绘制平均值+误差更适合sns.pointplot()而不是sns.stripplot()。Seaborn文件中指出了这一点：

sns.pointplot使用散点图图示符显示点估计值和置信区间。点图通过散点图点的位置表示数值变量的集中趋势估计值，并使用误差条提供该估计值周围的不确定性的一些指示。
sns.stripplot绘制一个散点图，其中一个变量是分类的。带状图可以单独绘制，但在您希望显示所有观察结果沿着潜在分布的一些表示的情况下，它也是对箱线图或小提琴图的很好补充。

如果您可以访问所有观测值，而不仅仅是平均值+误差，那么您可以通过以下方式实现您想要的结果：

import seaborn as sns
%matplotlib inline

tips = sns.load_dataset('tips')
sns.pointplot('sex', 'tip', hue='smoker',
    data=tips, dodge=True, join=False)

您可以使用ci参数将置信区间的类型从默认的95%更改为：

sns.pointplot('sex', 'tip', hue='smoker',
    data=tips, dodge=True, join=False, ci='sd')

在上文中，Seaborn计算了误差和集中趋势的测量值。如果您已经预先计算了这些值，则会有一点麻烦，因为目前不可能使用带有预先计算的误差条的sns.pointplot()。在使用sns.pointplot()绘制均值后，我使用plt.errorbar()添加误差：

ax = sns.pointplot('sex', 'tip', hue='smoker',
    data=tips, dodge=True, join=False, ci=None)

# Find the x,y coordinates for each point
x_coords = []
y_coords = []
for point_pair in ax.collections:
    for x, y in point_pair.get_offsets():
        x_coords.append(x)
        y_coords.append(y)

# Calculate the type of error to plot as the error bars
# Make sure the order is the same as the points were looped over
errors = tips.groupby(['smoker', 'sex']).std()['tip']
colors = ['steelblue']*2 + ['coral']*2
ax.errorbar(x_coords, y_coords, yerr=errors,
    ecolor=colors, fmt=' ', zorder=-1)

你也可以使用matplotlib直接绘制整个图，如果你手动提供x位置，类似于this example。