D 错误。