1.8 多图网格系统

探索多维数据时，单个图表只能容纳有限的信息维度，而手动用循环逐个绘制子图又十分繁琐。Seaborn 提供三个网格类，把数据按照分类变量切分到多个子图中，用统一的坐标轴与颜色自动组织整幅图形。FacetGrid、PairGrid、JointGrid 分别解决分类分面、变量两两组合、联合分布三类需求。本节讲解这三个类的构造函数、常用方法，以及它们与 relplot、catplot、pairplot、jointplot 高层接口的关系。

1.8.1 FacetGrid 类

FacetGrid 按一个或多个分类变量把数据切分成网格，每个单元格绘制同一类图。构造函数接收 data、row、col、hue 四个数据参数，以及 palette、height、aspect 三个样式参数：

参数	含义
data	数据源 DataFrame
row	按此分类变量分行
col	按此分类变量分列
hue	按此分类变量着色
palette	hue 使用的调色板
height	每个子图的高度（英寸）
aspect	每个子图的宽高比

构造 FacetGrid 只建立网格框架，不会绘制任何图形。网格内容通过 map() 等方法填充：

import seaborn as sns
import matplotlib.pyplot as plt

tips = sns.load_dataset('tips')

# 建立按性别分列的网格
g = sns.FacetGrid(tips, col='sex', height=4, aspect=1)

map() 绘制函数映射

map() 是核心方法，把指定绘图函数应用到每个子图。传入绘图函数名与对应的数据列名即可：

# 每个子图绘制同一列的直方图
g = sns.FacetGrid(tips, col='sex')
g.map(plt.hist, 'total_bill')
plt.show()

map 的第一个参数可以是 plt.hist 等 Matplotlib 函数，也可以传入 sns.histplot 等 Seaborn 函数。数据列名作为后续位置参数传入：

# 用 seaborn 函数绘制，带核密度估计
g = sns.FacetGrid(tips, col='sex')
g.map(sns.histplot, 'total_bill', kde=True)
plt.show()

map_dataframe() 兼容 DataFrame 的映射

部分绘图函数要求数据以 DataFrame 形式传入，此时使用 map_dataframe()。它会把 data 作为第一个参数传给绘图函数，后续参数是列名：

# 自定义函数接收 DataFrame 作为第一参数
def plot_avg(data, color, label):
    sns.pointplot(x='day', y='total_bill', data=data, color=color)

g = sns.FacetGrid(tips, col='time')
g.map_dataframe(plot_avg, 'day', 'total_bill')
plt.show()

map_dataframe 适合传入 sns.pointplot、sns.barplot 等依赖 data 参数的函数，这类函数内部需要访问整个 DataFrame。

图例与标签方法

add_legend() 为 hue 生成的分类图例；set_axis_labels() 统一设置坐标轴标签；set_titles() 设置每个子图的标题模板：

g = sns.FacetGrid(tips, col='sex', hue='smoker')
g.map(sns.scatterplot, 'total_bill', 'tip')
g.add_legend()
g.set_axis_labels('消费金额', '小费金额')
g.set_titles(col_template='{col_name} 性别')
plt.show()

set_titles 的模板中 {col_name}、{row_name}、{col_var}、{row_var} 是占位符，分别替换为分类取值与分类变量名。

reorder() 与 despine()

reorder() 调整子图的显示顺序，despine() 移除多余的坐标轴脊柱：

g = sns.FacetGrid(tips, col='day')
g.map(sns.histplot, 'total_bill')
# 按指定顺序重排子图
g.reorder(['Fri', 'Sat', 'Sun', 'Thur'])
# 移除上、右脊柱
g.despine()
plt.show()

reorder 接受分类取值的列表，按列表顺序排列子图。despine 默认移除上、右脊柱，让图形更简洁。

1.8.2 PairGrid 类

PairGrid 为多个变量的两两组合建立子图网格：对角线位置通常是单变量分布，非对角线位置是两个变量的联合图。构造函数参数：

参数	含义
data	数据源 DataFrame，默认对所有数值列建网格
hue	按此变量给点着色
diag_sharey	对角子图是否共享纵轴
corner	是否只显示左下三角区域

构造后通过 map_diag、map_offdiag、map_upper、map_lower 分别填充不同区域：

iris = sns.load_dataset('iris')

g = sns.PairGrid(iris.drop(columns='species'))
g.map_diag(sns.histplot)          # 对角线画直方图
g.map_offdiag(sns.scatterplot)    # 非对角线画散点图
plt.show()

map_diag 作用于对角线单元格，适合直方图、核密度图；map_offdiag 作用于全部非对角线单元格，适合散点图。

map_upper 与 map_lower 分区映射

map_upper 与 map_lower 分别作用于上三角与下三角，可在同一个 PairGrid 中同时使用两种图，例如上三角用散点、下三角用密度图：

g = sns.PairGrid(iris.drop(columns='species'), corner=True)
g.map_diag(sns.histplot, kde=True)
g.map_upper(sns.scatterplot)
g.map_lower(sns.kdeplot)
plt.show()

corner=True 只保留左下三角区域，避免重复绘制对称部分，适合变量较多时节省空间。

hue 与 add_legend

hue 让网格中的点按类别着色，再用 add_legend() 添加图例：

g = sns.PairGrid(iris, hue='species', diag_sharey=False)
g.map_diag(sns.histplot, kde=True)
g.map_offdiag(sns.scatterplot)
g.add_legend()
plt.show()

diag_sharey=False 让每个对角子图独立缩放纵轴，避免不同变量分布被压扁。

1.8.3 JointGrid 类

JointGrid 同时显示两个变量的联合分布与各自的边缘分布：主区域绘制散点或密度图，顶部与右侧绘制对应变量的单变量分布。构造函数参数：

参数	含义
x	横轴变量
y	纵轴变量
data	数据源 DataFrame
height	图形总高度（英寸）
ratio	主区域与边缘区域的高度比
space	主区域与边缘区域的间距

g = sns.JointGrid(x='total_bill', y='tip', data=tips,
                  height=5, ratio=5, space=0.2)

plot_joint() 与 plot_marginals()

plot_joint() 填充主区域，plot_marginals() 填充边缘分布：

g = sns.JointGrid(x='total_bill', y='tip', data=tips)
g.plot_joint(sns.scatterplot)          # 主区域散点
g.plot_marginals(sns.histplot)         # 边缘分布直方图
plt.show()

ratio 控制主区域与边缘区域的高度比，space 控制两者间距。height 指定图形总高度，宽度由内部按比例计算。

set_axis_labels()

set_axis_labels() 一次设置主区域两个坐标轴的标签：

g = sns.JointGrid(x='total_bill', y='tip', data=tips)
g.plot_joint(sns.scatterplot)
g.plot_marginals(sns.histplot)
g.set_axis_labels('消费金额', '小费金额')
plt.show()

1.8.4 网格类与高层接口的关系

Seaborn 的高层绘图接口是网格类的封装。relplot、catplot 内部创建 FacetGrid，pairplot 内部创建 PairGrid，jointplot 内部创建 JointGrid，再调用对应的 map 方法完成绘制：

高层接口	封装网格类	默认绘制函数	典型场景
sns.relplot	FacetGrid	scatterplot / lineplot	带分面的关系图
sns.catplot	FacetGrid	分类图族	带分面的分类图
sns.pairplot	PairGrid	直方图与散点图	多变量两两关系
sns.jointplot	JointGrid	散点与直方图	双变量联合分布

高层接口用 kind 参数切换内部绘制的图形类型，例如 sns.relplot(kind='line')、sns.catplot(kind='box')：

# relplot 等价于 FacetGrid + scatterplot
sns.relplot(x='total_bill', y='tip', data=tips, col='sex')
plt.show()

# catplot 等价于 FacetGrid + boxplot
sns.catplot(x='day', y='total_bill', data=tips, kind='box', col='time')
plt.show()

网格类与高层接口的选择原则：高层接口代码更短，适合标准用法；网格类适合自定义绘图函数、精细控制每个区域，或组合多种图形类型。高层接口返回的对象仍是对应的网格类实例，因此 add_legend()、set_titles()、despine() 等方法在两种方式下都可用。

练习题

第1题 概念理解

说明 FacetGrid、PairGrid、JointGrid 各自的适用场景；说明 map 与 map_dataframe 的区别；说明 relplot、catplot、pairplot、jointplot 分别封装了哪个网格类。

参考答案

FacetGrid 按分类变量分面子图，PairGrid 展示多变量两两组合，JointGrid 展示双变量联合与边缘分布。map 直接传入列名到绘图函数，map_dataframe 把整个 DataFrame 作为第一参数传给绘图函数。relplot、catplot 封装 FacetGrid，pairplot 封装 PairGrid，jointplot 封装 JointGrid。

第2题 代码编写

加载 tips 数据集，用 FacetGrid 按 day 分列、按 smoker 着色，map 绘制 total_bill 与 tip 的散点图，调用 add_legend() 与 set_axis_labels() 完善图形。

参考答案

import seaborn as sns
import matplotlib.pyplot as plt

tips = sns.load_dataset('tips')

g = sns.FacetGrid(tips, col='day', hue='smoker')
g.map(sns.scatterplot, 'total_bill', 'tip')
g.add_legend()
g.set_axis_labels('消费金额', '小费金额')
plt.show()

第3题 进阶练习

用 PairGrid 对 iris 数据集的数值列绘制对角线直方图、上三角散点图、下三角核密度图，设置 hue='species' 并添加图例；再用 JointGrid 绘制 sepal_length 与 sepal_width 的联合分布，主区域用散点、边缘用直方图。

参考答案

import seaborn as sns
import matplotlib.pyplot as plt

iris = sns.load_dataset('iris')

# PairGrid：分区映射
g = sns.PairGrid(iris, hue='species')
g.map_diag(sns.histplot, kde=True)
g.map_upper(sns.scatterplot)
g.map_lower(sns.kdeplot)
g.add_legend()
plt.show()

# JointGrid：联合与边缘分布
g2 = sns.JointGrid(x='sepal_length', y='sepal_width', data=iris)
g2.plot_joint(sns.scatterplot)
g2.plot_marginals(sns.histplot)
g2.set_axis_labels('花萼长度', '花萼宽度')
plt.show()

常见错误

错误 1 · 构造 FacetGrid 后没有调用 map，图形空白

原因:网格类只建立框架，绘图内容必须通过 map、map_dataframe 等方法填充。

解决:构造后调用 map(sns.scatterplot, 'x', 'y') 等映射方法，再 plt.show()。

错误 2 · map_dataframe 传列名给自定义函数报参数错误

原因:自定义函数的第一参数需接收 DataFrame，其余参数才是列名。

解决:函数签名写成 def plot(data, color, label): 或 def plot(x, y, data, **kwargs):，与 map_dataframe 的传参约定一致。

错误 3 · 忘记调用 add_legend()，hue 分类无图例

原因:网格类的图例需要显式添加。

解决:调用 g.add_legend() 生成图例；图例位置可用 g.add_legend(title='类别', loc='upper right') 调整。

错误 4 · PairGrid 变量过多导致图形巨大且重叠

原因:每个变量对生成一个子图，变量数为 n 时网格大小为 n×n。

解决:先用 corner=True 只显示下三角，或用 vars=[...] 参数只选择少量变量。