使用Seaborn在单张图像中整合展示多特征分组散点图的实现方法

由于不同特征的取值范围差异较大，直接将所有特征的数值放在同一y轴会导致小范围特征的点被压缩失真，最适配当前需求的方案是构建共享x轴的纵向对齐子图组：所有子图横向对齐，x轴统一为患者维度刻度，每个子图单独对应一个特征、独立适配自身的y轴范围。最终出来的效果就是横向对齐的映射式视图：每个患者在x轴上的位置完全固定，所有特征的散点都在对应患者的垂直对齐位置上，既保证视觉统一性，又不会因为量纲差异损失数据可读性。

方案一：轻量化手动建图（无需修改原数据结构） #

直接基于Matplotlib创建共享x轴的垂直子图组，逐个子图映射原有单特征绘图逻辑，完全匹配当前的宽表格式，不需要额外做数据转换：

• 导入依赖库，定义需要纳入绘图的特征列表
• 创建和特征数量一致的垂直排列子图，开启sharex=True保证所有子图的患者刻度位置完全对齐
• 遍历每个特征，在对应子图上运行原有的stripplot绘图逻辑

完整代码：

import matplotlib.pyplot as plt
import seaborn as sns

# 配置全局绘图风格
sns.set_style("whitegrid")

# 定义需要整合展示的特征列表
target_features = ["Feature1", "Feature2", "Feature3"]

# 创建共享x轴的垂直子图组
fig, axes = plt.subplots(
    nrows=len(target_features),
    ncols=1,
    sharex=True,
    figsize=(6, 2.5 * len(target_features))  # 画布高度随特征数量自动适配
)

# 逐个子图绘制对应特征的散点
for ax, feat in zip(axes, target_features):
    sns.stripplot(
        y=feat,
        x="Patient",
        data=features,
        ax=ax,
        jitter=True,
        size=6,
        alpha=0.7
    )

# 自动调整子图间距，避免标签重叠
plt.tight_layout()
plt.show()

方案二：分面网格实现（适合需要扩展自定义样式的场景） #

如果后续需要增加颜色映射、自定义排列顺序等扩展功能，可以先将宽表转换为长表格式，再用Seaborn的FacetGrid实现分面：

• 用melt方法将宽表转为长格式，新增列记录特征名称和对应数值
• 基于特征列创建纵向分面网格，共享x轴
• 将stripplot映射到每个分面单元格中

转换长表的代码：

long_features = features.melt(
    id_vars=["Patient", "Visit"],
    var_name="Feature",
    value_name="Value"
)

分面绘图代码：

g = sns.FacetGrid(
    long_features,
    row="Feature",
    row_order=target_features,
    sharex=True,
    height=2.5,
    aspect=3
)

g.map(
    sns.stripplot,
    "Patient",
    "Value",
    jitter=True,
    size=6,
    alpha=0.7
)

g.fig.tight_layout()
plt.show()

• 若需要区分不同就诊次数（Visit）的散点，可在stripplot的参数中增加hue="Visit"，再通过plt.legend()添加统一图例
• 若特征数量较少、画布为宽屏，可将垂直子图改为横向排列（设置ncols=len(target_features), nrows=1, sharey=False），适配宽屏展示
• 由于每个子图独立适配y轴范围，不需要手动对特征做归一化处理，可完整保留各特征的原始分布特征

内容的提问来源于stack exchange，提问作者FiReTiTi