专业数据图应协同使用matplotlib与seaborn：seaborn快速建模（如lineplot、heatmap），matplotlib精细调控（如set_xlim、legend），二者通过Axes对象无缝衔接，再统一样式并规范保存。
想让数据图既专业又省力，关键不是单靠 matplotlib 或 seaborn 任一工具硬磕，而是用对分工：matplotlib 控制细节，seaborn 快速建模，二者协作才能兼顾效率与表现力。
用 seaborn 快速搭建统计图表骨架
seaborn 的核心优势是自动处理统计聚合、颜色映射和语义分组。比如画带置信区间的折线图，不用手动算均值和标准误：
- 用 sns.lineplot() 替代 plt.plot()，传入原始数据框，x/y/hue 参数直接对应列名，误差带
默认开启
- 分类散点图优先选 sns.stripplot() 或 sns.boxplot()，它们内置 jitter、outlier 检测和分组逻辑，比 plt.scatter 手动循环更稳
- 热力图用 sns.heatmap(df.corr(), annot=True)，相关系数矩阵+数值标注一步到位，无需 plt.imshow + colorbar + tick 设置
用 matplotlib 精准调控 seaborn 图的“最后一公里”
seaborn 返回的是 matplotlib 的 Axes 对象，所有底层定制都可接续操作：
- 调整坐标轴范围：ax.set_xlim(0, 100) 或 ax.set_yscale('log')
- 修改图例位置与格式：ax.legend(loc='upper right', frameon=True, fontsize=10)
- 添加自定义文本或箭头：ax.text(5, 0.8, 'Peak', fontsize=12) 或 ax.annotate('Jump', xy=(7, 0.9), xytext=(5, 0.7), arrowprops=dict(arrowstyle='->'))
混合绘图：在同一个 Axes 上叠加不同风格图层
比如先用 seaborn 绘制分布直方图，再用 matplotlib 叠加核密度曲线和垂直参考线：
- 调用 sns.histplot(data, stat='density', alpha=0.6) 得到归一化直方图
- 接着用 ax.plot(x, scipy.stats.norm.pdf(x, mu, sigma), 'r-', lw=2) 叠加理论分布
- 最后加 ax.axvline(mean_val, color='k', linestyle='--', label='Mean') 标出关键统计量
主题与样式统一：避免 seaborn 和 matplotlib 风格打架
seaborn 默认启用样式（如 'whitegrid'），但 matplotlib 的 rcParams 可能冲突。稳妥做法是：
- 初始化时统一用 sns.set_style("whitegrid", {'axes.grid': True})，再用 plt.rcParams.update({...}) 微调字体、大小等
- 保存前检查：plt.tight_layout() 防重叠，plt.savefig(..., dpi=300, bbox_inches='tight') 保清晰
- 多子图场景下，用 sns.despine(ax=ax, offset=10) 去除右侧/上侧边框，比 plt.spines['right'].set_visible(False) 更简洁
默认开启