seaborn 是一个基于 matplotlib 的Python数据可视化库，它提供了一个高级接口来绘制吸引人且有信息量的统计图形。相比于 matplotlib，seaborn 提供了更多的样式和颜色选项，并且默认的图形样式和颜色方案通常更加美观。seaborn 特别适合用于探索性数据分析（EDA）和统计图形的绘制。

以下是一些常见的 seaborn 使用案例：

1. 绘制热图（Heatmap）

热图是展示两个变量之间关系的有效方式。例如，你可以使用热图来显示数据特征之间的相关系数。

import seaborn as sns
import matplotlib.pyplot as plt

# 假设你已经有一个DataFrame df
correlation_matrix = df.corr()
sns.heatmap(correlation_matrix, annot=True)
plt.show()

2. 绘制散点图（Scatter Plot）

散点图用于观察两个变量之间的关系。

sns.scatterplot(x="variable1", y="variable2", data=df)
plt.show()

3. 绘制直方图（Histogram）

直方图用于观察单个变量的分布。

sns.histplot(df['variable'], bins=10)
plt.show()

4. 绘制箱形图（Box Plot）

箱形图用于显示数据分布的五数概括（最小值、第一四分位数、中位数、第三四分位数、最大值）。

sns.boxplot(x="category", y="value", data=df)
plt.show()

5. 绘制小提琴图（Violin Plot）

小提琴图结合了箱形图和密度图的特点，显示了数据的分布和概率密度。

sns.violinplot(x="category", y="value", data=df)
plt.show()

6. 绘制条形图（Bar Plot）

条形图用于显示分类变量的值。

sns.barplot(x="category", y="value", data=df)
plt.show()

7. 绘制成对关系（Pair Plot）

成对关系用于一次性查看DataFrame中所有数值变量之间的关系。

sns.pairplot(df)
plt.show()

这些案例只是 seaborn 功能的冰山一角。由于 seaborn 构建在 matplotlib 之上，你还可以利用 matplotlib 的功能进一步自定义图形。seaborn 的强大之处在于它使得复杂的可视化变得简单直观，非常适合用于数据分析和数据科学项目。