Seaborn是Python生态中专注于统计可视化的库，它简化了复杂统计图表的绘制流程，同时默认样式更加美观，非常适合用来完成分类数据和回归关系的可视化任务。本文通过一个完整的项目实例，带你掌握Seaborn的核心使用方法。
环境准备与数据加载
首先我们需要安装必要的依赖库，如果你还没有安装Seaborn，可以通过pip命令完成安装：
pip install seaborn pandas matplotlib
接下来我们使用Seaborn内置的泰坦尼克号数据集作为示例数据，该数据集包含乘客的舱位、年龄、票价、生存状态等字段，非常适合用来演示分类和回归可视化。
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
# 加载内置数据集
titanic_df = sns.load_dataset("titanic")
# 查看数据集前5行
print(titanic_df.head())
# 查看数据集基本信息
print(titanic_df.info())
分类可视化实现
分类可视化主要用于展示不同类别数据的分布特征，下面介绍几种常用的分类图表。
分类散点图
分类散点图可以展示不同类别下的数值分布情况，同时保留每个样本的个体信息，适合观察类别间的数值差异。
# 绘制舱位和票价的分类散点图
sns.catplot(
data=titanic_df,
x="class",
y="fare",
kind="swarm",
height=6,
aspect=1.2
)
plt.title("不同舱位乘客票价分布")
plt.show()
箱线图与小提琴图
箱线图可以展示数据的四分位数、异常值等信息，小提琴图则结合了箱线图和核密度估计的特点，能够更直观地展示数据的分布形态。
# 绘制舱位和年龄的箱线图
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
sns.boxplot(data=titanic_df, x="class", y="age")
plt.title("不同舱位乘客年龄箱线图")
# 绘制舱位和年龄的小提琴图
plt.subplot(1, 2, 2)
sns.violinplot(data=titanic_df, x="class", y="age")
plt.title("不同舱位乘客年龄小提琴图")
plt.tight_layout()
plt.show()
分类计数柱状图
计数柱状图用于展示不同类别的样本数量，适合分析类别分布的均衡性。
# 绘制生存状态的计数柱状图
sns.countplot(data=titanic_df, x="survived")
plt.title("乘客生存状态分布")
plt.xlabel("生存状态（0=未生存，1=生存）")
plt.show()
回归可视化实现
回归可视化用于展示两个数值变量之间的相关关系，同时可以拟合回归曲线，帮助判断变量间的关联模式。
线性回归可视化
regplot是Seaborn中用于绘制回归关系的基础函数，默认会拟合线性回归曲线并展示置信区间。
# 绘制年龄和票价的线性回归关系
sns.regplot(
data=titanic_df,
x="age",
y="fare",
scatter_kws={"alpha": 0.5}, # 设置散点透明度
line_kws={"color": "red"} # 设置回归线颜色
)
plt.title("年龄与票价的线性回归关系")
plt.show()
分组回归可视化
如果需要按照某个分类变量分组展示回归关系，可以使用lmplot函数，它会自动按照分组变量拆分图表。
# 按照舱位分组展示年龄和票价的回归关系
sns.lmplot(
data=titanic_df,
x="age",
y="fare",
col="class", # 按照舱位分列
height=5,
aspect=1
)
plt.show()
非线性回归可视化
如果变量间不是线性关系，可以通过设置order参数拟合多项式回归曲线，展示非线性关联。
# 拟合二次多项式回归曲线
sns.regplot(
data=titanic_df,
x="age",
y="fare",
order=2, # 二次多项式
scatter_kws={"alpha": 0.5}
)
plt.title("年龄与票价的二次多项式回归关系")
plt.show()
图表样式与保存
Seaborn提供了多种内置样式，可以快速调整图表的整体风格，同时支持将绘制好的图表保存为本地文件。
# 设置图表样式
sns.set_style("whitegrid")
# 绘制生存状态和年龄的箱线图
sns.boxplot(data=titanic_df, x="survived", y="age")
plt.title("不同生存状态乘客年龄分布")
# 保存图表到本地
plt.savefig("survived_age_boxplot.png", dpi=300, bbox_inches="tight")
plt.show()
通过以上实例，你可以掌握Seaborn分类和回归可视化的核心用法，根据实际项目的需求选择合适的图表类型，快速完成数据探索和分析结果的展示。