代码收藏家技术教程 2025-02-13

Python seaborn和matplotlib，怎么选？

最近，一些小伙伴留言询问seaborn和matplotlib怎么选，还是两个都要学？

本文详细回答以下问题：

seaborn和matplotlib是什么？

seaborn和matplotlib的优劣势？

seaborn和matplotlib怎么选？

seaborn和matplotlib怎么学？

seaborn和matplotlib是什么？

seaborn和matplotlib是Python可视化方向最优秀的两个包，用数据说话。

matplotlib

matplotlib目前20.6k stars，

matplotlib可能是最常用的 Python 2D 图形包，掌握matplotlib后，你可以：

创建适合出版的，高质量的科研图表（scientific figures）和非科研图表（non‐scientific figures）

制作可交互的图表，支持缩放、平移和更新

自定义视觉样式和布局，可轻松调整图表中的任何细节

导出图表为多种文件格式，例如，PNG、PDF、SVG、GIF等

可以看一些案例：

👉matplotlib的上限：可“追星”，可“逐浪”！

👉详解Python matplotlib深度美化（第一期）

seaborn

seaborn目前12.7k stars，

seaborn是一个用于在Python中创建统计图形的库，它是matplotlib的高级封装（只需要调用最少的参数，即可搞定publication-quality figures）。

seaborn使用非常简单，通过调用seaborn的一系列绘图函数来可视化数据，这些函数可划分为坐标轴级别（axes-level）绘图函数和图形级别（figure-level）绘图函数两大类，

同样可以看一些案例：

👉55个热力图heatmap代码模版～

👉51个图表，完美展示数据分布关系！

👉141个图表，完美展示数据分类关系！

👉53个图表，完美展示数据组合关系！

👉可视化配色工具，colormap多达3174类，数万种颜色！

和比较火的R ggplot2比较一下就知道它们使用群体确实很大，ggplot2 6.6k stars，

seaborn和matplotlib的优劣势？

先上结论：

比较维度	Seaborn	Matplotlib
易用性	提供高级抽象接口，易于快速生成复杂且美观的可视化，默认设置优秀，代码简洁。	更底层，需要更多代码实现相同功能，初学者学习曲线较陡。
自定义能力	自定义能力有限，依赖 Matplotlib 提供底层支持，但可满足大多数常见需求。	高度可定制，几乎所有图形元素都可调整，适合复杂或非常特定的可视化需求。
美观性	默认主题美观，图形风格现代化，颜色调色板丰富，适合直接用于演示。	默认风格较为基础，需要额外设置才能达到更高的美观度，但提供全面的控制选项。

还是举例子说明，

易用性

易用性层面，seaborn几行代码即可绘制美观的、复杂的图表，matplotlib也可以，需要大量代码。但是，seaborn能力有限，比如pie图这种简单的东西他都没有，seaborn只有高频图表的方法。

seaborn几行代码可以实现聚类heatmap图，

sns.clustermap(
    data=healthexp[healthexp.洲名称.isin(['Asia', 'Europe'])],
    pivot_kws={'index': ['洲名称', '国家名称'],'columns': '年份','values': '预期寿命'
    },#行方向聚类按照颜色区分不同'洲名称'
    row_colors=healthexp[healthexp.洲名称.isin(
        ['Asia', 'Europe'])]['洲名称'].map(row_c),
    annot=True,
    fmt=".1f",
    annot_kws={"fontsize": 10
    },
    cmap=sns.diverging_palette(255, 5, as_cmap=True),
)

seaborn几行代码也可以实现边际图，

sns.boxplot(penguins, y=g.hue, x=g.x, palette=["#006a8e", "#b1283a"], boxprops=dict(alpha=0.3), linewidth=1, ax=g.ax_marg_x)  
sns.stripplot(penguins, y=g.hue, x=g.x, palette=["#006a8e", "#b1283a"], alpha=0.5, s=6, ax=g.ax_marg_x)  
sns.boxplot(penguins, x=g.hue, y=g.y, palette=["#006a8e", "#b1283a"], boxprops=dict(alpha=0.3), linewidth=1, ax=g.ax_marg_y)  
sns.stripplot(penguins, x=g.hue, y=g.y, palette=["#006a8e", "#b1283a"], alpha=0.5, s=6, ax=g.ax_marg_y)

当然，matplotlib也可以绘制很好看的图表，但是，需要大量代码，例如，matplotlib实现复杂分面heatmap图，

for ax, cmap, title in zip(axes.ravel(), cmaps, titles):
    im = ax.imshow(heatmap_data, cmap=cmap, aspect='auto')  # imshow绘制热图
    ax.set_title(title, fontsize=20)

    ax.set_xticks(np.arange(len(sample_names)))
    ax.set_xticklabels(sample_names, rotation=45, ha="right",
                       fontsize=20)  # 设置x轴标签
    ax.set_yticks(np.arange(len(gene_names)))
    ax.set_yticklabels(gene_names, fontsize=20)  # 设置y轴标签
    for i in range(len(gene_names)):
        for j in range(len(sample_names)):
            ax.text(j,
                    i,
                    f'{heatmap_data[i, j]:.2f}',
                    ha="center",
                    va="center",
                    fontsize=18,
                    color="black")  # 在每个格子中添加数值

    cbar = plt.colorbar(im, ax=ax, shrink=0.9)  # 添加colorbar
    cbar.ax.tick_params(labelsize=20)

自定义能力

seaborn自定义能力有限，依赖 matplotlib 提供底层支持，但可满足大多数常见需求。matplotlib高度可定制，几乎所有图形元素都可调整，适合复杂或非常特定的可视化需求。

例如，下面这个高度自定义的图表，seaborn没法完成，