天精通Python（可视化篇）——第88天：全网最全Seaborn库常用绘图3万字总结（参数说明+案例实战）

在Python的数据分析生态系统中，Seaborn是一个非常受欢迎的数据可视化库。它基于matplotlib，但提供了更高级的界面，使得绘制复杂的数据图形变得简单。
一、Seaborn简介
Seaborn 是一个基于 Python 的数据可视化库，它建立在 matplotlib 库之上，提供更高级的接口，使绘制各种有信息量的统计图形变得更容易。Seaborn 旨在使探索性数据分析（EDA）更容易，更快速，更优雅。
二、Seaborn常用绘图

1. 散点图（Scatterplot）
   使用散点图可以帮助我们查看两个变量之间的关系。在 Seaborn 中，可以使用 scatterplot 函数创建散点图。

   import seaborn as sns
   sns.scatterplot(data=df, x='var1', y='var2')

2. 直方图（Histogram）
   直方图用于展示数值变量的分布。在 Seaborn 中，可以使用 histplot 函数创建直方图。

   sns.histplot(data=df, x='var1')

3. 箱线图（Box Plot）
   箱线图用于展示数值变量的中位数、四分位数和异常值。在 Seaborn 中，可以使用 boxplot 函数创建箱线图。

   sns.boxplot(data=df, x='category', y='var1')

4. 热力图（Heatmap）
   热力图用于展示矩阵数据或多个变量之间的关系。在 Seaborn 中，可以使用 heatmap 函数创建热力图。

   sns.heatmap(df['var1'].corr(), annot=True)

5. 条形图（Bar Plot）
   条形图用于展示分类变量或有序分类变量的频数分布。在 Seaborn 中，可以使用 barplot 函数创建条形图。

   sns.barplot(x='category', y='var1', data=df)

6. 核密度估计（Kernel Density Estimation）
   对于连续变量，我们可以使用核密度估计来查看其分布。在 Seaborn 中，可以使用 kdeplot 函数创建核密度估计图。

   sns.kdeplot(data=df['var1'])

7. 核密度估计图和直方图的组合
   使用 jointplot 函数可以创建一个图形，其中包含一个直方图和一个核密度估计图，以展示两个连续变量的关系。这可以帮助我们更好地理解两个变量之间的关系。

   sns.jointplot(data=df, x='var1', y='var2', kind='scatter', color='blue')

8. 小提琴图（Violin Plot）
   小提琴图结合了箱线图和核密度估计图的特性，可以同时展示数据的分布和异常值。在 Seaborn 中，可以使用 violinplot 函数创建小提琴图。
9. 帕累托图（Pareto Plot）
   帕累托图是一种累积分布函数图形，用于查看数据中各分量的累积分布情况。在 Seaborn 中，可以使用 pareto 函数创建帕累托图。
   ``python sns.pareto(df['var1'], color='blue')