企业官网建设流程全解析

Seaborn：一行代码画出让老板满意的统计图

Matplotlib 像手动挡，Seaborn 像自动挡。同样是画图，Seaborn 一行做的事 Matplotlib 要写十行。

Seaborn 基于 Matplotlib，语法更简洁，默认样式更好看，特别适合统计图。

安装和基础设置

importseabornassnsimportmatplotlib.pyplotaspltimportpandasaspdimportnumpyasnp plt.rcParams["font.sans-serif"]=["SimHei"]plt.rcParams["axes.unicode_minus"]=False# 加载自带数据集tips=sns.load_dataset("tips")iris=sns.load_dataset("iris")print(tips.head())

箱线图：看数据分布

fig,axes=plt.subplots(1,2,figsize=(14,5))# 基础箱线图sns.boxplot(data=tips,x="day",y="total_bill",ax=axes[0])axes[0].set_title("各天消费金额分布")# 加分类颜色sns.boxplot(data=tips,x="day",y="total_bill",hue="time",ax=axes[1])axes[1].set_title("各天消费（按餐别）")plt.tight_layout()plt.show()

箱线图怎么看：中间的线是中位数，盒子是 Q1-Q3，须子是 1.5×IQR 范围，之外的点是异常值。

小提琴图：比箱线图信息更多

fig,ax=plt.subplots(figsize=(10,5))sns.violinplot(data=tips,x="day",y="total_bill",hue="time",split=True,ax=ax)ax.set_title("各天消费分布（小提琴图）")plt.tight_layout()plt.show()

小提琴图 = 箱线图 + 密度曲线。看得出数据有几个峰。

热力图：相关性一目了然

# 计算相关性矩阵corr=tips.select_dtypes("number").corr()fig,ax=plt.subplots(figsize=(8,6))sns.heatmap(corr,annot=True,cmap="RdBu_r",center=0,square=True,linewidths=0.5,ax=ax)ax.set_title("特征相关性热力图")plt.tight_layout()plt.show()

分类图：barplot / countplot

fig,axes=plt.subplots(1,3,figsize=(16,5))# 柱状图（带误差线）sns.barplot(data=tips,x="day",y="total_bill",ax=axes[0],ci="sd")axes[0].set_title("日均消费（±1标准差）")# 计数图sns.countplot(data=tips,x="day",hue="time",ax=axes[1])axes[1].set_title("各天订单数")# 分类散点（避免重叠）sns.stripplot(data=tips,x="day",y="total_bill",jitter=True,ax=axes[2])axes[2].set_title("各天消费散点")plt.tight_layout()plt.show()

pairplot：一键探索全部特征关系

# 所有数值列两两画散点图，对角线上画分布sns.pairplot(iris,hue="species",height=2.5)plt.suptitle("鸢尾花数据集特征关系矩阵",y=1.02,fontsize=14,fontweight="bold")plt.show()

这个函数在做探索性数据分析（EDA）时特别有用，一行代码看清所有特征之间的关系。

调色板：怎么不辣眼睛

# 内置色板sns.color_palette("deep")# 默认sns.color_palette("muted")# 柔和sns.color_palette("pastel")# 淡彩sns.color_palette("bright")# 亮色sns.color_palette("dark")# 深色sns.color_palette("colorblind")# 色盲友好# 渐变色板sns.light_palette("seagreen",as_cmap=True)sns.dark_palette("#69d",reverse=True)sns.diverging_palette(250,30,l=65,center="dark")# 使用sns.set_palette("muted")fig,ax=plt.subplots(figsize=(10,4))sns.barplot(data=tips,x="day",y="total_bill",hue="time",ax=ax)plt.show()

实战：用 Seaborn 做一份快速报告

# 模拟销售数据np.random.seed(42)df=pd.DataFrame({"销售额":np.random.normal(5000,1500,500),"利润":lambdax:x*0.3+np.random.normal(0,300,len(x)),"品类":np.random.choice(["手机","电脑","耳机","平板"],500),"地区":np.random.choice(["华东","华南","华北","西部"],500),"月份":np.random.choice(["1月","2月","3月","4月"],500),})df["利润率"]=df["利润"]/df["销售额"]*100fig,axes=plt.subplots(2,2,figsize=(14,12))# 1. 各品类销售额箱线图sns.boxplot(data=df,x="品类",y="销售额",ax=axes[0,0])axes[0,0].set_title("各品类销售额分布")# 2. 各月各品类热销pivot=df.pivot_table(values="销售额",index="月份",columns="品类",aggfunc="sum")sns.heatmap(pivot,annot=True,fmt=".0f",cmap="YlOrRd",ax=axes[0,1])axes[0,1].set_title("月度品类销售热力图")# 3. 销售额-利润率散点sns.scatterplot(data=df,x="销售额",y="利润率",hue="品类",ax=axes[1,0])axes[1,0].set_title("销售额 vs 利润率")# 4. 各品类各地区sns.barplot(data=df,x="地区",y="销售额",hue="品类",ax=axes[1,1])axes[1,1].set_title("各地区各品类销售额")plt.suptitle("2026上半年销售报告",fontsize=16,fontweight="bold")plt.tight_layout()plt.show()

新手常见坑

坑1：Seaborn 和 Matplotlib 混用时样式冲突

# Seaborn 会覆盖 Matplotlib 的样式# 先设置 Seaborn 样式，再用 Matplotlib 调细节sns.set_style("whitegrid")fig,ax=plt.subplots()sns.barplot(data=df,ax=ax)ax.set_title("标题")# OK

坑2：pairplot 数据太多

别对几百列的数据跑 pairplot——画布会爆炸。先挑关键的 5-10 列。

坑3：barplot 默认带误差线

ci=95是默认的，小样本时误差线很大。用ci=None关掉，或ci="sd"用标准差方式。

写在最后

Seaborn 是 EDA 利器。日常画图优先用 Seaborn，需要精细调整时降到 Matplotlib 层。两者配合用效果最好。

下一篇聊 Plotly——让图表动起来。