1.9 绘图美学与参数细化
默认绘图能快速呈现数据，但报告或演示中的图形需要精确控制尺寸、图例、颜色、误差条等细节，才能满足排版与表达要求。Seaborn 的大部分美学参数在绘图函数签名中直接暴露，无需回头逐项修改 Matplotlib 对象。本节讲解坐标轴标签自动生成、图形大小控制、图例控制、颜色映射、误差条与透明度等参数细化手段，让图形从可用升级为规范。
1.9.1 坐标轴标签与标题自动生成
Seaborn 绘图时若传入 DataFrame 列名，坐标轴标签会自动取列名，标题也会从网格维度推断，省去手动设置的步骤：
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# 标签自动显示为 total_bill 与 tip
sns.scatterplot(x='total_bill', y='tip', data=tips)
plt.show()自动标签来源于 Pandas 列名，因此给列起有意义的名称，图形即可直接使用。需要定制标签时，用 Matplotlib 的 plt.xlabel、plt.ylabel 覆盖：
sns.scatterplot(x='total_bill', y='tip', data=tips)
plt.xlabel('消费金额（美元）')
plt.ylabel('小费金额（美元）')
plt.show()分面网格的标题由 set_titles() 自动生成，hue 图例标题默认取分类变量名。自动生成与手动覆盖结合，是控制标签的标准做法。
1.9.2 图表大小控制 height 与 aspect
FacetGrid 系列（lmplot、relplot、catplot 等）用 height 与 aspect 两个参数控制图形大小。height 是每个子图的高度（英寸），aspect 是子图的宽高比，两者相乘得到子图宽度：
# 每个子图高 4 英寸、宽高比 1.2，宽度为 4.8 英寸
sns.lmplot(x='total_bill', y='tip', data=tips,
col='sex', height=4, aspect=1.2)
plt.show()height 决定整体缩放，aspect 决定子图是宽扁还是窄长。网格行列数多时增大 height，避免子图过小；子图数量多时适当减小 height，让整幅图形保持协调。
1.9.3 单独图形大小 figsize
对于单轴绘图（scatterplot、histplot、heatmap 等），Seaborn 沿用 Matplotlib 的画布机制，用 plt.subplots() 创建带 figsize 的画布，再把坐标轴传入绘图函数：
fig, ax = plt.subplots(figsize=(8, 5))
sns.scatterplot(x='total_bill', y='tip', data=tips, ax=ax)
plt.show()figsize 传 (宽, 高) 元组。也可以先调用 plt.figure(figsize=(8, 5)) 再绘图。单轴绘图的尺寸设置与分面绘图的 height、aspect 属于两套体系，按绘图函数类型选择即可。
1.9.4 图例控制
分类变量着色后默认生成图例。分面绘图的图例通过 add_legend() 控制位置与样式，legend_out 参数决定图例放在图形外侧还是内侧：
# legend_out=True 时图例放在网格右侧外部
g = sns.lmplot(x='total_bill', y='tip', data=tips,
hue='sex', legend_out=True)
g.add_legend(title='性别', loc='center left', bbox_to_anchor=(1, 0.5))
plt.show()add_legend 的 loc 与 bbox_to_anchor 沿用 Matplotlib 图例语法：loc 指定基准位置，bbox_to_anchor 用元组微调偏移。legend_out=False 把图例放回图形内部，例如 loc='upper left'：
g = sns.lmplot(x='total_bill', y='tip', data=tips,
hue='sex', legend_out=False)
g.add_legend(title='性别', loc='upper left')
plt.show()legend_out 只在 hue 维度使用；同时存在 col、row 时图例默认保持在外部。
1.9.5 颜色映射 palette
palette 参数统一控制分类变量的配色方案。Seaborn 内置多组调色板，常用类别如下：
| 调色板名 | 风格 |
|---|---|
'deep'、'muted'、'bright' | 饱和度递增的常规调色板 |
'pastel'、'dark' | 浅淡与深沉的变体 |
'colorblind' | 面向色觉障碍的配色 |
'Set2'、'tab10' 等 | 来自色彩方案的命名调色板 |
palette 可用字符串名、颜色列表或字典：
# 字符串调色板
sns.catplot(x='day', y='total_bill', data=tips,
kind='box', palette='Set2')
plt.show()
# 字典映射，按类别指定颜色
palette = {'Male': 'steelblue', 'Female': 'coral'}
sns.scatterplot(x='total_bill', y='tip', data=tips,
hue='sex', palette=palette)
plt.show()同一报告中的多张图共用同一个 palette，可保持视觉风格一致。数值型变量的颜色用 cmap 而不是 palette 控制。
1.9.6 误差条显示
带聚合的绘图函数（barplot、pointplot、lineplot）通过 ci 与 err_style 两个参数控制误差条：
| 参数 | 取值 | 效果 |
|---|---|---|
ci | 数值（如 95） | 显示对应置信水平区间 |
ci | 'sd' | 显示标准差 |
ci | None | 不显示误差 |
err_style | 'band' | 用带状区域表示误差 |
err_style | 'bars' | 用柱状线段表示误差 |
lineplot 默认用带状误差，barplot 默认用柱状误差：
# 置信区间 95%，带状误差
sns.lineplot(x='day', y='total_bill', data=tips, ci=95,
err_style='band')
plt.show()
# 标准差误差，柱状样式
sns.barplot(x='day', y='total_bill', data=tips,
ci='sd', err_style='bars')
plt.show()ci=None 或 err_style=None 完全隐藏误差信息。误差条的选择取决于展示目的：标准差强调离散程度，置信区间强调估计精度。
1.9.7 透明度控制 alpha
alpha 参数控制绘图元素的透明度，取值 0 到 1，数值越小越透明。数据点密集重叠时降低透明度，可以看清点的分布密度：
sns.scatterplot(x='total_bill', y='tip', data=tips, alpha=0.5)
plt.show()散点图用 alpha 缓解重叠遮挡，面积大或数量多的元素用更小的 alpha。alpha 在多数绘图函数中直接可用，也可通过 scatter_kws={'alpha': 0.4} 等样式字典传递。
练习题
第1题 概念理解
说明坐标轴标签如何自动生成以及如何覆盖；说明 height 与 aspect 的作用及两者关系；说明 ci 的三种取值含义；说明 legend_out 参数的作用。
参考答案
坐标轴标签自动取 DataFrame 列名，用 plt.xlabel、plt.ylabel 可覆盖。height 是子图高度，aspect 是宽高比，宽度等于两者乘积。ci 取数值显示置信区间、取 'sd' 显示标准差、取 None 隐藏误差。legend_out=True 把图例放在图形右侧外部，legend_out=False 放回内部。
第2题 代码编写
加载 tips 数据集，用 plt.subplots(figsize=(8, 5)) 创建画布，绘制 total_bill 与 tip 的散点图并设置 alpha=0.5；用 palette='Set2' 按 sex 着色，用 plt.xlabel、plt.ylabel 设置中文标签。
参考答案
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
fig, ax = plt.subplots(figsize=(8, 5))
sns.scatterplot(x='total_bill', y='tip', data=tips,
hue='sex', palette='Set2', alpha=0.5, ax=ax)
plt.xlabel('消费金额（美元）')
plt.ylabel('小费金额（美元）')
plt.show()第3题 进阶练习
用 lmplot 按 hue='smoker' 绘制回归图，设置 height=4、aspect=1.5，legend_out=True 并把图例放到右侧外部；用 barplot 对比不同 day 的 total_bill 均值，分别用 ci='sd'、err_style='bars' 与 ci=None 绘制两幅图对比误差条效果。
参考答案
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')
# lmplot 尺寸与外部图例
g = sns.lmplot(x='total_bill', y='tip', data=tips,
hue='smoker', height=4, aspect=1.5,
legend_out=True)
g.add_legend(title='是否吸烟', loc='center left', bbox_to_anchor=(1, 0.5))
plt.show()
# 误差条对比
fig, axes = plt.subplots(1, 2, figsize=(10, 4))
sns.barplot(x='day', y='total_bill', data=tips,
ci='sd', err_style='bars', ax=axes[0])
sns.barplot(x='day', y='total_bill', data=tips,
ci=None, ax=axes[1])
plt.show()常见错误
错误 1 · sns.scatterplot 设置 figsize 无效
原因:单轴绘图函数没有 figsize 参数，画布尺寸由 plt.subplots() 决定。
解决:用 fig, ax = plt.subplots(figsize=(8, 5)) 创建画布并把 ax 传入绘图函数。
错误 2 · ci='sd' 与 err_style 组合后报 ValueError
原因:部分聚合函数对误差样式有默认约定，手动指定不兼容组合会报错。
解决:确认函数类型后选择对应样式，lineplot 用 'band'，barplot、pointplot 用 'bars'。
错误 3 · 调色板名写错导致报 ValueError 或颜色怪异
原因:调色板名必须与 Seaborn 内置名称完全一致。
解决:使用 'deep'、'muted'、'pastel'、'bright'、'dark'、'colorblind' 等标准名，或用 sns.color_palette() 先验证可用名称。
错误 4 · add_legend 后图例与标题重叠或超出画面
原因:图例默认位置与图形内容冲突。
解决:结合 loc 与 bbox_to_anchor 调整位置，或设 legend_out=True 把图例移到图形外。