Seaborn库的安装与导入

Seaborn是基于Matplotlib的高级数据可视化库，在使用前需要确保正确安装。通过以下命令可以安装最新版本的Seaborn：

# 使用pip包管理工具进行安装
pip install seaborn

安装完成后，在Python脚本中需要先导入相关库。建议同时导入Matplotlib以配合可视化输出：

import seaborn as sns  # 导入Seaborn库并简写为sns
import matplotlib.pyplot as plt  # 导入Matplotlib的pyplot模块

代码解析
第一行导入Seaborn库并赋予sns的通用别名，这是数据科学领域的常用惯例。第二行导入Matplotlib的绘图模块，因为Seaborn本质上是基于Matplotlib的封装，需要通过plt.show()方法显示图形。

数据准备与加载

Seaborn要求数据以结构化格式进行存储。以下示例演示如何创建适用于Seaborn的DataFrame数据：

import pandas as pd

# 创建示例数据集
data = pd.DataFrame({
    '月份': ['1月', '2月', '3月', '4月', '5月'],
    '销售额': [24500, 31200, 27800, 41000, 39300],
    '产品类型': ['A', 'B', 'A', 'B', 'A']
})

代码解析
通过Pandas创建包含月份、销售额和产品类型的DataFrame数据结构。pd.DataFrame()方法接收字典类型参数，其中键对应列名，值对应数据列。这种结构化的数据格式是Seaborn进行可视化处理的基础。

图表基本结构

Seaborn的绘图函数遵循统一的语法结构。以下代码展示绘制散点图的典型流程：

# 创建基础图表对象
scatter = sns.scatterplot(
    data=data,           # 指定数据源
    x="月份",            # 设置x轴数据列
    y="销售额",          # 设置y轴数据列
    hue="产品类型"       # 按产品类型分组着色
)

# 显示图形
plt.show()

代码解析
scatterplot()是Seaborn的散点图绘制函数，data参数指定数据来源，x和y分别指定坐标轴对应的数据列，hue参数实现分组着色功能。最后调用plt.show()将图形渲染到输出界面。

常用图表类型

Seaborn提供多种预设图表类型，以下是四个常用绘图函数的简要说明：

# 折线图绘制函数
sns.lineplot(data=data, x="月份", y="销售额")

# 柱状图绘制函数
sns.barplot(data=data, x="月份", y="销售额", hue="产品类型")

# 箱线图绘制函数
sns.boxplot(data=data, x="产品类型", y="销售额")

# 分布直方图绘制函数
sns.histplot(data=data, x="销售额", bins=5)

代码解析
各函数通过data参数接收数据源，x和y定义坐标轴数据映射，hue参数用于数据分组。lineplot()适合时间序列数据，barplot()用于分类比较，boxplot()展示数据分布，histplot()显示数值分布特征。

样式设置方法

Seaborn提供便捷的样式预设功能，以下代码演示主题样式和调色板的设置：

# 设置全局样式参数
sns.set_theme(
    style="whitegrid",  # 使用白色网格背景样式
    palette="pastel",   # 设置柔和色系
    font_scale=1.2      # 字体放大1.2倍
)

# 临时设置调色板
sns.set_palette("husl")  # 使用husl颜色空间调色板

代码解析
set_theme()方法设置全局绘图样式，style参数控制背景网格，palette定义默认配色方案，font_scale调整字体大小。set_palette()可临时修改当前调色板，支持预置的"husl"、"deep"等配色方案。

本章小结

本节系统讲解了Seaborn的核心使用方法，包括库的安装导入、数据结构要求、基础绘图函数和样式设置方法。重点掌握sns.lineplot、sns.barplot等基础绘图函数的参数配置，以及通过set_theme进行全局样式设置的技巧。后续章节将通过实际案例详细演示不同场景下的可视化应用。