2025 AI 打卡 Day5：Seaborn 数据可视化基础（Matplotlib 升级版 + Titanic 真实业务全案例 + 完整参数调优）

- - [1、 Seaborn 全方位解析](#1、 Seaborn 全方位解析)
  - [2、与 Matplotlib 的关系------"底层引擎"与"高层接口"的协作](#2、与 Matplotlib 的关系——“底层引擎”与“高层接口”的协作)
  - [3. 可视化的目标：让人看懂**](#3. 可视化的目标：让人看懂**)
  - - [3.1 直观性：信息一眼可见**](#3.1 直观性：信息一眼可见**)
    - [3.2 简洁性：去除冗余，突出核心**](#3.2 简洁性：去除冗余，突出核心**)
    - [3.3 针对性：图表与问题挂钩**](#3.3 针对性：图表与问题挂钩**)
    - [3.4 逻辑性：让图表组成完整故事**](#3.4 逻辑性：让图表组成完整故事**)
    - [3.5 可解释性：让非技术人员也懂**](#3.5 可解释性：让非技术人员也懂**)
  - [4. Matplotlib、Seaborn 快速入门**](#4. Matplotlib、Seaborn 快速入门**)
  - - [4.1 基本示例**](#4.1 基本示例**)
    - [4.2 用 Matplotlib 绘图（对比用）**](#4.2 用 Matplotlib 绘图（对比用）**)
    - [4.3 用 Seaborn 绘图（推荐写法）**](#4.3 用 Seaborn 绘图（推荐写法）**)
    - [4.4 其他常见 Seaborn 图表（全部实战过）**](#4.4 其他常见 Seaborn 图表（全部实战过）**)
  - [5、新增：高级综合仪表盘（FacetGrid + catplot 多面板）------最复杂场景**](#5、新增：高级综合仪表盘（FacetGrid + catplot 多面板）——最复杂场景**)
  - 6、扩展：相关性热力图（heatmap）**
  - - [**6.1 使用建议（踩坑全记录）**](#6.1 使用建议（踩坑全记录）)
  - [7. 常见图表的选择（业务场景全覆盖）**](#7. 常见图表的选择（业务场景全覆盖）**)
  - - [7.1 趋势 / 关系 → jointplot & pairplot**](#7.1 趋势 / 关系 → jointplot & pairplot**)
    - [7.2 对比 → barplot / countplot**](#7.2 对比 → barplot / countplot**)
    - [7.3 分布 → violinplot（重头戏）**](#7.3 分布 → violinplot（重头戏）**)
  - **总结**
- [点赞、收藏、转发走一波！持续 2025 AI 打卡中～欢迎 Star + Fork 一起学！](#点赞、收藏、转发走一波！持续 2025 AI 打卡中～欢迎 Star + Fork 一起学！)

1、 Seaborn 全方位解析

Seaborn 是基于 Python 的统计数据可视化库，核心定位是"让数据分析中的可视化更简单、更美观"。它并非独立的绘图引擎，而是在 Matplotlib 基础上，针对统计场景做了高层封装，主要特点包括：

统计友好：内置大量专为统计分析设计的图表类型（如小提琴图、热力图、聚类图、时间序列趋势图），无需手动计算统计量即可直接可视化（如分布、相关性、分组对比）；
美观默认：自带 5 种预设主题（如 darkgrid、whitegrid）和科学配色方案（如 husl、Set2），默认生成的图表符合学术出版或商业汇报的审美标准，无需反复调整细节；
Pandas 无缝集成：直接支持 Pandas DataFrame 作为输入，通过指定"列名"即可完成数据映射（如 x="列名"、hue="分组列名"），无需手动提取数据或转换格式；
极简 API：复杂图表（如多子图联动、分类数据对比）仅需 1-2 行代码即可实现，大幅降低统计可视化的学习成本和代码量。

2、与 Matplotlib 的关系------"底层引擎"与"高层接口"的协作

维度	Matplotlib	Seaborn
定位	`通用绘图"基石"（底层引擎）`	统计可视化"高层接口"（专用工具）
核心能力	`完全控制图表像素级细节（如坐标轴刻度、图例位置、注释文本），支持任意自定义；但统计场景需手动编写大量代码（如分组绘图、计算分布）`	专注统计场景，一键实现复杂统计图表；但极致自定义需依赖 Matplotlib 接口
依赖关系	`Seaborn 的底层渲染完全依赖 Matplotlib（所有 Seaborn 图表最终都通过 Matplotlib 生成）`	无法脱离 Matplotlib 独立运行，需同时导入 matplotlib.pyplot 控制显示/保存
适用场景	`非统计类可视化（如工程图纸、自定义示意图）、图表细节微调`	数据分析中的统计可视化（如探索数据分布、验证假设、展示分析结论）

3. 可视化的目标：让人看懂**

3.1 直观性：信息一眼可见**

数据分析的最终目的，不是停留在"代码跑通"或"模型上线"，而是把复杂的洞察清晰地传递给老板、产品经理或非技术同事。Seaborn 的最大价值就在于：3秒让人看懂！

例如下面这张 countplot，一眼就能看出"三等舱死亡人数远超其他舱位"：

python 复制代码

sns.countplot(data=train, x="Pclass", hue="Survived", palette="husl")
plt.title("不同舱位生存 vs 死亡人数（一眼看出三等舱最危险）")

3.2 简洁性：去除冗余，突出核心**

Seaborn 默认就自带美学 + 统计计算，省掉 Matplotlib 80% 的调参代码。

以前 Matplotlib 要写 25 行才能出好看的图，现在 Seaborn 3~5 行就够：

python 复制代码

sns.set_theme(style="darkgrid", palette="husl")  # 一行切换专业风

3.3 针对性：图表与问题挂钩**

我们所有图表都紧紧围绕 "谁更容易在泰坦尼克号生存？" 这个核心业务问题：

舱位影响多大？
性别/年龄/票价有没有规律？
不同港口登船的人群特征差异？

3.4 逻辑性：让图表组成完整故事**

Day5 的图表顺序就是完整故事线：

countplot（人数统计）
barplot（平均生存率）
violinplot（分布细节，最重点）
heatmap（相关性一览）
FacetGrid 多面板仪表盘（3 维度同时看）

3.5 可解释性：让非技术人员也懂**

每张图都配业务解读标题，例如：

"Cherbourg 上船的乘客票价最高，生存率也最高"
"三等舱 20~30 岁男性死亡率极高"

4. Matplotlib、Seaborn 快速入门**

4.1 基本示例**

python 复制代码

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib
matplotlib.use('TkAgg')   # VS Code 弹窗必备

train = pd.read_csv('../data/titanic.csv')

sns.set_theme(style="darkgrid", palette="husl")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

4.2 用 Matplotlib 绘图（对比用）**

以前我们 Day4 用的方式：手动设置颜色、网格、字体、图例......代码又臭又长。

4.3 用 Seaborn 绘图（推荐写法）**

Seaborn 自动接管一切统计 + 美学：

python 复制代码

sns.countplot(data=train, x="Pclass", hue="Survived", palette="husl")

4.4 其他常见 Seaborn 图表（全部实战过）**

countplot （人数统计）------ 4 个 Demo 已跑通
barplot （平均值 + 误差棒）------ 生存率、票价对比
violinplot （小提琴图）------ 本期最重点！Basic 3步 + Demo 3个 + swarm 叠加真实点 + FacetGrid 多面板
heatmap （相关性热力图）
jointplot / pairplot （联合分布）
catplot（网格图，最强大仪表盘）

4.4.1、countplot（计数统计图）------场景：人数分布分析**

业务场景 ：产品经理看"不同用户群体人数"（舱位/港口/性别人数）
方法：sns.countplot
关键参数调优（复杂版）：

hue= 分组染色
order= 手动排序（避免乱序）
orient='h' 横向（标签长时必用）
palette= 配色

完整代码 （day05_03_basic_countplot.py 已更新）：

python 复制代码

sns.countplot(data=train, x="Pclass", hue="Survived", 
              palette="husl", order=[1,2,3])
plt.title("不同舱位生存 vs 死亡人数")
plt.xlabel("舱位等级")
plt.ylabel("人数")

4.4.2、barplot（条形图）------场景：平均值/KPI对比**

业务场景 ：老板要看"不同组的平均生存率/平均票价"
方法：sns.barplot
关键参数调优（复杂版）：

y= 数值列（自动算均值）
hue= 多维度对比
estimator=np.mean（默认）或 np.median
ci=95 误差棒置信区间
errwidth=2 加粗误差棒

完整代码 （day05_03_demo_barplot.py）：

python 复制代码

sns.barplot(data=train, x="Pclass", y="Fare", hue="Survived", 
            palette="Set2", estimator=np.median, ci=95, errwidth=2)

4.4.3、violinplot（小提琴图）------场景：分布密度深度分析（本期核心）**

业务场景 ：数据分析师看"年龄/票价在不同组的完整分布 （中位数、四分位、密度、极端值）"，比 boxplot 信息量多 3 倍
方法：sns.violinplot + sns.swarmplot 叠加真实点

关键参数调优（复杂版，已在 GitHub 演示）：

split=True：左右分开（生存 vs 死亡）
inner="quart" / None：四分位线 / 关闭（留空间给 swarm）
scale="count" / "width"：宽度按人数 / 统一
cut=0：不超出实际数据范围
dodge=True + alpha=0.7 + size=3（swarm 参数）
scale_hue=False（高级：不按 hue 缩放宽度）

Basic 最终版代码 （day05_04_basic_violinplot_03.py）：

python 复制代码

sns.violinplot(data=train, x="Pclass", y="Age", hue="Survived",
               split=True, inner="quart", scale="count", cut=0, palette="husl")

Demo 2 叠加真实点 （day05_04_demo2_violinplot.py 最复杂）：

python 复制代码

sns.violinplot(..., inner=None, scale="count")
sns.swarmplot(..., dodge=True, size=3, alpha=0.7)

Demo 3 多面板 （day05_04_demo3_violinplot.py）：

python 复制代码

fig, axes = plt.subplots(1, 2, figsize=(14, 6))
sns.violinplot(..., ax=axes[0])   # 年龄
sns.violinplot(..., ax=axes[1])   # 票价

5、新增：高级综合仪表盘（FacetGrid + catplot 多面板）------最复杂场景**

业务场景 ：老板/产品总监要同时看"舱位 × 港口 × 性别"的年龄分布（一图看清 3 个维度）
方法：sns.catplot(kind="violin") 或 FacetGrid.map（更灵活）
关键参数调优（超级复杂版）：

col="Embarked", row="Sex"（多面板网格）
kind="violin", col_wrap=3
height=4, aspect=1.2（控制面板大小）
sharey=False（不同面板 y 轴独立）
hue="Survived", split=True, inner="quart", scale="count"

完整代码 （已推送到 day05_05_facetgrid_violin.py）：

python 复制代码

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib
matplotlib.use('TkAgg')

train = pd.read_csv('../data/titanic.csv')
sns.set_theme(style="darkgrid", palette="husl")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

g = sns.catplot(data=train, 
                x="Pclass", 
                y="Age", 
                hue="Survived",
                col="Embarked", 
                row="Sex",
                kind="violin",
                split=True,
                inner="quart",
                scale="count",
                height=4,
                aspect=1.2,
                sharey=False,
                palette="husl")
g.set_titles("港口: {col_name} | 性别: {row_name}")
g.fig.suptitle("高级仪表盘：舱位×港口×性别年龄分布（生存对比）", y=1.02)
plt.show()
plt.savefig('violinplot_facetgrid_dashboard.png', dpi=300, bbox_inches='tight')

6、扩展：相关性热力图（heatmap）**

业务场景 ：特征工程前看"哪些变量最相关"（面试/老板必问）
方法：sns.heatmap
参数：annot=True, cmap="RdBu_r", center=0, linewidths=0.5

代码（day05_06_heatmap.py）：

python 复制代码

corr = train[['Survived','Pclass','Age','Fare','SibSp','Parch']].corr()
sns.heatmap(corr, annot=True, cmap="RdBu_r", center=0, linewidths=0.5)

6.1 使用建议（踩坑全记录）

主题推荐：darkgrid + husl（最专业）
中文乱码必加两行 rcParams
保存高清图：plt.savefig('xxx.png', dpi=300, bbox_inches='tight')
VS Code 不弹窗：加 matplotlib.use('TkAgg')
swarmplot 点太密：加 size=3, alpha=0.7

7. 常见图表的选择（业务场景全覆盖）**

7.1 趋势 / 关系 → jointplot & pairplot**

看年龄与票价的联合分布：

python 复制代码

sns.jointplot(data=train, x="Age", y="Fare", hue="Survived", kind="scatter")

7.2 对比 → barplot / countplot**

老板 KPI 图必备：

python 复制代码

sns.barplot(data=train, x="Pclass", y="Survived", hue="Sex", palette="husl")

7.3 分布 → violinplot（重头戏）**

比箱线图信息量多 3 倍！

Basic 3步（split、inner、scale）
Demo 1（票价分布）
Demo 2（violin + swarm 叠加真实乘客点）
Demo 3（多子图 + 港口对比）
终极：FacetGrid 多面板仪表盘（舱位×港口×性别同时看）

完整 FacetGrid 代码（最复杂最实用）：

python 复制代码

g = sns.catplot(data=train, x="Pclass", y="Age", hue="Survived",
                col="Embarked", row="Sex", kind="violin",
                split=True, inner="quart", scale="count",
                height=4, aspect=1.2, sharey=False)

总结

Seaborn 让可视化从"技术展示"彻底升级为"业务洞察武器"。

从今天起，你画的每一张图都能让老板 3 秒看懂、直接决策！

完整代码仓库 （已同步最新推送）：
https://github.com/codeInbpm/ML-Learning-Journey-2025/tree/main/05_seaborn_basics

（所有 basic/demo/facetgrid 文件可直接运行）

2025 AI 打卡 Day5：Seaborn 数据可视化基础（Matplotlib 升级版 + Titanic 真实业务全案例 + 完整参数调优）

目录

1、 Seaborn 全方位解析

2、与 Matplotlib 的关系------"底层引擎"与"高层接口"的协作

3. 可视化的目标：让人看懂**

3.1 直观性：信息一眼可见**

3.2 简洁性：去除冗余，突出核心**

3.3 针对性：图表与问题挂钩**

3.4 逻辑性：让图表组成完整故事**

3.5 可解释性：让非技术人员也懂**

4. Matplotlib、Seaborn 快速入门**

4.1 基本示例**

4.2 用 Matplotlib 绘图（对比用）**

4.3 用 Seaborn 绘图（推荐写法）**

4.4 其他常见 Seaborn 图表（全部实战过）**

4.4.1、countplot（计数统计图）------场景：人数分布分析**

4.4.2、barplot（条形图）------场景：平均值/KPI对比**

4.4.3、violinplot（小提琴图）------场景：分布密度深度分析（本期核心）**

5、新增：高级综合仪表盘（FacetGrid + catplot 多面板）------最复杂场景**

6、扩展：相关性热力图（heatmap）**

6.1 使用建议（踩坑全记录）

7. 常见图表的选择（业务场景全覆盖）**

7.1 趋势 / 关系 → jointplot & pairplot**

7.2 对比 → barplot / countplot**

7.3 分布 → violinplot（重头戏）**

总结

点赞、收藏、转发走一波！持续 2025 AI 打卡中～ 欢迎 Star + Fork 一起学！

点赞、收藏、转发走一波！持续 2025 AI 打卡中～欢迎 Star + Fork 一起学！