Seaborn可视化核心是厘清变量角色：分类变量用于分组或着色，数值变量承载分布或趋势，回归线仅适用于存在明确因果关系的变量对；countplot和catplot展示分类频次，boxplot/violinplot/stripplot对比类别下数值分布，regplot/lmplot添加合理回归线，relplot统一调度分组、分面与趋势。
用 Seaborn 做分类与回归可视化，关键不是堆代码，而是理清变量角色：分类变量控制分组或色调，数值变量承载分布或趋势，而回归线只在有明确自变量→因变量关系时才合理添加。
分类数据分布：用 countplot 和 catplot 看频次
适合展示类别型变量（如“性别”“地区”“产品类型”）的样本数量分布。countplot 是基础，catplot 更灵活，支持按另一变量分面。
- 单变量频次：sns.countplot(data=df, x="category_col")
- 分面统计：sns.catplot(data=df, x="category_col", hue="status", kind="count", col="year") —— 按年份切图，每张图内再按 status 上色
- 注意：x/y 必须是离散取值列；若数值列被误当分类变量（如评分 1–5），先转为 category 类型或用 pd.cut 离散化
分类 vs 数值：用 boxplot、violinplot 和 stripplot 对比分布
当想比较不同类别下某数值指标（如销售额、响应时间、用户评分）的集中趋势与离散程度时，这三类图最常用。
- boxplot 展示中位数、四分位距和异常值，简洁稳健；violinplot 叠加核密度估计，能看出分布形状（是否双峰、偏态）；stripplot 显示所有原始点，适合小样本或需观察离群点位置
- 组合使用更有效：sns.violinplot(data=df, x="group", y="score"); sns.stripplot(data=df, x="group", y="score", color="k", size=3, alpha=0.6)
- 避免常见错误：y 轴必须是连续数值；若类别过多（>8），优先改用横向图（y="group", x="score"）并调整 figure size
数值变量间关系：用 regplot 或 lmplot 添加回归参考线
仅当两个变量存在可解释的因果/预测关系（如广告投入 → 销售额、学习时长 → 考试分数）时才加回归线。不要对任意两列数值盲目拟合。
立即学习“Python免费学习笔记（深入）”；
- 简单双变量：sns.regplot(data=df, x="ad_spend", y="revenue", scatter_kws={"alpha":0.4})
- 按分类分组拟合：sns.lmplot(data=df, x="hours", y="score", hue="course", ci=95) —— 每组单独拟合，并带 95% 置信区间带
- 注意：回归线默认是线性；若明显非线性（如 S 型、指数衰减），先做变量变换（log、sqrt）或换用 sns.scatterplot + 手动拟合非线性模型
分类+数值+回归一体化：用 relplot 统一调度
当需要同时体现分组（hue）、分面（col/row）和趋势线（kind="line" 或 "scatter" + add reg line），relplot 是最可控的入口函数。
- 例如：按季度（col）和城市（hue）看月均订单量（y）随促销力度（x）的变化，并叠加每组回归线：sns.relplot(data=df, x="promo_level", y="orders", hue="city", col="quarter", kind="scatter", height=4); plt.show()；再对每个子图手动加 regplot
- relplot 返回 FacetGrid 对象，可用 map() 方法向各子图批量添加元素，比如 map(sns.regplot, "x", "y")
- 别忽略 col_wrap 参数：当分面变量取值太多，用 col_wrap=3 让它自动换行排布，比拉长 figure 更易读
不复杂但容易忽略：所有图都依赖数据质量。画之前用 df.groupby("category").agg({"value": ["count", "mean", "std"]}) 快速扫一眼各组样本量与数值范围，能避开 90% 的误导性图形。
