上礼拜有个刚转行做数据分析的朋友问我：matplotlib我都还没学明白，怎么到处都在说seaborn？我给他打了个比方：matplotlib是原木，什么都能做，但所有事都得自己动手；seaborn是给你切好拼好的板材，专门用来做统计图形，又美又简单。这个标题里的六个字，其实是同一个原因造成的——它的底层替你完成了大量统计计算和视觉设计决策。这篇东西会把seaborn怎么用、为什么好用、哪些坑我在项目里踩过，一次讲清楚。适合刚从matplotlib过渡过来的同学，也适合那些统计图形需求密集、希望快速出图的数据分析从业者。
1. 为什么我从matplotlib迁到了seaborn：不是二选一，而是互补
1.1 matplotlib的定位决定了它的使用成本
先说个常被误解的点：matplotlib和seaborn不是竞争关系。matplotlib是Python绘图生态的事实底座，它负责画坐标系、处理刻度、渲染导出、交互事件，是一切二维绘图的底层引擎。seaborn是构建在matplotlib之上的高级封装，它最终调用的仍然是matplotlib的绘图接口。所以你装了seaborn，就一定带着matplotlib，这不冲突。
matplotlib最大的问题是：它太底层了。你想画一个漂亮的直方图，得自己算bins、自己调透明度、自己考虑颜色叠加；想画箱线图，还要自己算Q1、Q3、中位数、离群点边界；想画回归散点图，得先画散点、再拟合一条线、再铺置信区间。一次两次可以，但在探索性数据分析阶段，你每天要画几十张图，手工操作的成本就非常高了。尤其当你面对的是DataFrame这种结构化的宽表数据时，matplotlib的循环分组绘图代码会又臭又长，经常画着画着自己都不知道哪一组对应哪个颜色。
1.2 seaborn的底层逻辑：面向统计图形，而不是面向点线面
seaborn和matplotlib思考问题的方式完全不同。matplotlib的思路是“你给我点的坐标，我给你画点；你给我数组，我给你画线”。seaborn的思路是“你给我一个DataFrame，告诉我哪一列是x、哪一列是y、哪一列是分组变量，我来完成分组聚合、统计计算和视觉映射”。
举一个实际例子。用matplotlib画分组箱线图，你需要先把数据按组拆开，逐个计算箱线位置，再设置坐标轴标签。用seaborn只需要一行：
import seaborn as sns import matplotlib.pyplot as plt tips = sns.load_dataset("tips") sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker") plt.show()这一行代码背后做了几件事：按星期四组、按是否吸烟两组做交叉分组；对每个子组计算四分位数和离群值；为每组生成一个箱体；自动生成图例；自动调整坐标轴标签。这些操作在matplotlib里自己实现，至少要二三十行，而且很容易在某个边界条件上报错。
1.3 统计图形的默认行为，比手工绘图更严谨
seaborn还有一个容易被忽视的价值：它在绘制统计图形时，默认会做统计推断。画柱状图时，它默认显示的是均值和自助法置信区间；画回归图时，它默认会画出置信带；画箱线图时，它默认按1.5倍IQR判断离群点。这些默认行为是一个统计学专业背景的开发者设定的，比普通用户自己手搓出来的图更可靠。
所以我的建议是：不要纠结“该学matplotlib还是seaborn”。两个都要会，但分工不同。快速探索数据、做统计图形、画分组对比图，用seaborn；复杂排版、自定义画布、精细调整每一个视觉元素，回到matplotlib。我的习惯是80%的探索性图表用seaborn生成，最后在发表的时候，再用matplotlib对重点图做局部定制。
2. 安装与第一张图：卡在seaborn库下载上的人真不少
2.1 最稳妥的安装方式与国内镜像
“seaborn库下载”这个热词能上热搜，说明很多人在安装环节就卡住了。实际上安装本身不复杂，复杂的是网络环境。最常规的安装方式是使用pip：
pip install seaborn或者使用conda：
conda install -c conda-forge seaborn国内网络环境下，pip默认源经常下载很慢或者超时。这时候别傻等，直接换成国内镜像源：
pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple清华源、阿里云源、豆瓣源都可用，我个人用清华源最多，稳定性和更新速度都比较好。装完之后验证一下版本：
import seaborn as sns print(sns.__version__)正常情况下会输出类似0.13.2这样的版本号。如果你看到的是0.11.x甚至更老，建议升级到新版本，因为老版本接口和现在差异很大，看新教程时会遇到各种报错。
2.2 内置数据集：联网才能用，离线替代方案
seaborn内置了几个经典数据集，比如tips（餐厅小费）、iris（鸢尾花）、titanic（泰坦尼克号乘客信息）、penguins（企鹅数据）。很多人照着教程敲sns.load_dataset("tips")，结果报错，原因是这个函数需要联网从GitHub拉取数据。解决方式有两种：一是确保网络畅通；二是干脆自己构造样本数据，或者加载本地CSV。
如果你用的是公司内网或者离线环境，我建议直接用pandas读本地文件：
import pandas as pd df = pd.read_csv("your_data.csv")自动动手构造一份模拟数据也是好办法，后面的实战部分我会给一份完整的构造例子。关键是理解sns.load_dataset只是验证seaborn功能用的，真正项目里你面对的一定是自己的数据。
2.3 第一张统计图：从中文字体坑说起
很多人的第一张seaborn图都会遇到同一个问题：图中中文全部变成小方块。这是因为matplotlib默认字体里没有中文字形。解决方案是在画图前设置中文字体：
plt.rcParams["font.sans-serif"] = ["SimHei"] # 也可以用 "Microsoft YaHei" plt.rcParams["axes.unicode_minus"] = False # 解决负号显示异常注意顺序：如果你后面调用了sns.set_theme()，它会把rcParams重置掉，字体设置会失效。所以正确做法是先调用sns.set_theme()设置整体风格，再设置中文字体。先跑一个最简单的图验证环境：
import seaborn as sns import matplotlib.pyplot as plt sns.set_theme(style="whitegrid") plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False tips = sns.load_dataset("tips") sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time") plt.title("小费金额与消费总额的关系") plt.show()这一张图跑通了，说明seaborn、matplotlib、中文字体三件事都到位了，接下来可以放心画各种图。
2.4 版本演进带来的接口变化
补充一个版本相关的坑。seaborn在0.11版本做了一次大的接口调整：老的distplot被拆分为histplot和kdeplot，很多老教程里的代码在新版本下会报警告甚至报错。如果你看的是2020年之前的教程，遇到distplot相关的报错，不要慌，把函数名换成histplot或者kdeplot即可。新版seaborn在0.12、0.13等版本中持续优化了set_theme的图形主题，整体出图效果比老版好看了不少，建议直接用新版本。
3. 分类数据的三种可视化层次：单列、双列分组、多列分层
分类数据可视化是seaborn最擅长的领域，也是我日常用得最多的功能。按复杂程度，我习惯把分类图拆成三个层次：只看单一类别分布的单列分析、对比两个类别维度差异的双列分组、以及引入更多语义映射的多列分层。
3.1 柱状图：默认的统计逻辑可能和你想的不一样
sns.barplot看起来和matplotlib的plt.bar差不多，但统计逻辑完全不同。matplotlib的plt.bar画的是你给定的数值；seaborn的barplot默认画的是每个分组的均值，并自动加上基于自助法计算的置信区间误差棒。
sns.barplot(data=tips, x="day", y="total_bill", hue="sex")这里如果不习惯，很容易误解：为什么柱子的高度不是原始数据的和？因为seaborn默认用estimator="mean"做估计。如果你想显示总量，改成sns.barplot(..., estimator=sum)；想显示中位数，改成estimator="median"。误差棒的类型通过errorbar控制，新版默认是("ci", 95)，也就是95%置信区间，也可以传errorbar="sd"显示标准差。
柱状图适合展示一组分类变量的中心趋势，但有个明显的缺陷：它把原始分布信息压缩成了一个点。数据不满足正态分布，或者存在离群点时，均值会失真。所以我看数据时，柱状图一般只用作快速预览，正式分析还会配合箱线图或小提琴图。
3.2 箱线图和小提琴图：用来看分布，而不是看均值
箱线图是统计分析的标准配置。seaborn的箱线图遵循经典的定义：箱体范围是Q1到Q3，中间线是中位数，胡须延伸至1.5倍IQR范围内最远的数据点，超过这个范围的点单独显示为离群点。
sns.boxplot(data=tips, x="day", y="total_bill")因为箱线图能同时展示四分位范围、中位数和离群点，对比多个组之间的分布差异时非常直观。比如下面这张图，你能一眼看出周五的消费金额分布比较集中，而周六、周日的中位数更高且分布更宽。
箱线图的缺点是：当分布出现双峰或者奇怪形态时，箱线图丢失了这些信息，因为你只看得到分位数。violinplot可以弥补这一点——它把小提琴形状横过来，其实就是旋转后的核密度估计图，能看到完整的分布形态：
sns.violinplot(data=tips, x="day", y="total_bill", hue="smoker", split=True)注意这个split=True参数，它只对hue有两个水平时有效，作用是把一个小提琴从中间劈开，左侧显示一个类别的密度，右侧显示另一个类别，节省横向空间，对比也方便。简单来说：想严谨比较中位数和离群值用箱线图，想看清分布形态用提琴图。
3.3 散点抖动图：把原始数据也画出来
箱线图和提琴图展示的是统计汇总，但数据量不大时，把原始数据点也画出来更有说服力。seaborn有两个选择：stripplot和swarmplot。
sns.stripplot(data=tips, x="day", y="total_bill", jitter=0.2, alpha=0.5) sns.swarmplot(data=tips, x="day", y="total_bill", hue="sex", dodge=True)stripplot的特点是给每个点一个小的随机抖动避免完全重叠，实现简单，数据量大时也扛得住。swarmplot则是通过迭代算法，让每个点与邻近点保持不重叠，视觉上非常整齐，点与点像蜜蜂群一样排列。但swarmplot的算法复杂度较高，数据点超过几百个时会非常慢，这时候还是用stripplot配合透明度更实际。
3.4 hue、size、style三个映射通道
seaborn分组能力强，核心在于它有多个语义映射通道。hue把颜色通道映射到类别变量，size把点的大小映射到数值或类别变量，style把点或线的样式映射到变量。以scatterplot为例：
sns.scatterplot( data=tips, x="total_bill", y="tip", hue="day", size="size", style="smoker" )这一行代码就在一个散点图里同时编码了三个维度：点的颜色代表星期几，点的大小代表用餐人数，点的形状代表是否吸烟。这种多通道映射是seaborn区别于普通绘图库的重要特性，它让你能在二维平面上显示更多维度的信息。
但使用hue时要克制。类别水平太多时，比如超过十个，颜色会难以区分，图例也会占掉一大块区域。我的经验是一个图最多编码4个维度，hue色块数量控制在8个以内。
4. 分布、相关性和趋势：从单变量到多变量的一站式探测
分类图解决的是“组间差异”问题，但数据分析里更大的需求是理解变量本身的分布、变量之间的关系、以及随时间或连续变量的变化趋势。这三类需求seaborn都有对应的图形。
4.1 直方图与核密度估计：histplot和kdeplot的正确打开方式
新版seaborn把直方图入口统一为histplot，它取代了老版本的distplot。最基础的用法：
sns.histplot(data=tips, x="total_bill", bins=30, kde=True)bins控制分箱数量，这个参数选择直接影响图的形态：bins太少，分布细节被掩盖；bins太多，又会出现大量空箱噪声。我的经验是先使用默认值，再尝试20、40、60，挑一个既能看出分布趋势又不显得碎的值。kde=True会在直方图上叠加一条平滑的核密度曲线，方便观察概率密度走势。
如果你想只看密度曲线，用kdeplot：
sns.kdeplot(data=tips, x="total_bill", hue="time", fill=True, alpha=0.4)这里hue="time"可以让不同组的密度曲线分别绘制，fill=True给每个密度区域填充颜色，再配合alpha控制透明度。对比多个组的分布形态，这种方式比重叠直方图更清晰，因为没有分箱带来的离散噪声，曲线更平滑。
histplot和kdeplot还有一个好用的小参数：stat="density"可以让纵轴显示概率密度而不是频数，当多组数据样本量不一致时，用密度而不是频数对比才公平。
4.2 jointplot：两张图看相关性
jointplot把散点图和边缘分布结合起来：中间是两变量的散点图，上边和右边分别是对应变量的直方图或核密度曲线。这样你既能看出两变量之间的相关趋势，又能同时看到各自分布的形态。
sns.jointplot(data=tips, x="total_bill", y="tip", kind="scatter")kind参数可以切换不同的图形类型：hex用得最多，数据量巨大时用六边形分箱比散点更清晰；kde显示二维密度等高线，适合看分布密度高的区域；reg会在散点基础上加回归线和置信带，快速判断线性趋势的方向和强度。
sns.jointplot(data=tips, x="total_bill", y="tip", kind="reg")在探索阶段，我经常用jointplot快速判断任意两个数值变量之间的相关形态，不一定非要用皮尔逊相关系数。因为相关系数只能衡量线性关系，两个明显非线性相关的变量，相关系数可能接近0，但图上一看就明白了。
4.3 pairplot：批量探索数据的利器
拿到一份数据，还不知道哪些变量之间有关系时，pairplot是最佳起点。它会把DataFrame里所有数值列两两组合，生成一个矩阵图：对角线位置是每个变量的直方图，非对角线位置是两两散点图。
sns.pairplot(tips, hue="sex")传入hue参数后，所有散点会根据颜色分组，对角线的分布图也会按组分别绘制。这样你一次能看到所有数值列两两之间的关系，以及组间差异。探索性数据分析阶段，这一张图的信息量顶得上看几十张独立图表。
但pairplot有两个局限：一是列数太多时生成的图会非常宽，超过8个数值变量就不太适合了，所以大批量变量时建议先筛选或分组再看；二是数据量很大时绘制速度比较慢，建议先用df.sample(500)抽样再画。
4.4 heatmap：相关性矩阵的最直观表达
相关性分析是数值变量探索的收尾动作。先用pandas算出相关性矩阵：
num_cols = tips.select_dtypes(include="number").columns corr = tips[num_cols].corr() sns.heatmap(corr, annot=True, cmap="RdBu_r", center=0, vmin=-1, vmax=1)几个参数说明一下：annot=True在格子里显示数值；cmap="RdBu_r"使用红蓝发散色板，正的用红色偏暖，负的用蓝色偏冷；center=0让色板以0为中心对称；vmin=-1和vmax=1固定色板范围，因为相关系数的取值范围就是负一到正一，不固定的话不同图的颜色刻度不一致，没法横向比较。
heatmap还能用来画其他矩阵，比如分组交叉表、混淆矩阵、缺失值分布。它的本质是把矩阵数值映射为颜色，只要数据是二维表格结构，都可以用。
5. 更美的关键不在画图，而在set_theme与调色板设置
有些人觉得seaborn默认图好看，有些人觉得也就那样。其实seaborn的美不是某个图形的功劳，而是一套全局视觉系统的功劳。理解set_theme和调色板，你就掌握了seaborn丑图变美的钥匙。
5.1 set_theme到底干了什么
sns.set_theme()是seaborn的全局配置入口，一次性设置背景风格、调色板、字体大小、坐标轴颜色、网格线样式等几十项rcParams参数。以前老版本要分别调用set_style、set_palette、set_context，现在一个函数全搞定。
sns.set_theme( style="whitegrid", palette="pastel", font="SimHei", rc={"figure.dpi": 120, "axes.titlesize": 14} )style参数有五个可选值：whitegrid适合统计图形，白色背景加浅色网格线，数据点对比清晰；darkgrid适合深色背景的演示场景；white干净简洁，适合要发布到论文里的图；dark适合做大屏展示；ticks则只有刻度线不加网格。我日常用whitegrid最多，正式论文图用white。
关键点是，set_theme是全局的，一次设置，之后所有图都套用这套风格。所以别每张图单独调，先定好整体调子，画完再对个别图做微调。
5.2 调色板：颜色不是玄学，是有设计逻辑的
seaborn的调色板系统很讲究。先记住一个函数sns.color_palette，它返回一组颜色列表，几乎所有的调色板都从它派生。
最常用的几类：
# 命名色板：deep、muted、bright、pastel、dark、colorblind sns.color_palette("deep", 8) sns.color_palette("colorblind", 10) # 连续色板 sns.color_palette("viridis", 20) sns.color_palette("flare", 20) # 发散色板 sns.diverging_palette(240, 0, n=9)命名色板里，deep饱和度高、适合印刷和展示；muted饱和度降低、柔和耐看，适合PPT；pastel再低一点，适合大面积填充；colorblind专门为色觉障碍人群设计，蓝和橙的区分度明显，做公开报告时尽量用这一组。
在绘图时，直接把色板名称传给palette参数：
sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker", palette="Set2")这里透传的palette也可以是一个具体的颜色列表，比如palette=["#4C72B0", "#DD8452"]，这在公司VI色需要统一时会用到。
补充一个非常推荐的发散色板用法：画连续数值的分组时，light_palette("seagreen", reverse=True)会生成从浅绿到深绿的渐变，适合表达强度排序。而diverging_palette(240, 0, n=9)生成蓝到红的对称渐变，适合画温度、收益等有正有负的指标。
5.3 字体、图例、坐标轴：细节微调还是要回到matplotlib
seaborn负责把图和统计做完，但到了“让这张图切实能放进报告里”的阶段，你还是需要一些matplotlib的细调手段：
fig, ax = plt.subplots(figsize=(10, 6)) sns.boxplot(data=tips, x="day", y="total_bill", ax=ax) ax.set_title("每日消费金额分布", fontsize=16) ax.set_xlabel("星期", fontsize=13) ax.set_ylabel("消费金额", fontsize=13) ax.legend(title="是否吸烟") plt.xticks(rotation=30, ha="right") plt.tight_layout()这里有个关键认知：seaborn的每个绘图函数都接受ax参数，它把图画在指定的matplotlib坐标轴上。画完之后，这个坐标轴的标题、标签、图例、刻度全部可以用matplotlib原生的API去改。所以不要觉得用了seaborn就丧失了定制能力，你只是少写了那些重复造轮子的统计代码，视觉级的控制权一直都在。
遇到图例位置不合适的，直接ax.legend(loc="upper left")调整；坐标轴刻度太密的，用ax.set_xticks手动指定。这些matplotlib的精细化操作，在seaborn图里同样适用。
6. 实战：用一份自建销售数据把前面的知识点串起来
前几节讲了seaborn的核心图形和配置，我把它们组织成一个完整分析流程。用一个模拟的连锁奶茶门店经营数据来做演示，全程不需要联网，复制即用。
6.1 构造模拟数据
import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt sns.set_theme(style="whitegrid") plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False rng = np.random.default_rng(42) areas = ["城东店", "城西店", "城南店", "城北店"] days = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"] items = ["珍珠奶茶", "冰美式", "鲜果茶", "抹茶拿铁"] df = pd.DataFrame({ "门店": rng.choice(areas, 1000), "星期": rng.choice(days, 1000), "品类": rng.choice(items, 1000), "销量": rng.integers(30, 200, 1000), "单价": rng.choice([12, 15, 18, 22], 1000), "平均等待分钟": rng.integers(3, 15, 1000), }) df["营业额"] = df["销量"] * df["单价"]这份数据有1000条记录，模拟了四个门店、一周七天、四个品类的销售情况，还带了一个服务效率指标。虽然数据是模拟的，但字段结构和真实业务数据非常接近，分析流程可以直接迁移。
6.2 第一张图：分组柱状图看整体格局
先看整体哪个品类贡献了最多营业额，以及门店之间的差异：
plt.figure(figsize=(10, 6)) sns.barplot(data=df, x="品类", y="营业额", hue="门店", estimator="median", errorbar=("ci", 95)) plt.title("不同品类在各门店的营业额中位数对比") plt.legend(title="门店", bbox_to_anchor=(1.05, 1), loc="upper left") plt.tight_layout()这张图用了柱状图最核心的能力：x="品类"进行分组，hue="门店"再做一层细分，estimator="median"把默认的均值改成中位数，减少离群值影响。从图中我们可以快速判断：不同品类的营业额基准差异、各门店在每个品类上的相对表现、以及置信区间宽度反映的样本稳定性。如果某个门店的误差棒特别长，说明销量波动大，值得进一步排查。
6.3 第二张图：箱线图看星期波动
接下来看一个星期规律。星期几是分类变量，销量是连续变量，最佳选择是箱线图：
plt.figure(figsize=(10, 6)) sns.boxplot(data=df, x="星期", y="销量", hue="品类", palette="Set3") plt.title("一周七天各品类销量分布") plt.xticks(rotation=30, ha="right") plt.tight_layout()这里有一个容易踩的坑：把星期当作字符串时，seaborn会按字母顺序排序，周一的英文首字母是M，周二是T，结果画出来的x轴顺序是乱的。解决方法是把星期列转成分类类型并指定顺序：
day_order = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"] df["星期"] = pd.Categorical(df["星期"], categories=day_order, ordered=True)转换之后再画图，x轴就会按业务习惯排序，这张图能看出周末销量是否有明显抬升，哪个品类是周末的爆款。
如果觉得箱线图还不够直观，还可以叠加一层swarmplot显示原始数据：
plt.figure(figsize=(10, 6)) sns.violinplot(data=df, x="星期", y="销量", hue="品类", split=False, palette="Pastel1") sns.stripplot(data=df, x="星期", y="销量", hue="品类", size=2, alpha=0.3, dodge=True, legend=False) plt.title("销量分布：小提琴图叠加原始散点") plt.tight_layout()小提琴图展示了分布的完整形态，叠加的散点让读者知道样本量大概是多少。注意第二条stripplot要加legend=False，否则图例会重复。
6.4 第三张图：散点图看相关关系
业务上经常想验证一个问题：排队等得越久，销量是不是越差？画出平均等待分钟和销量的关系：
sns.lmplot(data=df, x="平均等待分钟", y="销量", hue="门店", markers=["o", "s", "D", "^"], height=6) plt.title("等待时间与销量关系：各门店回归对比")lmplot是在scatterplot基础上加了回归线和置信带的组合图。这里用hue="门店"把四个门店拆成四组，每组单独拟合一条回归线。从图上就能看出，是否存在普遍的负相关趋势，以及哪个门店的斜率特别陡。markers参数给每组不同的点样式，因为当你把图打印成黑白版本时，只靠颜色区分组别是不可靠的。
6.5 第四张图：相关矩阵收尾
最后把数值变量全部放进相关性矩阵，避免遗漏隐性关系：
num_cols = df.select_dtypes(include=np.number).columns corr = df[num_cols].corr() plt.figure(figsize=(8, 6)) sns.heatmap(corr, annot=True, cmap=sns.diverging_palette(240, 10, sep=20), center=0, square=True) plt.title("销售数据数值变量相关性矩阵") plt.tight_layout()select_dtypes(include=np.number)这个细节一定不能省。pandas的DataFrame里如果混入了文本列，直接调用df.corr()会报错或者忽略文本列，提前筛选数值列干净利落。square=True让每个格子都是正方形，整体视觉更均衡。
相关性矩阵能看到几个重点：营业额和销量之间必然高度正相关，因为营业额等于销量乘单价；等待分钟和销量可能是负相关，说明服务效率影响购买意愿；单价和销量之间可能是负相关，高单价导致低销量。这些隐藏在数据里的关系，用一张热图就能快速识别。
6.6 批量导出图片
分析做完，把图汇总导出。
figures = [plt.figure(num) for num in plt.get_fignums()] for i, fig in enumerate(figures, 1): fig.savefig(f"report_plot_{i}.png", dpi=300, bbox_inches="tight", facecolor="white")bbox_inches="tight"可以帮助避免坐标轴标签被裁掉；dpi=300适合打印或正式报告。如果你要把多张图拼在一起做汇报，也可以用matplotlib的subplots手动排版，但seaborn图存成文件后放到PPT里，最后再用PPT排布，操作起来更灵活。
最后说点个人体会。我最早也嫌弃seaborn“太难定制”，总觉得一行sns.scatterplot出来的图没有自己手搓的好看。后来项目多了才想明白：它那套默认设计是一整套美学，包括坐标轴、间距、颜色、字体比例，整体调性好。你只替换其中个别元素，不会破坏整体效果；但你从零手搓，往往要调半天还不协调。我现在习惯是先sns.set_theme()把所有图整体定调，再只针对重点图做局部修饰。如果你正在从matplotlib往seaborn过渡，建议先别着急定制，连用两周默认效果之后再做微调，到时候你会清楚地知道到底该调哪里。
