1、seaborn的優點
它簡化了複雜數據集的表示；
可以輕鬆構建複雜的可視化，簡潔的控制matplotlib圖形樣式與幾個內置主題；
seaborn不可以替代matplotlib，而是matplotlib的很好補充；
2、seaborn的官網
學習某個知識點，最好的東西就是照着官網的提示學習，因爲官網裏面的知識點，夠完整、夠全面。seaborn的官網鏈接：http://seaborn.pydata.org
3、seaborn的作者介紹
4、seaborn的縮寫爲什麼是sns，而不是sbn？
sns的使用來自於一個內部笑話，與美劇The West Wing有關。這部劇裏有一個人物，名叫Samual Norman Seaborn，首字母簡寫爲sns，因此最終簡寫爲sns。
5、seaborn與matplotlib的關係？
seaborn是matplotlib的更高級的封裝。因此學習seaborn之前，首先要知道matplotlib的繪圖原理。
我們知道，使用matplotlib繪圖，需要調節大量的繪圖參數，需要記憶的東西很多。而seaborn基於matplotlib做了更高級的封裝，使得繪圖更加容易，它不需要了解大量的底層參數，就可以繪製出很多比較精緻的圖形。不僅如此，seaborn還兼容numpy、pandas數據結構，在組織數據上起了很大作用，從而更大程度上的幫助我們完成數據可視化。
最關鍵：seaborn是matplotlib的更高級的封裝。也就是說，對於matplotlib的那些調優參數設置，也都可以在使用seaborn繪製圖形之後使用。
6、使用seaborn繪圖的3種方式
plt.style.use(“seaborn”)：只是說調用了seaborn的繪圖樣式，並不能真正體現seaborn繪圖的好處。
sns.set()：使用了這個方法後，所有之前寫過的matplotlib中的參數都還原了。因此，像設置中文字體顯示、設置負號的正常顯示，都必須放在sns.set()這句代碼之後。
直接調用seaborn函數繪圖：這種方式能真正體現seaborn繪圖的優勢，也是我們經常使用的繪圖方式。（最常用）
1）plt.style.use(“seaborn”)
df = pd.read_excel("data.xlsx",sheet_name="數據源")
df1 = df.groupby("品牌").agg({"銷售數量":np.sum})
# 使用matplotlib風格繪圖
plt.bar(x=df1.index,height=df1["銷售數量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python繪圖\seaborn\picture\seaborn繪圖方式_1",dpi=300)
# 使用seaborn風格繪圖
plt.style.use("seaborn")
plt.bar(x=df1.index,height=df1["銷售數量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python繪圖\seaborn\picture\seaborn繪圖方式_2",dpi=300)
結果如下：
2）sns.set()
這個方法裏面有幾個參數，但是在實際中，我們都使用默認值即可，因爲默認參數繪圖就已經很好看啦，並不需要我們特意去設置。
① 常用參數：sns.set(style=, context=, font_scale=)
style設置繪圖的樣式。
context一般使用默認樣式即可，不需要我們自己設置。默認是context=“notebook”。
font_scale控制座標軸的刻度，一般設置爲font_scale=1.2即可。
② 演示如下
df = pd.read_excel("data.xlsx",sheet_name="數據源")
df1 = df.groupby("品牌").agg({"銷售數量":np.sum})
# 使用matplotlib風格繪圖
plt.bar(x=df1.index,height=df1["銷售數量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python繪圖\seaborn\picture\seaborn繪圖方式_3",dpi=300)
# 使用seaborn風格繪圖
sns.set()
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False
plt.bar(x=df1.index,height=df1["銷售數量"],width=0.5,color="blue")
plt.savefig(r"G:\6Tipdm\2 python繪圖\seaborn\picture\seaborn繪圖方式_4",dpi=300)
結果如下：
3）直接調用seaborn函數繪圖（最常用）：seaborn繪圖的優勢體現
df = pd.read_excel("data.xlsx",sheet_name="數據源")
sns.set_style("dark")
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 注意：estimator表示對分組後的銷售數量求和。默認是求均值。
sns.barplot(x="品牌",y="銷售數量",data=df,color="steelblue",orient="v",estimator=sum)
plt.savefig(r"G:\6Tipdm\2 python繪圖\seaborn\picture\seaborn繪圖方式_5",dpi=300)
結果如下：
注意：直接調用seaborn函數繪圖的好處在這個代碼中有很好的體現。可以看出，如果直接使用matplotlib中的代碼繪圖，需要先對數據集進行分組聚合，然後才能繪製最後的圖形。【優勢】：直接使用sns.barplot()函數繪圖，barplot可以直接將 groupby 分組後的結果按照指定的彙總方式進行可視化展示，並不需要我們實現對數據進行處理。
歡迎掃碼關注作者的CSDN：
PS：灰常感謝黃同學的投稿，同時也歡迎關注了【可樂的數據分析之路】公衆號的小夥伴們踊躍投稿哦~本文的讚賞及第二天的流量主都會給到原作者。