我太懂这种需求了！做关联可视化最闹心的就是两个图的元素尺寸不统一，视觉上特别违和。刚好我之前做过类似的多组对比可视化，给你一套落地的解决方案，保证两个图的箱线宽度、散点抖动范围完全对齐：

核心思路 #

因为你要求设计类图表用默认箱宽来容纳10个箱线（5个设计版本×2种数据类型），那我们有两种靠谱的实现方式：要么提取设计图的默认箱宽值复用给温度图，要么手动指定一个固定宽度同时应用到两个图上，都能实现视觉统一。

方案1：提取设计图默认箱宽（最贴合你的需求） #

这种方式完全基于设计图的默认布局，不用自己瞎猜数值，兼容性最好：

首先先准备好测试数据（你直接替换成自己的真实数据就行）：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 模拟温度数据：warm/cold两个条件，各包含simulated和experimental值
temp_df = pd.DataFrame({
    'category': np.repeat(['warm', 'cold'], 100),
    'data_type': np.tile(['simulated', 'experimental'], 100),
    'value': np.concatenate([
        np.random.normal(25, 3, 100),  # warm simulated
        np.random.normal(23, 2.5, 100),  # warm experimental
        np.random.normal(10, 2, 100),  # cold simulated
        np.random.normal(8, 1.8, 100)   # cold experimental
    ])
})

# 模拟设计数据：5个版本，各包含simulated和experimental值
design_df = pd.DataFrame({
    'category': np.repeat([f'design_{i}' for i in range(1,6)], 80),
    'data_type': np.tile(['simulated', 'experimental'], 200),
    'value': np.concatenate([
        np.random.normal(15+i, 2, 80) for i in range(5)  # simulated值
    ] + [
        np.random.normal(14+i, 1.5, 80) for i in range(5)  # experimental值
    ])
})

然后是关键的可视化代码：

# 先悄悄获取设计图的默认箱宽（不用显示这个临时图）
fig_temp, ax_temp = plt.subplots()
sns.boxplot(data=design_df, x='category', y='value', hue='data_type', ax=ax_temp)
# 从箱线图的patch元素里提取宽度
box_width = [p.get_width() for p in ax_temp.patches if p.get_width() > 0][0]
plt.close(fig_temp)  # 删掉临时图，不占内存

# 绘制设计类对比图（用默认箱宽）
fig1, ax1 = plt.subplots(figsize=(10, 5))
# 绘制箱线图：用默认布局，这里不用指定width参数
sns.boxplot(
    data=design_df,
    x='category',
    y='value',
    hue='data_type',
    ax=ax1,
    palette='Set2'
)
# 绘制散点图：抖动范围和箱宽匹配，dodge=True保证和箱线分组对齐
sns.stripplot(
    data=design_df,
    x='category',
    y='value',
    hue='data_type',
    ax=ax1,
    jitter=box_width/2,  # 抖动范围设为箱宽的一半，视觉上完美贴合
    dodge=True,
    color='black',
    size=3,
    alpha=0.6
)
# 清理重复的图例（因为箱线和散点都加了hue，会生成重复图例）
handles, labels = ax1.get_legend_handles_labels()
ax1.legend(handles[:2], labels[:2], title='Data Type')
ax1.set_title('Simulated vs Experimental: Design Versions')
plt.tight_layout()

# 绘制温度类对比图（复用刚才提取的箱宽）
fig2, ax2 = plt.subplots(figsize=(6, 5))
# 绘制箱线图：指定和设计图完全一样的width值
sns.boxplot(
    data=temp_df,
    x='category',
    y='value',
    hue='data_type',
    ax=ax2,
    width=box_width,
    palette='Set2'
)
# 绘制散点图：用同样的jitter值，保证和设计图散点抖动范围一致
sns.stripplot(
    data=temp_df,
    x='category',
    y='value',
    hue='data_type',
    ax=ax2,
    jitter=box_width/2,
    dodge=True,
    color='black',
    size=3,
    alpha=0.6
)
# 清理重复图例
handles, labels = ax2.get_legend_handles_labels()
ax2.legend(handles[:2], labels[:2], title='Data Type')
ax2.set_title('Simulated vs Experimental: Temperature Conditions')
plt.tight_layout()

plt.show()

方案2：手动指定统一宽度（更灵活） #

如果觉得设计图的默认宽度太挤或者太松，你可以直接手动设置一个固定值，两个图都用这个值，比如：

# 手动指定统一的箱宽
fixed_width = 0.4

# 设计图的箱线和散点设置
sns.boxplot(..., width=fixed_width, ax=ax1)
sns.stripplot(..., jitter=fixed_width/2, ax=ax1)

# 温度图的箱线和散点设置
sns.boxplot(..., width=fixed_width, ax=ax2)
sns.stripplot(..., jitter=fixed_width/2, ax=ax2)

几个关键注意点 #

• 一定要给stripplot加dodge=True，不然散点会全部堆在一组，和箱线图的分组完全不对齐
• 散点的jitter设为箱宽的一半是视觉上最和谐的，既不会超出箱线的横向范围，也不会显得太拥挤
• 如果你的数据里hue的分组顺序不一样，记得给两个图都加上hue_order=['simulated', 'experimental']，保证分组顺序一致，对齐更完美

这样调整完，两个图的箱线宽度、散点抖动范围就完全统一了，放在报告里特别专业！