为什么seaborn绘制的标准差误差条比numpy计算的偏小

• 参数兼容问题（最常见原因）：seaborn从v0.12版本开始正式弃用ci参数，替换为errorbar参数控制误差线逻辑。如果你的运行环境中seaborn版本≥0.12，代码中写的ci='sd'不会生效，默认会展示95%置信区间的误差线。置信区间基于标准误计算（标准误=标准差/√样本量），数值天然远小于直接统计的标准差，且原始标准差越大，两者的差值就越明显，完全匹配你观察到的现象。
• 标准差计算的自由度差异：numpy.std()默认使用ddof=0，计算的是总体标准差（平方和除以总样本量n）；而旧版本seaborn调用ci='sd'时，默认使用pandas的统计逻辑，pandas.Series.std()默认ddof=1，计算的是样本标准差（平方和除以n-1）。如果你已经验证过numpy的计算结果正确，可排查自己调用numpy时是否手动设置了ddof=1，导致两者计算的基准标准差存在差异。
• 分组统计逻辑不一致：seaborn的barplot会自动按x+hue的交叉分组单独计算每组的标准差，如果你用numpy计算时没有做对应维度的分组，而是用全量数据统一计算标准差，结果也会出现偏差。

• 如果你使用的是v0.12及以上版本的seaborn，将ci='sd'替换为新参数errorbar='sd'即可恢复标准差误差线的展示，修改后的代码如下：

ax_sns = sns.barplot(x = 'name', y = column_to_plot, data=data, hue='method', capsize=0.1, errorbar='sd', errwidth=0.9)

• 如果需要完全对齐numpy.std()的默认计算结果，可以手动指定计算自由度，参数写为errorbar=('sd', {'ddof': 0})，强制seaborn使用总体标准差的计算逻辑。

内容的提问来源于stack exchange，提问作者Lucie