由于seaborn使用matplotlib进行绘图，因此其大多数功能（全部？）都可以通过某种方式将参数传递给绘制绘图的基本matplotlib函数。这是一个很好的设计，它具有灵活性，而不会因过多的参数而使高级Seaborn功能混乱不堪。
但是，似乎有两种独立的机制可以做到这一点。有些函数只接受任意的关键字参数，而高级函数无法识别的任何参数都只是传递给底层的matplotlib函数。其他要求您将其他关键字参数放入字典中。
例如，seaborn.scatterplot和seaborn.lmplot都由AFAIK使用matplotlib.pyplot.scatter作为基础绘图功能。如果我们想将s参数传递给matplotlib.pyplot.scatter以控制大小，则可以在seaborn.scatterplot中将其添加到函数调用中：
sns.scatterplot(data=df, x='mpg',y='weight',s=10)
但是在seaborn.lmplot中，我们必须将其填充到scatter_kws字典中：
sns.lmplot(data=df, x='mpg',y='weight', scatter_kws={'s' : 10})
也许我遗漏了一些明显的东西，但是我无法弄清为什么使用这些不同的机制。是由于Seaborn工作方式内部的某些东西对最终用户不可见？是一种样式的遗产，而代码正在迁移到另一种样式？
答案 0 :(得分：1)
seaborn.lmplot同时具有scatter_kws和line_kws参数。
scatter_kws关键字dict传递给Matplotlib的scatter函数的基础调用，而line_kws传递给Matplotlib的plot函数的基础调用。
由于底层的Matplotlib scatter和plot调用共有一些关键字参数（例如color），因此使用两个字典可以使用户分别控制两者。也就是说，用户可以将散点图的颜色指定为红色，而线图的颜色可以为蓝色。
相反，sns.scatterplot将其所有关键字参数发送给基础的Matplotlib scatter调用。因此，不需要消除歧义。
答案 1 :(得分：1)
lmplot将regplot绘制到FacetGrid上。 regplot由一堆点（针对这些点使用scatter）和一条线（针对其使用plot）组成。
想象一下，您将参数s传递给每个基础的matplotlib函数。它会被传递到scatter，并在其中发挥作用，还会传递给plot，后者没有任何s参数。繁荣。错误。
此外，还有对两者均有效的参数，例如color；但您可能希望重新绘制线的颜色与点的颜色不同。
这就是为什么在seaborn中的那些功能，使 combine 几种绘图类型允许这些单独的参数。