在给定的选项中，使用 Seaborn 进行变量间相关性分析的最佳方法是 `sns.pairplot()`。

### 答案：
B: `sns.pairplot()`

### 专业分析：
- **`sns.pairplot()`** 是一个非常强大的工具，用于可视化多个变量之间两两关系的网格图。这个方法会为每对变量创建散点图，并在对角线上显示每个变量的分布直方图或核密度估计。通过观察这些散点图，可以快速判断哪些变量之间存在较强的线性关系。

- **优点**：
- 可以直观比较多个变量之间的关系。
- 提供的散点图能够揭示变量间的线性相关性。
- 对角线上的分布图帮助理解数据的单变量分布形式。

- **其他选项**：
- `sns.joinplot()`：用于绘制两个变量之间的关系图，主要用来分析单对变量的关系，而不适用于同时检查多个变量的关系。
- `sns.subplot()`：Seaborn中没有该函数名，这个词通常与Matplotlib结合，用于定义子图的布局。
- `sns.grid()`：Seaborn中也不存在该方法名，它不是用于可视化数据的函数。

因此，`sns.pairplot()` 是识别多个变量间强相关性的最佳选择。可以用以下代码绘制：

```python
import seaborn as sns
import pandas as pd
import numpy as np

# 示例DataFrame
data = pd.DataFrame(np.random.rand(100, 8), columns=[f'Var{i+1}' for i in range(8)])

# 使用sns.pairplot()
sns.pairplot(data)
```
这个方法将帮助你直观地发现哪些变量之间有潜在的相关性。