matplotlib与seaborn应分工协作：seaborn快速生成统计图表并处理语义映射，matplotlib精准定制布局、坐标轴及注释；seaborn返回Axes对象，可直接调用ax.*方法深度调整，如设标题、旋转刻度、添加文本等。
把 matplotlib 和 seaborn 结合起来用，不是简单地“先画个图再调个样式”，而是发挥各自所长：seaborn 快速生成统计图表、自动处理分组与语义映射，matplotlib 精准控制布局、坐标轴、注释和复杂子图。关键在分工明确、接口打通。
用 seaborn 绘图后，用 matplotlib 深度定制
seaborn 返回的是 matplotlib 的 Axes 对象，这意味着所有 plt.* 或 ax.* 方法都能直接用。比如画完一个箱线图，想手动加显著性标记、修改刻度标签方向、调整图例位置，完全可行。
- 调用 sns.boxplot() 后保留返回的 ax = ...，再用 ax.set_title("自定义标题")、ax.tick_params(axis='x', rotation=45)
- 用 ax.text(x, y, "p
- 通过 ax.spines['right'].set_visible(False) 隐藏冗余边框，让图表更简洁
混合使用：seaborn 做主体 + matplotlib 补细节
一个常见场景是：用 sns.heatmap() 画热力图展示相关性，但需要在右上角加一个带单位的 colorbar 标签，或在特定格子里添加星号标记。这些 seaborn 默认不支持，但 matplotlib 可轻松实现。
- 传入 cbar_kws={'label': 'Pearson r'} 让 colorbar 带说明；再用 plt.colorbar(...).set_label("Correlation", rotation=270, labelpad=20) 进一步微调
- 用 ax.add_patch(plt.Rectangle((i, j), 1, 1, fill=False, edgecolor='red', linewidth=2)) 在热力图某单元格加边框
- 对散点图叠加回归线时，先用 sns.scatterplot()，再用 plt.plot(x_fit, y_fit, 'r--', lw=2) 手动绘制拟合曲线
统一风格但保留灵活性：用 matplotlib rcParams + seaborn theme
避免样式打架——不要一边用 sns.set_style("whitegrid")，一边又用 plt.rcParams["font.size"] = 14 却没同步更新 tick.labelsize。推荐统一入口管理。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
- 先调用 sns.set_theme(context="notebook", style="whitegrid", palette="husl")，它会自动设置大部分 rcParams
- 再针对性覆盖：plt.rcParams.update({"axes.titlesize": 16, "xtick.major.size": 6, "figure.dpi": 120})
- 若需多图一致，可封装成函数：def setup_plot_style(): sns.set_theme(...); plt.rcParams.update(...)
子图协作：用 matplotlib 分配画布，用 seaborn 填充每个子区
面对多变量对比（如按性别、年龄段、地区分面），别硬套 FacetGrid；用 plt.subplots() 创建规范网格，再在每个 ax 上调用对应 seaborn 函数，自由度更高、逻辑更清晰。
- fig, axes = plt.subplots(2, 3, figsize=(12, 8), sharey=True)，然后 axes[0,0].set_title("Age 20–30"); sns.histplot(data=df[df.age_group=='20-30'], x="income", ax=axes[0,0])
- 共享 colorbar？用 fig.colorbar(im, ax=axes, shrink=0.6) —— 其中 im 来自某个 sns.heatmap(..., cbar=False, ax=ax) 的返回值
- 跨子图对齐坐标轴范围：[ax.set_xlim(xmin, xmax) for ax in axes.flat]
不复杂但容易忽略：每次调用 seaborn 函数时留意是否传了 ax 参数；没传就新建 Figure，传了才复用已有 Axes——这是协作不出错的核心前提。
