seaborn VS. matplotlib啥关系！
pythonic生物人约 5 分钟最近，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：
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：
👉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，
seaborn自定义能力有限，但是可以满足日常使用，可参考这篇文章，
美观性
二者默认参数出图都颜值有限，靠个人能力都可以抚平，例如，
seaborn和matplotlib怎么选？
如果你需要对图表的每个细节进行完全控制，并希望创建复杂的可视化，那么 matplotlib 可能是更好的选择。然而，如果你希望以最小的工作量快速创建统计图表，那么seaborn 会是更好的选择。
总之，seaborn 和 matplotlib 各有其优缺点，强烈建议二者都学。
seaborn和matplotlib怎么学？
超级系统的学习很必要，持续更新。
👉
👉《》
（加入学习，收费，备注：299）