首先介绍一下seaborn作者Michael Waskom, Ph.D，
首先，pythonic生物人要说的是，seaborn的上限是很大的，完全取决于使用者，来看看Waskom发表在PNAS上的文章（ DOI: 10.1073/pnas.1615269114），文章使用seaborn配图，
以下参考Waskom发表的关于seaborn文章（DOI: 10.21105/joss.03021 ），从作者视角，看看seaborn到底能干什么。
seaborn是一个用于在 Python 中制作统计图形的库，它是Matplotlib的一个高层次封装（个人简单的理解，只需要调用最少的参数，即可搞定publication-quality figures）。
seaborn可与多种python数据结构紧密集成，如python列表(list)、字典(dict)、NumPy (numpy.ndarray)、pandas (pandas.Series、pandas.DataFrame)等等，熟悉这些数据结构可让seaborn使用起来得心应手，这些之前都介绍过，
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，二者区别👉axes-level和figure-level关系
seaborn函数的默认参数即可输出高质量统计图，同时也提供大量个性化参数，例如，
- Python seaborn超级细节篇-使用palette
- Python seaborn超级细节篇-风格style
- Python seaborn超级细节篇-比例尺度context
- Python seaborn超级细节完结篇-联合美化
seaborn 的一个关键功能是数据集中变量可以自动“映射”到图形的视觉属性上，即指将数据集中的变量与图形的视觉属性（如颜色、大小、样式）相关联，如下图，hue="客人性别"表示数据集tips中的“客人性别”变量映射到散点图的颜色属性，Female和Male表示不同的颜色，style="是否吸烟"表示数据集tips中的“是否吸烟”变量映射到散点图的marker属性，No和Yes表示不同的形状，
seaborn 的多个函数在绘图前对输入数据进行统计转换，同时添加error bars和confidence interval，
详细介绍👉141个图表，完美展示数据分类关系！
更多介绍，见seaborn文章（DOI: 10.21105/joss.03021 ）