外觀
分布圖 (Distribution Plots)
看單一連續變數的形狀:中心、離散、偏態、峰的數量、尾巴。分布的統計描述見 單變數:數值型。
| 函式 | 畫什麼 | y 軸預設 | 優點 | 缺點 |
|---|---|---|---|---|
histplot | 直方圖 | count | 直觀、看得到原始次數 | 形狀受 bins 影響 |
kdeplot | 核密度估計 (KDE) 平滑曲線 | density(面積 = 1) | 多組疊加清楚 | 受頻寬影響;會延伸到不可能的值(負濃度) |
ecdfplot | 經驗累積分布 (ECDF) | proportion | 沒有參數可調、看得到每個點;百分位直接讀 | 形狀不如直方圖直覺 |
displot(kind=) | 以上三者的 figure-level 版 | — | 可 col= / row= facet | 回傳 FacetGrid |
寫法
python
import seaborn as sns
import matplotlib.pyplot as plt
iris = sns.load_dataset("iris")
fig, axes = plt.subplots(2, 2, figsize=(10, 7), layout="constrained")
# 1. 直方圖 + KDE
sns.histplot(data=iris, x="petal_width", bins=15, kde=True, ax=axes[0, 0])
# 2. 分組:multiple= "layer"(疊加,預設)、"stack"、"dodge"、"fill"
sns.histplot(data=iris, x="sepal_length", hue="species", multiple="stack", ax=axes[0, 1])
# 3. 分組 KDE:common_norm=False 讓每組各自面積 = 1
sns.kdeplot(data=iris, x="sepal_length", hue="species", common_norm=False, fill=True, ax=axes[1, 0])
# 4. ECDF:曲線越右代表數值越大
sns.ecdfplot(data=iris, x="sepal_length", hue="species", ax=axes[1, 1])
# figure-level:依物種分子圖
sns.displot(data=iris, x="petal_length", col="species", kind="hist", height=3)| 參數 | 用途 |
|---|---|
bins / binwidth | 區間數或寬度;Seaborn 預設 "auto" |
stat | "count"、"frequency"、"probability"(總和 = 1)、"percent"、"density"(面積 = 1) |
common_norm | hue 分組時是否全部合起來正規化(預設 True) |
bw_adjust | KDE 頻寬倍數;< 1 較崎嶇、> 1 較平滑 |
cut=0 | KDE 不延伸到資料範圍外 |
log_scale=True | x 軸取 log(表現量、濃度) |
element="step" | 直方圖只畫外框,多組疊加較清楚 |
common_norm陷阱:hue分組時預設common_norm=True,所有組的面積加總為 1,樣本數大的組曲線較高。要比較各組的形狀,設common_norm=False(histplot同時設stat="density")。
bins 與頻寬

同一組雙峰資料(n = 200):只用 4 個 bins 時看起來像單峰右偏;bins="auto" 才看到兩個峰。KDE 的頻寬同理:bw_adjust=0.3 出現雜訊造成的小峰,bw_adjust=3 把兩峰合成一個。判斷「是否雙峰」前,至少換兩三種 bins / 頻寬確認,或改看 ECDF。
類別 vs 連續
| 變數 | 用 | 原因 |
|---|---|---|
| 類別(物種、基因型) | countplot | 每個類別一根,見 類別圖 |
| 離散整數、取值少(家庭人數、突變數 0–5) | histplot(discrete=True) | 每個整數一根,對齊在整數中心 |
| 連續(長度、表現量) | histplot / kdeplot / ecdfplot | 需要分區間或平滑 |
雙變數分布
python
sns.histplot(data=iris, x="sepal_length", y="petal_length") # 2D 直方圖
sns.kdeplot(data=iris, x="sepal_length", y="petal_length", hue="species", levels=5)
sns.jointplot(data=iris, x="sepal_length", y="petal_length", kind="hex") # 中間散布 + 邊緣分布點數很多時 2D 直方圖 / hexbin 比散布圖好讀,見 Overplotting。