Seaborn可视化核心在于匹配数据类型与关系：分类变量间用countplot/catplot看频次分布，分类+数值用boxplot/violinplot对比分布，数值间用scatterplot/lmplot分析趋势，支持hue/col分组拟合回归线。
用 Seaborn 做分类与回归可视化，关键不是堆函数，而是搞清数据类型和想表达的关系：分类变量之间看分布与差异，数值变量之间看趋势与拟合，而分类+数值组合则常用于分组对比。下面直接上实用场景和对应图表。
分类变量之间的关系：用 countplot 或 catplot 统计频次
比如调查不同性别（sex）和是否吸烟（smoker）的组合出现多少次，适合用柱状频次图。countplot 默认统计 x 轴变量的出现次数；若要同时观察两个分类变量，推荐用 catplot 搭配 kind='count'，自动分面更清晰。
- 代码示例：sns.catplot(data=tips, x='sex', hue='smoker', kind='count') —— 按性别分组，再用颜色区分吸烟状态
- 注意：避免对高基数分类变量（如用户ID）直接 countplot，会挤成一团；可先聚合或筛选 top-N 类别
- 若需百分比堆叠效果，可用 sns.histplot 配合 stat='percent' 和 multiple='fill'
分类变量 vs 数值变量：用 boxplot、violinplot 或 swarmplot 对比分布
这是最常见需求：比如比较不同星期（day）的小费（tip）分布。boxplot 展示中位数、四分位距和异常值；violinplot 补充密度信息；swarmplot 显示每个点位置，适合样本量不大时。
- 推荐组合：sns.catplot(data=tips, x='day', y='tip', kind='violin', inner='box') —— 小提琴轮廓 + 内嵌箱线
- 若点太多重叠，加 dodge=True（配合 hue）或改用 stripplot 并设置 jitter=0.2
- 注意顺序：默认按字母排，想按业务逻辑（如 Thu→Fri→Sat→Sun），传入 order=['Thu','Fri','Sat','Sun']
数值变量之间的关系：用 scatterplot 或 lmplot 揭示趋势与线性关联
比如分析总账单（total_bill）和小费（tip）是否正相关。scatterplot 展示原始散点；lmplot 自动添加回归线（含置信区间），并支持按分类变量分面或着色。
立即学习“Python免费学习笔记（深入）”；
- 基础回归：sns.lmplot(data=tips, x='total_bill', y='tip', col='time') —— 分早/晚两列拟合
- 想关闭置信带？加 ci=None；换高阶拟合？用 order=2（二次曲线）
- 若点密集看不清趋势，可用 sns.regplot 配合 scatter=False 只画回归线
带分类调节的回归：用 hue 或 col 实现分组建模
真正体现 Seaborn 优势的地方——同一张图里，不同子组各自拟合回归线。比如“男性 vs 女性顾客，账单与小费的关系是否不同？”
- 代码：sns.lmplot(data=tips, x='total_bill', y='tip', hue='sex', markers=['o','s'], scatter_kws={'alpha':0.6})
- 注意：hue 分组后，每组样本量不能太少，否则回归线不稳定；可先用 tips.groupby('sex').size() 检查
- 若想固定斜率（即只平移截距），需手动构造哑变量建模，Seaborn 不直接支持；此时建议转 pandas + statsmodels
不复杂但容易忽略：所有图表都依赖数据清洗质量。绘图前务必检查缺失值（tips.isna().sum()）、异常值（如 tip 为负）、数据类型（category vs object）。Seaborn 很聪明，但不会替你判断“星期三”该是 category 还是 str。
