每月多筆週紀錄的寬表，兩行程式變成一張分通路長條圖。本站實跑：寬表 (12, 3) 經 melt 融成長表 (24, 3)，barplot 的六根條高度與 groupby(['month','channel']).sum() 一字不差（讀 ax.patches 逐根對帳）——web 450 → 600 → 780、store 780 → 620 → 450。而如果照選項 A 把兩通路相加：月合計 1230／1220／1230，幾乎一條水平線——通路大翻轉被整個藏住。這頁還埋一個版本考點：題目標「seaborn >= 0.12」，考的就是 errorbar=None 這個新 API。
df 每月可能有多列紀錄，欄位為 month、web、store。使用 seaborn 0.12 以上版本時，下列程式產生的圖最合理的描述為何？
long = df.melt(id_vars='month', # month 當「身分欄」原地保留 value_vars=['web', 'store'], # 這兩欄要「融」進同一欄 var_name='channel', value_name='sales') # 舊欄名進 channel、數值進 sales sns.barplot(data=long, x='month', y='sales', # 長條圖：x 軸月份、y 軸銷售 hue='channel', estimator=sum, errorbar=None) # 顏色分通路；同組加總；不畫誤差線
同一堆銷售紀錄有兩種記法。寬表像月報表：每列一筆紀錄、web 與 store 各佔一欄——人看很舒服。長表像收銀機流水帳：每列只記一件事——「幾月、哪個通路、多少錢」，通路變成欄位裡的值而不是欄位的名字。
seaborn 這類繪圖工具偏愛流水帳，理由很實際：你想「顏色照通路分」，長表只要一句 hue='channel'——因為「通路」就躺在一個欄位裡可以指名；寬表的通路藏在欄名裡，工具沒辦法指認。所以這題的兩行程式是視覺化的標準流程：先 melt 融寬成長，再把欄位名交給 x／y／hue。
melt 把 web、store 兩欄融成「channel＋sales」兩欄——每列原紀錄拆成兩列（實跑 12 列 → 24 列）。② barplot 是聚合圖：同一「月份 × 通路」組的很多筆資料，會被 estimator 揉成一根條——本題 estimator=sum ＝ 組內加總。③ 題目標「seaborn >= 0.12」不是裝飾——errorbar=None 是 0.12 起的新寫法（舊版寫 ci=None）。點擊後出現漸進式說明：白話說明 → 說清楚一點 → 常見錯誤與考點。
點擊後出現漸進式說明。
五行，一行一行走完。右上角的「看位置」可以把這一行放回完整程式裡看。
long = df.melt(id_vars='month', # 開始融表：month 原地保留、不被融
melt（融化）是寬表變長表的工具。id_vars='month' 指定身分欄：這欄是每筆紀錄的「身分證」，融表過程原地保留、跟著每一列走。結果存進變數 long——待會 barplot 吃的就是它。
value_vars=['web', 'store'], # 這兩欄要被「融」進同一欄
用清單點名 web 與 store——它們的欄名會變成新欄位裡的值、數值會集中到另一欄。這就是融表的本體：原本一列同時記兩個通路，融完每列原紀錄拆成兩列（web 一列、store 一列）——本站實跑：寬表 (12, 3) 融完變長表 (24, 3)。
var_name='channel', value_name='sales') # 舊欄名進 channel、數值進 sales
var_name 幫「裝舊欄名的欄」取名（不寫預設叫 variable）、value_name 幫「裝數值的欄」取名（預設叫 value）。取好名字的長表三欄：month / channel / sales——實跑前四列：(1, web, 120)、(1, web, 95)、(1, web, 130)、(1, web, 105)。取名不是裝飾：下一行 barplot 要用這些名字指認欄位——hue='channel' 能寫，是因為這裡取了 channel。
sns.barplot(data=long, x='month', y='sales', # 資料吃長表；x 軸月份、y 軸銷售
sns.barplot 是聚合長條圖——它不是把 24 筆資料畫 24 個東西，而是把「同一組」的資料揉成一根條。data=long 指定吃剛融好的長表；x='month' 讓月份當類別軸（實跑 x 軸刻度 1、2、3）；y='sales' 是要被聚合的數值。這也是選項 B 陣亡的地方：畫每一筆原始資料的是 scatterplot／stripplot，不是 barplot。
hue='channel', estimator=sum, errorbar=None) # 顏色分通路；同組全部加總；不畫誤差線
三個參數三件事。① hue='channel'：每個月份底下分兩根不同顏色的條（實跑圖例：web、store）——「分通路」的來源。② estimator=sum：同一「月份 × 通路」組內的多筆紀錄全部加總成條高——不寫的話預設取平均（實跑：450 會變 112.5）。③ errorbar=None：關掉預設的誤差線——這是 seaborn 0.12 起的新寫法，舊版寫 ci=None，題目特別標版本就是在考這個。
本站實跑資料：3 個月、每月 4 筆週紀錄——正是題目說的「每月可能有多列紀錄」。按兩顆按鈕，看同一批資料的兩種長相：
(12, 3) → df.melt(...) → 長表 (24, 3)，欄位 month / channel / sales。第一筆紀錄（1 月、web 120、store 200）被拆成兩列：(1, web, 120) 與 (1, store, 200)——通路從「欄名」搬進「欄值」，這正是 seaborn 能用 hue='channel' 指認它的原因。barplot 拿到長表後做的事，等價於一句 pandas：long.groupby(['month','channel'])['sales'].sum()。本站直接讀圖上六根條的高度（ax.patches）跟 groupby 對帳：
estimator=sum 拿掉：六根高度變成組內平均 [112.5, 112.5, 150, 155, 195, 195]，而且多出 6 條誤差線（errorbar 預設開啟）——「加總」與「不畫誤差線」都是題目親手指定的。加碼：estimator 寫 sum、'sum'、np.sum 三種形式實跑同值。選項 A 說「把 web 與 store 相加成單一折線，不區分通路」。先不論折線與長條之別——把通路加起來，這份資料會發生一件慘案：
題目特別寫「使用 seaborn 0.12 以上版本」——不是廢話，是API 分水嶺。三件展品（本站 seaborn 0.13.2 實跑）：
ci=None；0.12 起改成 errorbar=None（errorbar 參數還能指定 'ci'、'sd'、'se' 等種類）。本站 0.13.2 實跑舊寫法：圖照畫，但噴 FutureWarning：The `ci` parameter is deprecated. Use `errorbar=None` for the same effect.——「還能跑但已被判死緩」。題目把版本寫進題幹，就是提示你 errorbar=None 是合法的新 API、不是錯字。剩下兩個選項用實跑數字補刀，順便學一招對帳技巧：
| 選項的主張 | 那其實是誰的工作 | 本站實跑補刀 |
|---|---|---|
| B：每筆原始資料的散佈圖 | scatterplot／stripplot | barplot 是聚合圖：24 筆進去、只出 6 根條；且 hue='channel' 顏色代表通路，不是月份 |
| D：相關係數矩陣＋熱圖 | df[['web','store']].corr() ＋ sns.heatmap | 實跑 r = -0.8752（web 升 store 跌，強負相關）——有趣歸有趣，但那是另一段程式 |
對帳技巧（值得帶走）：不確定 barplot 在畫什麼時，自己先算一次等價的 pandas——long.groupby(['month','channel'])['sales'].sum()——再跟圖對。本站更進一步用 ax.patches 把六根條的高度直接讀出來比對：逐根一字不差。圖不再是黑盒子，每根條都有一句 groupby 當它的存在證明。
兩刀斃命：① barplot 畫長條不是折線（折線是 lineplot）；② hue='channel' 明明白白區分通路——每月兩根不同色的條（實跑圖例：web、store）。加映慘案：真把兩通路相加，月合計 1230／1220／1230 幾乎持平——web 翻 1.73 倍、store 掉 42% 的大翻轉整個被藏住——這張圖存在的意義就是不讓你這樣看。
barplot 是聚合圖：實跑 24 筆原始資料進去，圖上只有 6 根條——每根是一組「月份 × 通路」被 estimator 揉出來的總和；想看每一筆原始資料，那是 scatterplot／stripplot 的工作。第二刀：顏色由 hue='channel' 決定——代表通路，不是月份；月份在 x 軸。
每個字都對得上實跑：「先轉成長表」＝ melt 把 (12, 3) 融成 (24, 3)、通路從欄名搬進 channel 欄；「以月份與通路分組加總」＝ estimator=sum——六根條高度與 groupby(['month','channel']).sum() 一字不差（450／780、600／620、780／450）；「分通路長條」＝ hue='channel' 每月兩根分色條。melt 融寬成長、estimator 分組加總、hue 分通路——一句話就是這一題。
相關係數矩陣要寫 df[['web','store']].corr()、熱圖要 sns.heatmap——題目程式裡一個都沒出現。本站順手實跑給你看：r ＝ -0.8752（web 節節上升、store 節節下滑，強負相關）——這個數字很有戲，但它不是這兩行程式的產出。考場判法：選項描述的函式根本沒被呼叫，直接出局。
再看一次同兩行程式。這次你知道每個參數各管哪件事了：melt 融寬成長、hue 分通路、estimator=sum 分組加總、errorbar=None 是 0.12 的新 API。
long = df.melt(id_vars='month', value_vars=['web', 'store'], ...) # (12,3) → (24,3) sns.barplot(..., hue='channel', estimator=sum, errorbar=None) # 六根條 = groupby sum
八題，全部都是本題的延伸。答錯會直接告訴你錯在哪。
melt 把寬表融成長表（month 身分欄、web/store 融進 channel/sales）；後兩行 barplot 用長表畫分通路長條。groupby(['month','channel'])['sales'].sum() 一字不差——web 450→600→780、store 780→620→450。ci=None、0.12 起改 errorbar=None——本站 0.13.2 實跑舊寫法仍可跑但噴 FutureWarning；題幹標「>= 0.12」就是在提示新 API。df[['web','store']].corr()（實跑 r=-0.8752）＋sns.heatmap——題目程式一個都沒呼叫。「melt 長表 ＋ seaborn 分組圖」是中級科目二大數據處理分析與應用的高頻考點，常跟 groupby、樞紐分析（pivot）互相搭配出題。最常見的六種問法：① 給 melt＋barplot 程式問畫出什麼（本題——認出融表、分組、聚合三步）；② 問 melt 各參數的角色（id_vars 身分欄／value_vars 融誰／var_name、value_name 取名）；③ 問 melt 前後的形狀（每列拆成 value_vars 個數的列：12 × 2 → 24）；④ 問 barplot 的 estimator 預設與替代（預設 mean；sum、median、np.max 都能換）；⑤ 問 hue 的作用（同一 x 底下按類別分色分條）；⑥ 問新舊版誤差線寫法（ci=None → errorbar=None，0.12 分水嶺）。一句口訣：melt 融寬成長、hue 分通路、estimator=sum 分組加總。
melt 把「多個數值欄」融成「一欄類別＋一欄數值」。本題 value_vars 點名 web 與 store 兩欄：每一列原紀錄裡，web 的值搬出來配上標籤 'web' 成一列、store 的值配上 'store' 再成一列——所以列數 × 2（value_vars 有幾欄就 × 幾）。實跑：(12, 3) → (24, 3)，長表欄位 month／channel／sales，前四列 (1, web, 120)、(1, web, 95)、(1, web, 130)、(1, web, 105)。id_vars 指定的 month 是身分欄，原地保留跟著每列走。記法：寬表把類別藏在欄名裡、長表把類別放進欄值裡——工具要「按類別分色」，只認得欄值。
因為 seaborn 的文法是「欄名 → 圖的角色」：x='month'、y='sales'、hue='channel'——每個視覺角色指名一個欄位。長表裡「通路」是一個真正的欄位，所以能被 hue 指認；寬表的通路藏在欄名（web、store）裡，hue 沒有東西可指。這套「一列一觀測、一欄一變數」的規矩叫 tidy data（整潔資料）——pandas 的 melt/pivot 就是在寬與長之間搬家的工具。考點延伸：seaborn 大多數函式（lineplot、boxplot、violinplot）都吃同一套長表文法——學會一次、全家通用。
本站直接對帳給你看：把題目的圖畫出來、用 ax.patches 讀出六根條的高度，排序後是 [450, 450, 600, 620, 780, 780]；再算 long.groupby(['month','channel'])['sales'].sum()——1月 web 450／store 780、2月 600／620、3月 780／450——逐根一字不差。所以 barplot＋estimator 可以理解成「幫你 groupby 完直接畫」的縮寫。加碼實跑：estimator 寫 sum（Python 內建函式）、'sum'（字串）、np.sum 三種形式結果同值——0.12 起官方推薦字串寫法。
預設 estimator 是平均（mean）：實跑六根高度變 [112.5, 112.5, 150, 155, 195, 195]——「1 月 web 平均每筆 112.5」和「1 月 web 總共 450」是兩張完全不同的圖，讀圖前要先問「這根條是加總還是平均」。誤差線（errorbar）預設也會開：seaborn 會用 bootstrap 估計平均的 95% 信賴區間、在條頂畫一小段線（實跑：預設版多出 6 條誤差線物件）——它表達「這個平均有多不確定」。題目 errorbar=None 把它關掉，因為加總是精確計算、畫不確定性沒有意義。
同一件事的兩個年代。0.12 之前：ci 參數管信賴區間，關掉寫 ci=None。0.12 起：改成統一的 errorbar 參數——None 關閉、'ci' 信賴區間、'sd' 標準差、'se' 標準誤，表達力更完整。本站 seaborn 0.13.2 實跑舊寫法 ci=None：圖照畫、結果相同，但噴 FutureWarning：The `ci` parameter is deprecated. Use `errorbar=None` for the same effect.——「還能跑，但已進淘汰名單」。題目把「seaborn >= 0.12」寫進題幹，就是要你認得 errorbar=None 是合法新寫法、不是錯字——版本敏感的 API 是科目二近年愛考的題型。
兩條路。路一（pandas 先算）：df.groupby('month')[['web','store']].sum().sum(axis=1) 或對長表 long.groupby('month')['sales'].sum()——實跑 1230／1220／1230。路二（圖上直接畫）：把 hue 拿掉、estimator=sum 保留——每月一根總和條。但要記得本頁 04 節的教訓：這份資料的月合計幾乎持平，總量視角會把「web 翻 1.73 倍、store 掉 42%」的結構翻轉整個藏住——合計圖適合報總量，結構變化要靠 hue 分組（或堆疊圖）才看得見。選 A 的人不只選錯圖形，更選錯了「該問資料什麼問題」。
兩條線。「圖背後是聚合」：第 13 頁（macro/weighted F1）教「一個數字背後是哪種平均」，本頁教「一根長條背後是哪句 groupby」——科目二考視覺化，考的都是「程式 → 數字 → 圖」的對應，不是美感。「被合計遮住的結構」：第 3 頁 accuracy 95% 假象（全猜多數類）、第 13 頁 weighted 被多數類拉高、本頁月合計 1230 持平藏住通路翻轉——同一個病：把不同組揉成一個數，組間的故事就死了；同一帖藥：分組看（hue、macro、逐類報告）。把這條線講給自己聽一遍，三頁一起帶走。