1.3 统计关系绘图
数据分析中大量问题关注两个或多个变量之间的关系：账单金额与小费是否正相关，星期几与小费多少有没有关系，用餐人数如何影响账单。Seaborn 的关系绘图系列把这种多变量观察集成在一张图里，用颜色、大小、形状同时编码多个变量。本节讲解 sns.relplot() 顶层接口、散点图、线图与底层函数的对应关系。relplot() 以 FacetGrid 为基础，能按行、列分面，是关系绘图的统一入口。
1.3.1 relplot() 顶层接口
sns.relplot() 是关系绘图的顶层接口，用一个函数统一散点图与线图，并支持按行、列分面（facet）。kind 参数选择图形类型：
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# kind='scatter' 绘制散点图
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter')
plt.show()
# kind='line' 绘制线图
sns.relplot(data=tips, x='total_bill', y='tip', kind='line')
plt.show()relplot() 基于 FacetGrid 实现，因此支持分面参数 col 与 row：
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# 按是否吸烟分列，一行两图
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter', col='smoker')
plt.show()
# 按吸烟与性别同时分面，行、列各一个维度
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter',
col='smoker', row='sex')
plt.show()col 按某列取值把数据拆成多列并排的子图，row 拆成多行。分面让不同分组的对比一目了然，col_wrap 还可以限制每行子图数量。
1.3.2 kind='scatter' 散点图
散点图把每个数据点画在二维平面上，直观展示两个数值变量的相关关系。relplot() 的 kind='scatter' 支持把多个变量同时映射到图形属性上：
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# x、y 映射数值列，hue 按分类着色，size 按数值改变大小，style 按分类改变形状
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter',
hue='smoker', size='size', style='time')
plt.show()主要参数及其含义：
| 参数 | 含义 |
|---|---|
x、y | 映射到横轴与纵轴的列名 |
hue | 按某列取值改变颜色，分类变量着色，数值变量渐变 |
size | 按某列取值改变点的大小 |
style | 按分类变量改变点的形状 |
data | DataFrame 数据源 |
palette | 指定调色板 |
alpha | 点的透明度，数据重叠多时用 |
一张图里最多可以同时编码四个变量：x、y 决定位置，hue 决定颜色，size 决定大小，style 决定形状。hue 传数值列时自动用连续色带表达大小。点数量多、重叠严重时调低 alpha。
1.3.3 kind='line' 线图
线图适合观察变量随另一变量变化的趋势。relplot() 的 kind='line' 默认对每个 x 位置的多个 y 值做聚合，并绘制置信区间：
import seaborn as sns
import matplotlib.pyplot as plt
fmri = sns.load_dataset('fmri')
# 默认聚合 y 的均值并画置信区间
sns.relplot(data=fmri, x='timepoint', y='signal', kind='line')
plt.show()fmri 数据集中同一时间点有多个被试的测量值，relplot 默认对每个 x 计算均值，用阴影带表示置信区间。线图的关键参数：
| 参数 | 含义 |
|---|---|
marker | 在数据点位置画标记符号 |
dashes | 是否按 style 使用不同虚线样式 |
estimator | 聚合函数，传 None 时对每个 x 画一条线 |
err_style | 置信区间样式，'band' 阴影带或 'bars' 误差棒 |
ci | 置信区间宽度，传整数为置信百分比，传 'sd' 为标准差，传 None 不画 |
sort | 是否按 x 排序后再连线 |
import seaborn as sns
import matplotlib.pyplot as plt
fmri = sns.load_dataset('fmri')
# 按区域分色，按时间分虚线，画数据点标记
sns.relplot(data=fmri, x='timepoint', y='signal', kind='line',
hue='region', style='event', marker='o', dashes=True)
plt.show()
# estimator=None 时每个 x 单独成线，ci=None 关闭置信区间
sns.relplot(data=fmri, x='timepoint', y='signal', kind='line',
estimator=None, ci=None)
plt.show()sort=False 时按数据出现的原始顺序连线，适合数据本身有序的场景。ci='sd' 用标准差代替置信区间，err_style='bars' 把阴影带换成误差棒。
1.3.4 直接绘制 scatterplot() 与 lineplot()
relplot() 是顶层接口，sns.scatterplot() 与 sns.lineplot() 是它内部的底层函数，直接在当前坐标轴上绘图，不创建新图形、不支持分面。参数与 relplot() 完全一致：
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
fmri = sns.load_dataset('fmri')
# 直接在当前坐标轴上画散点图
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='smoker')
plt.show()
# 直接画线图
sns.lineplot(data=fmri, x='timepoint', y='signal', hue='region')
plt.show()两者的关系可以这样理解：relplot() 是高层入口，负责创建分面与处理分面参数，把参数转发给 scatterplot() 或 lineplot()；scatterplot() 与 lineplot() 是单图函数，适合在已有坐标轴上叠加绘图，或者配合 plt.subplots() 自定义布局。
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# 在已有坐标轴上叠加两组散点
ax = plt.subplot()
sns.scatterplot(data=tips[tips['smoker'] == 'Yes'],
x='total_bill', y='tip', color='red', label='吸烟')
sns.scatterplot(data=tips[tips['smoker'] == 'No'],
x='total_bill', y='tip', color='blue', label='不吸烟')
plt.legend()
plt.show()需要分面时用 relplot()，需要在单个坐标轴上精细控制或叠加图层时用底层函数。选择哪一个取决于是否依赖分面能力。
1.3.5 hue、size、style 的组合使用
三个映射参数可以自由组合，数量越多编码的信息越丰富，但可读性也随之下降。组合时遵循两个原则：分类变量用 hue 或 style（颜色、形状），数值变量用 hue（连续色带）或 size（大小）；信息量优先，但组合过多时要权衡可读性。
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# hue 按是否吸烟，size 按用餐人数，style 按用餐时段
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter',
hue='smoker', size='size', style='time', alpha=0.6)
plt.show()三个维度同时使用可以在一张图里表达五个变量：x、y 两个位置变量，hue 一个分类或数值变量，size 一个数值变量，style 一个分类变量。图例会自动生成，帮助读者对应颜色、大小、形状的含义。
练习题
第1题 概念理解
说明 relplot() 与 scatterplot()、lineplot() 的关系；说明 hue、size、style 三个参数各自适合编码哪种类型的变量；说明线图中置信区间的来源。
参考答案
relplot() 是顶层接口，基于 FacetGrid 支持分面，内部调用 scatterplot() 或 lineplot() 绘图；底层函数在单个坐标轴上绘图，不支持分面。hue 适合编码分类变量（离散着色）与数值变量（连续色带），size 适合编码数值变量，style 适合编码分类变量。线图对每个 x 位置的多个 y 值做聚合（默认均值），置信区间来自聚合值的统计估计。
第2题 代码编写
用 tips 数据集绘制 total_bill 与 tip 的散点图，用 hue 区分是否吸烟、size 区分用餐人数；再用 relplot() 按 day 分列绘制线图观察趋势。
参考答案
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
sns.relplot(data=tips, x='total_bill', y='tip', kind='scatter',
hue='smoker', size='size', alpha=0.6)
plt.show()
sns.relplot(data=tips, x='size', y='total_bill', kind='line', col='day')
plt.show()第3题 进阶练习
用 fmri 数据集绘制 signal 随 timepoint 变化的线图，hue 区分区域、style 区分事件；调整 ci='sd' 与 err_style='bars' 对比置信区间样式；再用 relplot(row=..., col=...) 同时按两个变量分面。
参考答案
import seaborn as sns
import matplotlib.pyplot as plt
fmri = sns.load_dataset('fmri')
sns.relplot(data=fmri, x='timepoint', y='signal', kind='line',
hue='region', style='event', marker='o')
plt.show()
sns.relplot(data=fmri, x='timepoint', y='signal', kind='line',
hue='region', ci='sd', err_style='bars')
plt.show()
sns.relplot(data=fmri, x='timepoint', y='signal', kind='line',
row='region', col='event')
plt.show()常见错误
错误 1 · relplot() 里传了 subplots 参数报 TypeError
原因:relplot() 不支持 subplots 或 ax 参数,分面布局由 col、row 控制。
解决:需要指定单个坐标轴时改用 scatterplot() 或 lineplot(),需要分面时用 col、row。
错误 2 · 线图出现大量杂乱的线而不是一条趋势线
原因:没有对每个 x 聚合,estimator=None 时每个数据点单独成线。
解决:保留默认的 estimator 聚合,或先对数据做分组均值再传入。
错误 3 · 置信区间报 FutureWarning 关于 ci 参数
原因:新版 Seaborn 中 ci 参数逐步废弃,推荐使用 errorbar。
解决:使用新版语法 errorbar='sd' 或 errorbar=('ci', 95),旧代码用 ci 仍可运行但会告警。
错误 4 · 数据点大量重叠看不清分布
原因:数据量小时点不重叠没问题,样本量增大后点叠成一片。
解决:调低 alpha 透明度,或改用六边形分箱、密度类图形。
错误 5 · 分面子图太多导致图太大
原因:col 或 row 的分类取值很多,子图数量暴增。
解决:用 col_wrap 限制每行数量,或先用 hue 合并分类再决定分面。