通过一个动手操作的 Jupyter Notebook，概览 Seaborn 的主要绘图家族。你将使用 Iris 数据集和生成的矩阵数据，对比 Seaborn 与 Matplotlib，应用内置样式，并创建关系图、分类图、分布图、回归图和矩阵图。
这是一份覆盖面较广的 API 导览，而不是节奏缓慢的多实验课程。Notebook 展示 Seaborn 高层函数如何快速把数据列映射到位置、颜色和标记样式等视觉属性，同时说明 Figure-level 与 Axes-level 接口如何配合 Matplotlib 使用。
你将学到什么
- 将 Seaborn 的主题、上下文、样式和调色板应用到 Matplotlib 图表
- 加载 Iris 数据集，并通过
hue和style映射分类信息 - 使用
relplot、scatterplot和lineplot创建关系图 - 用 strip、swarm、box、violin、boxen、point、bar 和 count 图比较分类分布
- 使用 KDE、联合图和成对图查看单变量与双变量分布
- 通过
regplot和lmplot添加拟合关系 - 使用热力图和聚类热力图可视化矩阵
- 区分 Figure-level 便捷函数和与 Matplotlib 紧密结合的 Axes-level 函数
本课程适合谁
本课程适合希望紧凑了解 Seaborn 绘图词汇、并将其用于探索性数据分析的 Python 用户。它更适合能够阅读 Notebook 代码并理解基础表格数据的学习者。由于大量 API 集中在一个 Notebook 中，本课程适合作为引导式探索，而不是 Python 或统计学的第一门入门课。
前置要求： 建议掌握 Python 和 Jupyter Notebook 基础，理解变量、函数调用和表格型数据。接触过 Matplotlib 会有帮助，但不是必需条件。
学习环境： 课程提供 Ubuntu 22.04 Jupyter 环境和预置 Notebook。你将运行并修改单元格，安装或导入库、加载数据并内嵌显示图表。
常见问题
这是包含多个实验的完整课程吗？
不是。它由一个初级实验和一个内容较多的 Notebook 构成，横向展示多个 Seaborn 图表家族，但不包含独立挑战或最终项目。
我会使用什么数据？
大多数示例使用 Seaborn 的 Iris 数据集，对比花朵测量值和品种；热力图示例还会使用 NumPy 生成的矩阵。
课程会教授统计理论吗？
不会。课程演示分布、回归拟合和聚类热力图等视觉工具，但不会讲解深入解释结果所需的统计或聚类理论。
所有示例都采用最新的 Seaborn API 吗？
不完全是。Notebook 在 kdeplot、jointplot 和 pairplot 之外还包含较旧的 distplot API。应把它视为概念导览，并在将该示例用于新代码时查阅当前 Seaborn 文档。
