图解Matplotlib和Seaborn入门 - 实践

欢迎来到数据分析的世界 
博客主页：卿云阁

欢迎关注点赞收藏⭐️留言

本文由卿云阁原创！

首发时间：2025年9月30日

✉️希望可以和大家一起完成进阶之路！

作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

目录

简单介绍

Matplotlib2个简单的例子

Matplotlib细节介绍

线条样式

线条颜色

标记（marker）

Seaborn绘图基本步骤与示例

Seaborn核心绘图函数与方法

关联图

散点图

线形图

API 层级：Axes-level 和 Figure-level

类别图

散点图 strip / swarm

箱线图 box

增强箱线图 boxen

小提琴图 violin

点线图 point

条形图 bar

计数条形图 count

分布图

单变量分布图 distplot

​编辑

核密度估计图 kdeplot

二元变量分布图 jointplot

变量两两对比图 pairplot

回归图

regplot

lmplot

 矩阵图

热力图 heatmap

层次聚类结构图clustermap

简单介绍

       它是 Python 的 “万能绘图工具”—— 能把 Excel、Pandas 里的数字，变成折线图、柱状图、

散点图等直观图形，小到临时看数据趋势，大到学术论文配图，都能搞定。（配一张 “Matplotlib

在 Python 数据生态中的位置图”：NumPy/Pandas（处理数据）→ Matplotlib（绘图）→

Seaborn（美化），用箭头体现依赖关系）。

     Seaborn 是基于 Matplotlib 开发的 Python 可视化库，核心优势是用更简洁的代码，画出更美

观、更具统计意义的图表。很多人会问：“已经会用 Matplotlib 了，为什么还要学 Seaborn？” 看这

组对比就懂了：

---

Matplotlib2个简单的例子

第一个例子

流程：

1️⃣准备数据  ➡  2️⃣创建画布   ➡   3️⃣绘制图像    ➡   4️⃣添加细节（标题、x轴/y轴标签、坐标轴

范围、网格线，图例）   ➡   5️⃣调整布局   ➡    6️⃣保存图片   ➡ 7️⃣图片展示

# 导入Matplotlib绘图模块，约定简写为plt
import matplotlib.pyplot as plt
# 设置中文字体，解决负号显示乱码问题
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False
# 准备散点图数据：身高（x轴）与体重（y轴），数据长度需一致
height = [160, 165, 170, 175, 180]  # 身高（cm）
weight = [50, 55, 62, 68, 75]       # 对应体重（kg）
# 创建画布，尺寸6×4英寸（1英寸≈2.54cm），设置分辨率为100
plt.figure(figsize=(6, 4), dpi=100)
# 绘制散点图：橙色（#FF9F43）、大小80、透明度0.8，添加边框
plt.scatter(height, weight,color='#FF9F43',s=80,alpha=0.8,label='学生数据',edgecolors='#E67E22',  # 散点边框颜色linewidth=1)           # 散点边框宽度
# 添加图表标题、x轴/y轴标签，优化字体样式
plt.title('身高与体重关系', fontsize=14, pad=15, fontweight='bold')
plt.xlabel('身高（cm）', fontsize=12, labelpad=8)
plt.ylabel('体重（kg）', fontsize=12, labelpad=8)
# 优化坐标轴范围，使数据点更居中
plt.xlim(155, 185)
plt.ylim(45, 80)
# 添加浅灰色网格线（透明度0.3），辅助读数据
plt.grid(alpha=0.3, linestyle='--')   # 使用虚线网格
# 在右上角显示半透明边框的图例，优化图例文字大小
plt.legend(loc='upper right', framealpha=0.1, fontsize=10)
# 调整布局，避免元素重叠
plt.tight_layout()
# 保存图片（高分辨率，裁剪空白）
#plt.savefig('height_weight.png', dpi=300, bbox_inches='tight')
# 弹出窗口展示图表
plt.show()

第二个例子

流程：

1️⃣准备数据  ➡  2️⃣创建画布   ➖   定义子图   ➡   3️⃣绘制图像    ➡   4️⃣添加细节（标题、x轴/y

轴标签、坐标轴范围、网格线，图例）   ➡   5️⃣调整布局   ➡    6️⃣保存图片   ➡ 7️⃣图片展示

import matplotlib.pyplot as plt
# 设置中文字体，确保中文正常显示
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
# Step 1: 准备数据
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
scatter_x = [2, 4, 6]
scatter_y = [5, 15, 25]
# Step 2: 创建图形（画布）
fig = plt.figure(figsize=(12, 5))  # 加宽画布以容纳两个子图
# Step 3: 使用add_subplot定义子图（1行2列布局）
ax1 = fig.add_subplot(121)  # 1行2列的第1个子图（左侧）
ax2 = fig.add_subplot(122)  # 1行2列的第2个子图（右侧）
# 第一个子图：绘制折线图
ax1.plot(x, y, color='lightblue', linewidth=3, label='折线图')
ax1.set_xlim(1, 6.5)
ax1.set_ylim(0, 35)
ax1.set_xlabel('X轴')
ax1.set_ylabel('Y轴')
ax1.set_title('折线图示例')
ax1.legend()
ax1.grid(alpha=0.3)
# 第二个子图：绘制散点图
ax2.scatter(scatter_x, scatter_y, color='darkgreen', marker='^', label='散点图')
ax2.set_xlim(1, 6.5)  # 保持x轴范围一致
ax2.set_ylim(0, 35)   # 保持y轴范围一致
ax2.set_xlabel('X轴')
ax2.set_ylabel('Y轴')
ax2.set_title('散点图示例')
ax2.legend()
ax2.grid(alpha=0.3)
# 调整布局，避免标签重叠
plt.tight_layout()
# 保存图形（可选）， transparent=True 透明画布
# plt.savefig('add_subplot_example.png', dpi=300, bbox_inches='tight')
# 显示图形
plt.show()

---

Matplotlib细节介绍

线条样式

核心作用是区分不同数据系列（比如用实线表示 “实际销量”，虚线表示 “预测销量”）

import matplotlib.pyplot as plt
import numpy as np
# 中文设置
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False
# 数据：x为0-10的连续值，y1-y4为不同数据系列
x = np.linspace(0, 10, 50)
y1 = x  # 实线（默认）
y2 = x + 1  # 虚线
y3 = x + 2  # 点线
y4 = x + 3  # 点划线
# 创建画布和子图
fig, ax = plt.subplots(figsize=(8, 5))
# 绘制4条不同样式的线，标注清晰
ax.plot(x, y1, linestyle='-', linewidth=2, label='实线（默认，solid）')
ax.plot(x, y2, linestyle='--', linewidth=2, label='虚线（dashed）')
ax.plot(x, y3, linestyle=':', linewidth=2, label='点线（dotted）')
ax.plot(x, y4, linestyle='-.', linewidth=2, label='点划线（dashdot）')
# 装饰：让图表更易读
ax.set_title('不同线条样式对比', fontsize=14)
ax.set_xlabel('X轴', fontsize=12)
ax.set_ylabel('Y轴', fontsize=12)
ax.legend()  # 显示图例，对应线条样式
ax.grid(linestyle=':', alpha=0.3)  # 网格线用点线，避免干扰主线条
plt.show()

线条颜色

方式 1：预设色名

Matplotlib 支持 140 + 预设色名（如 'red'、'blue'），涵盖常见颜色，直接输入名称即可使用，

适合快速绘图。

方式 2：缩写色码（快速输入）

将常用颜色缩写为单个字母，适合高效写代码，仅支持 8 种基础颜色：

方式 3：十六进制色码（精准控色）

通过 '#RRGGBB' 格式设置颜色（RR、GG、BB 分别代表红、绿、蓝通道，取值 00-FF），可从设

计工具（如 PS、Figma）或配色网站（如Coolors）获取，适合需要统一图表配色风格的场景（如

公司品牌色）。示例：'#FF6B6B'（珊瑚红）、'#4ECDC4'（薄荷绿）、'#45B7D1'（天空蓝）

方式 4：RGB/RGBA 色值（透明度可控）

通过 (R, G, B) 或 (R, G, B, A) 元组设置颜色，其中 R、G、B 取值范围为 0-1（表示颜色强

度），A 为透明度（0 = 完全透明，1 = 完全不透明），适合需要精细调整透明度的场景（如重叠

线条）。示例：(1, 0, 0)（纯红）、(0, 0.8, 0, 0.5)（半透明绿）

import matplotlib.pyplot as plt
import numpy as np
# 中文设置
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False
# 数据：x为0-10，y为x的不同偏移
x = np.linspace(0, 10, 50)
y1 = x  # 预设色名
y2 = x + 1  # 缩写色码
y3 = x + 2  # 十六进制色码
y4 = x + 3  # RGBA色值
# 创建画布
fig, ax = plt.subplots(figsize=(8, 5))
# 4种颜色设置方式
ax.plot(x, y1, color='orange', linewidth=3, label='预设色名（orange）')
ax.plot(x, y2, color='r', linewidth=3, label='缩写色码（r=red）')
ax.plot(x, y3, color='#4ECDC4', linewidth=3, label='十六进制（#4ECDC4=薄荷绿）')
ax.plot(x, y4, color=(0, 0.6, 0.8, 0.7), linewidth=3, label='RGBA（半透明蓝，A=0.7）')
# 装饰
ax.set_title('4种颜色设置方式对比', fontsize=14)
ax.set_xlabel('X轴', fontsize=12)
ax.set_ylabel('Y轴', fontsize=12)
ax.legend()
ax.grid(alpha=0.3)
plt.show()

标记（marker）

      标记是折线图中 “数据点的符号”，核心作用是突出实际数据位置（比如用圆形标记 “每日销量”

的具体数值，避免读者只能看到线条趋势而找不到原始数据）。

通过 marker 参数设置标记样式，markersize（简写 ms）设置标记大小，markeredgecolor（简

写 mec）设置标记边框颜色，markerfacecolor（简写 mfc）设置标记填充颜色

import matplotlib.pyplot as plt
import numpy as np
# 中文设置
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False
# 数据：模拟5个时间点的销量（离散数据，适合加标记）
x = [1, 2, 3, 4, 5]  # 天数
y = [120, 180, 150, 220, 190]  # 销量
# 创建画布
fig, ax = plt.subplots(figsize=(8, 5))
# 绘制带标记的折线：自定义标记样式、大小、颜色
ax.plot(x, y,linewidth=2,  # 线条粗细color='#FF6B6B',  # 线条颜色（珊瑚红）marker='o',  # 标记为圆形markersize=8,  # 标记大小markeredgecolor='white',  # 标记边框为白色（突出立体感）markerfacecolor='#45B7D1',  # 标记填充色（天空蓝）label='每日销量')
# 进阶：给标记添加数值标签（让数据更直观）
for i in range(len(x)):ax.text(x[i], y[i] + 5,  # 标签位置（在标记上方5个单位）str(y[i]),  # 标签内容（销量数值）ha='center', va='bottom',  # 水平/垂直居中fontsize=10, color='black')
# 装饰
ax.set_title('标记样式自定义与数值标注', fontsize=14)
ax.set_xlabel('天数', fontsize=12)
ax.set_ylabel('销量（件）', fontsize=12)
ax.set_ylim(100, 240)  # 调整y轴范围，避免数值标签超出
ax.legend()
ax.grid(alpha=0.3)
plt.show()

组合实战：用 “样式 + 颜色 + 标记” 画专业图表

    实际绘图中，三者通常结合使用，以下以 “对比‘实际销量’与‘预测销量’” 为例，展示如何通过组

合设置让图表清晰、专业：

import matplotlib.pyplot as plt
import numpy as np
# 中文设置
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False
# 数据：实际销量（离散） vs 预测销量（连续）
x_actual = [1, 2, 3, 4, 5, 6, 7]  # 一周7天（实际数据）
y_actual = [120, 180, 150, 220, 190, 250, 230]
x_pred = np.linspace(0.5, 7.5, 50)  # 连续x值（预测曲线）
y_pred = 100 + 20 * x_pred  # 预测销量（线性拟合）
# 创建画布
fig, ax = plt.subplots(figsize=(10, 6))
# 1. 绘制实际销量：突出数据点（大标记+实线条）
ax.plot(x_actual, y_actual,color='#FF6B6B', linewidth=3, linestyle='-',marker='o', markersize=10, markeredgecolor='white', markerfacecolor='#FF6B6B',label='实际销量')
# 2. 绘制预测销量：辅助线条（无标记+虚线条）
ax.plot(x_pred, y_pred,color='#45B7D1', linewidth=2, linestyle='--',marker='None',  # 无标记（预测是连续曲线，无需数据点）label='预测销量（线性拟合）')
# 3. 标注关键数据点（如最高销量）
max_idx = y_actual.index(max(y_actual))  # 找到最高销量的索引
ax.annotate(f'最高销量：{y_actual[max_idx]}件',  # 标注内容xy=(x_actual[max_idx], y_actual[max_idx]),  # 标注目标点xytext=(x_actual[max_idx]+0.5, y_actual[max_idx]+20),  # 标注文字位置arrowprops=dict(arrowstyle='->', color='gray'),  # 箭头样式fontsize=11, color='darkred')
# 装饰
ax.set_title('一周销量：实际 vs 预测', fontsize=16, pad=20)
ax.set_xlabel('天数', fontsize=12)
ax.set_ylabel('销量（件）', fontsize=12)
ax.set_xlim(0.5, 7.5)
ax.set_ylim(80, 300)
ax.legend(loc='best',fontsize=11)
ax.grid(linestyle=':', alpha=0.3)
# 保存高清图片（适合报告/论文）
#plt.savefig('销量对比图.png', dpi=300, bbox_inches='tight')
plt.show()

---

Seaborn绘图基本步骤与示例

使用 Seaborn 创建图形的基本步骤：

• Step 1 准备数据
• Step 2 设定画布外观
• Step 3 使用 Seaborn 绘图
• Step 4 自定义图形
• Step 5 展示结果图

# 导入Matplotlib的pyplot模块（用于基础绘图和显示图表）
import matplotlib.pyplot as plt
# 导入Seaborn库（用于绘制更美观的统计图表，基于Matplotlib）
import seaborn as sns
# 导入 warnings 模块（用于控制警告信息的显示）
import warnings
# 忽略所有警告信息（避免因版本兼容等问题输出冗余警告，不影响代码功能）
warnings.filterwarnings('ignore')
# Step 1：加载Seaborn内置的"小费数据集"
# 该数据集包含餐厅消费金额、小费、顾客性别、用餐时间等信息
tips = sns.load_dataset("tips")
# Step 2：设置Seaborn的图表主题
# "whitegrid"表示白色背景+灰色网格线（适合大多数场景，清晰且不干扰数据）
sns.set_style("whitegrid")
# Step 3：绘制带回归线的散点图（lmplot = linear model plot，线性模型图）
# 参数解析：
# - x="tip"：x轴数据为"小费金额"（数据集的列名）
# - y="total_bill"：y轴数据为"总账单金额"（数据集的列名）
# - data=tips：使用的数据集（之前加载的tips）
# - aspect=2：图表的宽高比（宽度是高度的2倍，让图表更舒展）
# 返回值g是一个FacetGrid对象（用于后续调整图表细节）
g = sns.lmplot(x="tip", y="total_bill", data=tips, aspect=2)
# 对返回的图表对象g进行细节调整：
# - set_axis_labels("Tip", "Total bill(USD)")：设置x轴和y轴的标签文本
# - set(xlim=(0, 10), ylim=(0, 100))：设置x轴范围为0-10，y轴范围为0-100
g = (g.set_axis_labels("Tip", "Total bill(USD)").set(xlim=(0, 10), ylim=(0, 100)))
# Step 4：添加图表标题（使用Matplotlib的plt.title()函数，Seaborn兼容Matplotlib的操作）
plt.title("title")  # 实际使用时可替换为有意义的标题，如"小费金额与总账单的关系"
# Step 5：显示图表（虽然传入了g，但plt.show()可以直接显示当前画布内容，参数可省略）
plt.show(g)

图标样式

# 设置Seaborn全局图表样式，所有后续绘制的图表会默认遵循这些配置
sns.set_theme(context='notebook',  # 控制图表元素（字体、线条）的整体大小# context可选值：'paper'（最小，适合论文）、'notebook'（中等，默认，适合笔记本）# 'talk'（较大，适合幻灯片）、'poster'（最大，适合海报）style='whitegrid',  # 定义图表基础风格（背景、网格线等）# style可选值：'whitegrid'（白背景+灰网格，默认）、'darkgrid'（深灰背景+白网格）# 'white'（纯白背景，无网格）、'dark'（纯深灰背景，无网格）palette='Set2',  # 设置全局默认配色方案，控制不同类别数据的颜色# palette常用值：'Set2'（柔和对比色）、'Pastel1'（马卡龙色系）# 'husl'（高饱和均匀色）、'coolwarm'（冷暖渐变）、'viridis'（色盲友好渐变）font='sans-serif',  # 指定图表中所有文本的字体类型# font可选值：'sans-serif'（无衬线字体，如Arial，默认，易读）# 'serif'（衬线字体，如Times New Roman，适合论文）# 'monospace'（等宽字体，如Courier，适合代码）# 中文支持可改为：'SimHei'、'WenQuanYi Micro Hei'（需系统安装）font_scale=1,  # 文本大小缩放比例（基于context的基准尺寸）# 例：font_scale=1.2（放大20%）、font_scale=0.8（缩小20%）color_codes=False  # 是否启用颜色代码缩写（如'b'代表蓝色）# True：允许简写（如color='b'）；False（默认）：需写完整名称（如color='blue'）
)

---

Seaborn核心绘图函数与方法

• 关联图——relplot
• 类别图——catplot
• 分布图——distplot、kdeplot、jointplot、pairplot
• 回归图——regplot、lmplot
• 矩阵图——heatmap、clustermap
• 组合图

导入数据集：

下面我们会使用 iris 鸢尾花数据集完成后续的绘图

        数据集总共 150 行，由 5 列组成。分别代表：萼片长度、萼片宽度、花瓣长度、花瓣宽度、

花的类别。其中，前四列均为数值型数据，最后一列花的分类为三种，分别是：Iris Setosa、Iris

Versicolour、Iris Virginica。

关联图

当我们需要对数据进行关联性分析时，可能会用到 Seaborn 提供的以下几个 API。

API层级	关联性分析	介绍
Figure-level	relplot	绘制关系图
Axes-level	scatterplot	多维度分析散点图
	lineplot	多维度分析线形图

    relplot 是 relational plots 的缩写，用于呈现数据之后的关系。relplot 主要有散点图和线形图2种

样式，适用于不同类型的数据。

散点图

指定x和y的特征，默认可以绘制出散点图。

sns.relplot(x="sepal_length", y="sepal_width", hue="species", style="species", data=iris)

线形图

relplot 方法还支持线形图，此时只需要指定 kind=”line” 参数即可。图中阴影部分是自动给出的

95%的置信区间。（如果我们重复做 100 次相同的实验 / 数据采集，会得到 100 组 “花萼长度 - 花

瓣长度” 的趋势线，其中有 95 条线会落在这个浅色阴影范围内。换个更直白的说法：我们基于当

前的鸢尾花数据集（150 个样本），计算出 “花瓣长度随花萼长度变化的趋势线”（图中的彩色实

线），但这个趋势线只是 “基于现有样本的估计值”—— 如果换一批新的鸢尾花样本（同样 150

个），重新画趋势线，线的位置可能会轻微偏移。而 95% 置信区间就是告诉我们：新趋势线 “大

概率（95% 的概率）” 会落在的范围，阴影越窄，说明这个趋势的 “稳定性越强”。）

阴影越窄→趋势越稳定，阴影越宽→趋势的不确定性越高

sns.relplot(x="sepal_length", y="petal_length", hue="species", style="species", kind="line", data=iris)

API 层级：Axes-level 和 Figure-level

想快速出图、少写代码？用 Figure-level 的 relplot（通过 kind 切换散点 / 折线）。想精细控制图表

（比如多子图布局、复杂样式）？用 Axes-level 的 scatterplot 或 lineplot，搭配 Matplotlib 更灵

活。

上方 relplot 绘制的图也可以使用 lineplot 函数绘制，只要取消 relplot 中的 kind 参数即可。

sns.lineplot(x="sepal_length", y="petal_length", hue="species", style="species", data=iris)

类别图

与关联图相似，类别图的 Figure-level 接口是 catplot，其为 categorical plots 的缩写。而 catplot 实际上是如下 Axes-level 绘图 API 的集合：

API层级	函数	介绍
Figure-level	catplot
Axes-level	stripplot() (kind=”strip”) swarmplot() (kind=”swarm”)	分类散点图
	boxplot() (kind=”box”) boxenplot() (kind=”boxen”) violinplot() (kind=”violin”)	分类分布图
	pointplot() (kind=”point”) barplot() (kind=”bar”) countplot() (kind=”count”)	分类估计图

散点图 strip / swarm

下面，我们看一下 catplot 绘图效果。该方法默认是绘制 kind="strip" 散点图。

sns.catplot(x="sepal_length", y="species", data=iris)

kind="swarm" 可以让散点按照 beeswarm 的方式防止重叠，可以更好地观测数据分布。

sns.catplot(x="sepal_length", y="species", kind="swarm", data=iris)

同理，hue=参数可以给图像引入另一个维度，由于 iris 数据集只有一个类别列，我们这里就不再添

加 hue=参数了。如果一个数据集有多个类别，hue=参数就可以让数据点有更好的区分。

箱线图 box

接下来，我们依次尝试其他几种图形的绘制效果。绘制箱线图：

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
# 设置主题，重点修改palette参数更换配色
sns.set_theme(context='notebook',style='whitegrid',palette='Set2',  # 可替换为'Pastel1'、'husl'、'coolwarm'等font='sans-serif',font_scale=1,color_codes=False
)
# 加载数据
iris = sns.load_dataset("iris")
# 绘制箱线图，通过palette参数单独设置当前图表配色（优先级高于全局设置）
g = sns.catplot(x="sepal_length",y="species",kind="box",data=iris,palette='Pastel1'  # 此处配色会覆盖全局的palette设置
)
# 去除网格线
for ax in g.axes.flat:ax.grid(False)
plt.show()

增强箱线图 boxen

g = sns.catplot(x="sepal_length",y="species",kind="boxen",data=iris,palette='Pastel1'  # 此处配色会覆盖全局的palette设置
)

小提琴图 violin

# 绘制箱线图
g = sns.catplot(x="sepal_length",y="species",kind="violin",data=iris,palette='Pastel1'
)

点线图 point

g = sns.catplot(x="sepal_length",y="species",kind="point",data=iris,palette='Pastel1'
)

条形图 bar

g = sns.catplot(x="sepal_length",y="species",kind="bar",data=iris,palette='Pastel1'
)

计数条形图 count

g = sns.catplot(x="species",kind="count",data=iris,palette='Pastel1'
)

分布图

    分布图主要是用于可视化变量的分布情况，一般分为单变量分布和多变量分布（多指二元变

量）。Seaborn 提供的分布图绘制方法一般有这几个：distplot、kdeplot、jointplot、pairplot。接

下来，我们依次来看一下这些绘图方法的使用。

API层级	函数	介绍
Axes-level	distplot	绘制直方图并拟合核密度估计图
Axes-level	kdeplot	专门用于绘制核密度估计图
Axes-level	jointplot	支持 kind= 参数指定绘制出不同样式的分布图
Axes-level	pairplot	一次性将数据集中的特征变量两两对比绘图

单变量分布图 distplot

Seaborn 快速查看单变量分布的方法是 displot。默认情况下，该方法将绘制直方图并拟合核密度

估计图。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 强制设置中文字体（尝试多种常见字体，确保兼容性）
try:# 尝试加载系统中的中文字体font_names = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC", "Microsoft YaHei"]font = Nonefor name in font_names:try:font = fm.FontProperties(family=name)# 测试字体是否可用if font.get_name() in font_names:breakexcept:continue# 全局字体设置plt.rcParams["font.family"] = [font.get_name()] if font else ["sans-serif"]
except:#  fallback方案：使用支持中文的默认配置plt.rcParams["font.family"] = ["Arial Unicode MS", "sans-serif"]
# 确保负号正确显示
plt.rcParams['axes.unicode_minus'] = False
# 设置主题（不指定字体，使用全局设置）
sns.set_theme(context='notebook',style='whitegrid',palette='Set2',font_scale=1,color_codes=False
)
# 加载数据
iris = sns.load_dataset("iris")
# 绘制直方图并拟合核密度估计图
g = sns.displot(data=iris,x="sepal_length",hue="species",kind="hist",kde=True,bins=15,palette='Pastel1'
)
# 去除网格线
for ax in g.axes.flat:ax.grid(False)# 为坐标轴标签单独设置字体（确保中文显示）ax.set_xlabel("花萼长度 (cm)", fontproperties=font, fontsize=12)ax.set_ylabel("频数", fontproperties=font, fontsize=12)
# 为标题单独设置字体
plt.title("不同种类鸢尾花的花萼长度分布", fontproperties=font, fontsize=14)
plt.show()

# 使用displot函数，kind="hist"指定直方图，kde=True添加核密度曲线
g = sns.displot(data=iris,x="sepal_length",  # 选择要展示分布的变量（这里用花萼长度）hue="species",     # 按鸢尾花种类分组显示kind="hist",       # 图表类型为直方图kde=True,          # 添加核密度估计曲线bins=15,           # 直方图的分箱数量，控制精度palette='Pastel1'  # 配色方案
)

核密度估计图 kdeplot

当然，kdeplot 可以专门用于绘制核密度估计图，其效果和 distplot(hist=False) 一致，但 kdeplot 拥有更多的自定义设置。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 1. 手动指定中文字体文件（关键步骤，根据系统修改）
# Windows: "C:/Windows/Fonts/simhei.ttf"（黑体）
# macOS: "/System/Library/Fonts/PingFang.ttc"（苹方）
# Linux: "/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc"
font_path = "C:/Windows/Fonts/simhei.ttf"
# 加载字体并创建字体属性对象
try:chinese_font = fm.FontProperties(fname=font_path)
except FileNotFoundError:# 如果指定字体不存在，使用系统默认中文字体chinese_font = fm.FontProperties(family=["SimHei", "WenQuanYi Micro Hei", "Heiti TC"])
# 2. 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False,  # 解决负号显示问题
})
# 3. 设置Seaborn主题
sns.set_theme(context='notebook',style='white',palette='Set2',font_scale=1,color_codes=False
)
# 4. 加载数据
iris = sns.load_dataset("iris")
# 5. 创建画布并绘制核密度图
plt.figure(figsize=(10, 6))
for species in iris["species"].unique():subset = iris[iris["species"] == species]sns.kdeplot(data=subset,x="sepal_length",label=species,fill=True,alpha=0.3,linewidth=2)
# 6. 添加标题和轴标签（明确指定字体）
plt.title("不同种类鸢尾花的花萼长度核密度分布", fontproperties=chinese_font, fontsize=14)
plt.xlabel("花萼长度 (cm)", fontproperties=chinese_font, fontsize=12)
plt.ylabel("密度", fontproperties=chinese_font, fontsize=12)
# 7. 单独设置图例（重点解决"鸢尾花种类"标题显示问题）
legend = plt.legend(title="鸢尾花种类",  # 图例标题prop=chinese_font,  # 图例内容字体title_fontproperties=chinese_font  # 图例标题字体（关键设置）
)
plt.grid(axis="y", alpha=0.2)
plt.show()

二元变量分布图 jointplot

jointplot 主要是用于绘制二元变量分布图。例如，我们探寻 sepal_length 和 sepal_width 二元特征变量之间的关系。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 中文显示设置（指定字体文件路径）
font_path = "C:/Windows/Fonts/simhei.ttf"  # Windows系统
# font_path = "/System/Library/Fonts/PingFang.ttc"  # macOS系统
chinese_font = fm.FontProperties(fname=font_path)
# 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False
})
# 加载数据
iris = sns.load_dataset("iris")
# 绘制二元变量分布图
g = sns.jointplot(data=iris,x="sepal_length",  # x轴：花萼长度y="petal_length",  # y轴：花瓣长度hue="species",     # 按种类分组kind="scatter",    # 中心为散点图palette="Set2",    # 配色方案height=8           # 图表大小
)
# 调整标题位置和布局（解决显示不完全问题）
# 1. 增加顶部边距，为标题留出空间
plt.subplots_adjust(top=0.9)
# 2. 设置标题，y参数控制与图表的距离（值越小越靠下）
g.fig.suptitle("花萼长度与花瓣长度的关系分布",fontproperties=chinese_font,y=0.98,  # 调整此值（0-1之间）控制标题位置fontsize=14
)
# 设置轴标签
g.ax_joint.set_xlabel("花萼长度 (cm)", fontproperties=chinese_font, fontsize=12)
g.ax_joint.set_ylabel("花瓣长度 (cm)", fontproperties=chinese_font, fontsize=12)
# 设置图例字体
plt.legend(title="鸢尾花种类", prop=chinese_font, title_fontproperties=chinese_font)
plt.show()

jointplot 并不是一个 Figure-level 接口，但其支持 kind= 参数 指定绘制出不同样式的分布图。

例如，绘制出核密度估计对比图 kde

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 中文显示设置（指定字体文件路径）
font_path = "C:/Windows/Fonts/simhei.ttf"  # Windows系统
# font_path = "/System/Library/Fonts/PingFang.ttc"  # macOS系统
chinese_font = fm.FontProperties(fname=font_path)
# 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False
})
# 加载数据
iris = sns.load_dataset("iris")
# 绘制核密度联合分布图（kind="kde"）
g = sns.jointplot(x="sepal_length",  # x轴：花萼长度y="sepal_width",   # y轴：花萼宽度data=iris,kind="kde",        # 图表类型：核密度图（展示数据密度分布）cmap="viridis",    # 颜色映射（核密度图常用渐变色系）height=8           # 图表大小
)
# 调整布局，确保标题完整显示
plt.subplots_adjust(top=0.9)  # 增加顶部边距
# 设置标题
g.fig.suptitle("花萼长度与花萼宽度的核密度分布",fontproperties=chinese_font,y=0.98,  # 标题位置（靠近顶部但不超出）fontsize=14
)
# 设置轴标签
g.ax_joint.set_xlabel("花萼长度 (cm)", fontproperties=chinese_font, fontsize=12)
g.ax_joint.set_ylabel("花萼宽度 (cm)", fontproperties=chinese_font, fontsize=12)
plt.show()

绘制六边形计数图 hex

绘制回归拟合图 

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 中文显示设置（指定字体文件路径）
# 假设字体路径已设置
font_path = "C:/Windows/Fonts/simhei.ttf"
chinese_font = fm.FontProperties(fname=font_path)
# 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False
})
# 加载数据
iris = sns.load_dataset("iris")
# 绘制回归拟合联合分布图（kind="reg"）
g = sns.jointplot(x="sepal_length",  # x轴：花萼长度y="sepal_width",   # y轴：花萼宽度data=iris,kind="reg",        # 核心参数：指定为回归拟合图color="g",         # 设置散点和回归线的颜色为绿色scatter_kws={'alpha': 0.6}, # 设置散点图透明度，避免重叠line_kws={'color': 'red', 'linewidth': 2}, # 设置回归线的颜色和粗细height=8           # 图表大小
)
# 调整布局，确保标题完整显示
plt.subplots_adjust(top=0.9)
# 设置标题
g.fig.suptitle("花萼长度与花萼宽度的回归拟合",fontproperties=chinese_font,y=0.98,fontsize=14
)
# 设置轴标签
g.ax_joint.set_xlabel("花萼长度 (cm)", fontproperties=chinese_font, fontsize=12)
g.ax_joint.set_ylabel("花萼宽度 (cm)", fontproperties=chinese_font, fontsize=12)
plt.show()

变量两两对比图 pairplot

最后要介绍的 pairplot 更加强大，其支持一次性将数据集中的特征变量两两对比绘图。默认情况

下，对角线上是单变量分布图，而其他则是二元变量分布图。

回归图

接下来，我们继续介绍回归图，回归图的绘制函数主要有：lmplot 和 regplot。

API层级	函数	介绍
Axes-level	regplot	自动完成线性回归拟合
Axes-level	lmplot	支持引入第三维度进行对比

regplot

regplot 绘制回归图时，只需要指定自变量和因变量即可，regplot 会自动完成线性回归拟合。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 中文显示设置（指定字体文件路径）
# 假设字体路径已设置
font_path = "C:/Windows/Fonts/simhei.ttf"
chinese_font = fm.FontProperties(fname=font_path)
# 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False
})
# 加载数据
iris = sns.load_dataset("iris")
# 创建一个 matplotlib Figure 和 Axes
plt.figure(figsize=(10, 6))
# 使用 regplot 绘制线性回归拟合图
sns.regplot(x="sepal_length",  # 自变量（花萼长度）y="sepal_width",   # 因变量（花萼宽度）data=iris,color="darkorange", # 设置散点和回归线的颜色scatter_kws={'alpha': 0.7}, # 设置散点透明度line_kws={'color': 'black', 'linewidth': 2} # 设置回归线的颜色和粗细
)
# 设置标题和轴标签
plt.title("花萼长度与花萼宽度的线性回归拟合图",fontproperties=chinese_font,fontsize=16
)
plt.xlabel("花萼长度 (cm)", fontproperties=chinese_font, fontsize=12)
plt.ylabel("花萼宽度 (cm)", fontproperties=chinese_font, fontsize=12)
# 显示网格线，增强可读性
#plt.grid(True, linestyle='--', alpha=0.6)
plt.show()

lmplot

lmplot 同样是用于绘制回归图，但 lmplot 支持引入第三维度进行对比，例如我们设

置 hue="species"。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
warnings.filterwarnings('ignore')
# 中文显示设置（指定字体文件路径）
# 假设字体路径已设置
font_path = "C:/Windows/Fonts/simhei.ttf"
chinese_font = fm.FontProperties(fname=font_path)
# 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False
})
# 加载数据
iris = sns.load_dataset("iris")
# 使用 lmplot 绘制分组线性回归拟合图
g = sns.lmplot(x="sepal_length",  # 自变量y="sepal_width",   # 因变量data=iris,hue="species",     # 按物种分组，计算独立的回归线height=7,          # 图表高度aspect=1.2,        # 宽高比palette="deep"
)
# 【关键步骤】调整子图布局，增加顶部边距
# 默认的 top 值接近 0.9，我们将其增加到 0.94 或更高，以确保标题有足够空间
g.fig.subplots_adjust(top=0.94)
# 调整图表标题
g.fig.suptitle("花萼长度与花萼宽度的分组线性回归拟合图",fontproperties=chinese_font,y=1.0,  # y=1.0 意味着将标题放在 figure 的顶部边缘fontsize=16
)
# 设置轴标签
g.set_axis_labels("花萼长度 (cm)", "花萼宽度 (cm)", fontproperties=chinese_font, fontsize=12)
plt.show()

 矩阵图

矩阵图中最常用的就只有 2 个，分别是：heatmap 和 clustermap。

API层级	函数	介绍
Axes-level	heatmap	绘制热力图
Axes-level	clustermap	层次聚类结构图

热力图 heatmap

意如其名，heatmap 主要用于绘制热力图。热力图在某些场景下非常实用，例如绘制出变量相关

性系数热力图。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
import pandas as pd # 需要用到 pandas 来计算相关系数
warnings.filterwarnings('ignore')
# 中文显示设置（指定字体文件路径）
# 假设字体路径已设置
font_path = "C:/Windows/Fonts/simhei.ttf"
chinese_font = fm.FontProperties(fname=font_path)
# 全局字体配置
plt.rcParams.update({"font.family": chinese_font.get_name(),"axes.unicode_minus": False
})
# 加载数据
iris = sns.load_dataset("iris")
# 1. 计算相关性矩阵
# drop("species", axis=1) 排除非数值的 "species" 列
correlation_matrix = iris.drop("species", axis=1).corr()
# 2. 创建 Figure 和 Axes
plt.figure(figsize=(8, 7))
# 3. 绘制热力图
sns.heatmap(correlation_matrix,annot=True,         # 在单元格内显示相关性数值cmap="coolwarm",    # 使用 coolwarm 颜色映射，方便区分正负相关fmt=".2f",          # 将数值格式化为两位小数linewidths=.5,      # 单元格之间的线条宽度linecolor='black',  # 单元格边框颜色cbar=True           # 显示颜色条
)
# 设置标题
plt.title("鸢尾花数据集特征相关性系数热力图",fontproperties=chinese_font,fontsize=16,pad=20
)
plt.show()

层次聚类结构图clustermap

除此之外，clustermap 支持绘制层次聚类结构图。如下所示，我们先去掉原数据集中最后一个目

标列，传入特征数据即可。

# 导入相关库
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import warnings
import pandas as pd
warnings.filterwarnings('ignore')
# 字体设置保持不变
font_path = "C:/Windows/Fonts/simhei.ttf"
chinese_font = fm.FontProperties(fname=font_path)
plt.rcParams.update({"font.family": chinese_font.get_name(), "axes.unicode_minus": False})
# 加载数据并移除非数值列
iris = sns.load_dataset("iris")
iris_features = iris.drop("species", axis=1)
# 绘制层次聚类结构图
g = sns.clustermap(iris_features,cmap="rocket",         # 假设我们使用 'rocket' 配色z_score=0,             # 沿列标准化figsize=(8, 10),       # 增加 figsize 的高度（例如到 10）也有帮助linewidths=0.5,linecolor='white'
)
# 【核心修改 1】设置标题并使用稍高的 y 值 (1.02)
plt.suptitle("鸢尾花特征数据的层次聚类结构图 (rocket 配色，超长标题测试)",fontproperties=chinese_font,y=1.02, # 将标题设置在 Figure 顶部边缘之上fontsize=16
)
# 【核心修改 2】增加顶部边距，确保标题不被截断
# 增加 top 参数的值（例如 0.9 或 0.95），将图表主体向下推
plt.subplots_adjust(top=0.9)
plt.show()

参考：系列教程