seaborn 是用于数据分布可视化的强大工具，常用函数包括 histplot、kdeplot、boxplot 等。1. 安装 seaborn 后需导入相关库；2. 使用 histplot 替代旧版 distplot 可绘制直方图并叠加密度曲线；3. kdeplot 专用于绘制平滑密度曲线，支持二维 kde 图；4. boxplot 和 violinplot 分别用于识别异常值及展示复杂分布形态；5. pairplot 可快速查看多变量分布及相关性，提升数据分析效率。掌握这些函数及其参数设置，有助于制作清晰美观的统计图表。
数据分析中最常见的需求之一就是了解数据的分布情况，而用图表来展示这种分布是最直观的方式。Seaborn 是 Python 中一个非常实用的统计可视化库，它基于 Matplotlib，封装了大量常用统计图表的绘制方法，尤其在展示数据分布方面非常强大。
1. 安装与基础设置
如果你还没安装 Seaborn，可以通过 pip 快速安装：
pip install seaborn
安装完成后，一般还会导入相关的库，比如 matplotlib.pyplot 和 pandas，因为 Seaborn 很多时候是配合这些库一起使用的。
立即学习“Python免费学习笔记（深入）”；
import seaborn as sns import matplotlib.pyplot as plt import pandas as pd
建议使用 Jupyter Notebook 或者类似的交互式环境，这样可以在运行代码后直接看到图像输出。
2. 使用 distplot 查看单变量分布（旧版）
Seaborn 早期版本中常用的函数是 distplot()，它可以快速画出一个变量的直方图，并叠加核密度估计曲线。
sns.distplot(data) plt.show()
注意：从 Seaborn 0.11 开始，distplot() 已被弃用，取而代之的是更明确的两个函数：histplot() 和 kdeplot()。
3. histplot：替代 distplot 的现代方式
如果你想画直方图并加上密度曲线，可以使用 histplot() 并设置参数 kde=True。
sns.histplot(data, kde=True) plt.show()
这个函数支持更多自定义选项，例如调整 bins 数量、颜色、透明度等：
eSiteGroup站群管理系统是基于eFramework低代码开发平台构建，是一款高度灵活、可扩展的智能化站群管理解决方案，全面支持SQL Server、SQLite、MySQL、Oracle等主流数据库，适配企业级高并发、轻量级本地化、云端分布式等多种部署场景。通过可视化建模与模块化设计，系统可实现多站点的快速搭建、跨平台协同管理及数据智能分析，满足政府、企业、教育机构等组织对多站点统一管控的
-
bins=30：设置柱子数量 -
color='blue'：设置颜色 -
alpha=0.5：设置透明度
如果你只想显示密度曲线而不显示直方图，可以把 stat='density' 和 bins=0 结合使用。
4. kdeplot：只画密度曲线
如果你不关心直方图，只想看平滑的密度曲线，可以用 kdeplot()：
sns.kdeplot(data) plt.show()
它也支持双变量密度图（即二维 KDE 图），只需要传入两个变量：
sns.kdeplot(x=x_data, y=y_data) plt.show()
这在分析两个变量之间的联合分布时非常有用。
5. boxplot 和 violinplot：查看分布形态和异常值
除了直方图和密度图之外，箱型图（boxplot）和小提琴图（violinplot）也能帮助我们了解数据分布的特点，尤其是识别异常值。
sns.boxplot(x=data) plt.show() sns.violinplot(x=data) plt.show()
- Boxplot 更适合发现异常点；
- Violinplot 则能同时展示密度信息，更适合对称或复杂分布的数据。
6. pairplot：快速查看多个变量分布与相关性
当你面对多个变量时，想快速看看它们各自的分布以及两两之间的关系，可以用 pairplot()：
df = pd.DataFrame(...) # 假设这是一个包含多个列的 DataFrame sns.pairplot(df) plt.show()
这个函数会自动为每个变量画出直方图，并在交叉处画出散点图或回归线图（如果指定 kind='reg'）。
基本上就这些。掌握这几个函数，你就能用 Seaborn 轻松地分析数据分布了。其实也不复杂，但容易忽略的是参数的灵活搭配，比如颜色、透明度、坐标轴设置等，这些细节能让图表更清晰、美观。
