2026-06-14-数据可视化 Vol.3 可视化库
8762 个字
44 分钟
2026-06-14-数据可视化 Vol.3 可视化库
matplotlib / Seaborn
一、全局配置
字体配置：通过
rcParams字典全局修改 matplotlib 的运行时配置参数。font.sans-serif指定无衬线字体族的回退列表，matplotlib 按列表顺序查找第一个系统中已安装的字体。axes.unicode_minus设为False是为了让 matplotlib 使用 ASCII 连字符-替代 Unicode 负号−， 因为很多中文字体缺这个 Unicode 字符，会显示为方块 □。 这些配置放在import之后、任何绘图之前，对所有后续图表生效。
import matplotlib.pyplot as plt # 导入 pyplot 模块，约定别名为 plt
# ===== 字体配置 =====plt.rcParams['font.sans-serif'] = ['SimHei'] # 【字体配置】无衬线字体族列表，SimHei=黑体(Windows自带)， # 也可用 'Microsoft YaHei'(微软雅黑)、'WenQuanYi Micro Hei'(Linux文泉驿)、 # 'PingFang SC'(macOS苹方)；matplotlib 按列表顺序查找第一个可用字体
plt.rcParams['axes.unicode_minus'] = False # 【字体配置】关闭 Unicode 负号，用 ASCII '-' 替代 Unicode '−'， # 避免中文字体缺失该字符导致负号显示为方块 □
# ===== 画布默认值 =====plt.rcParams['figure.figsize'] = (8, 5) # 全局默认画布尺寸：宽8英寸、高5英寸（所有未显式指定 figsize 的图都用这个）plt.rcParams['figure.dpi'] = 100 # 全局默认分辨率：100 dots per inch，控制屏幕上图片的像素密度 # 最终像素数 = figsize × dpi，如 8×100=800px 宽二、Figure / Axes 创建区
子图： API 是
plt.subplots()，它一次性创建 Figure（画布容器）和 Axes（坐标轴/子图区域）对象。nrows和ncols定义子图网格的行列数，返回的axes是一个二维 NumPy 数组，通过axes[row, col]索引操作每个子图。 这是"面向对象"写法，比老的plt.subplot()更灵活——你可以对每个子图单独设置标题、刻度、图例等，互不干扰。 最后用plt.tight_layout()自动计算并调整子图之间的间距，防止标签文字重叠/被裁切。
单图
fig, ax = plt.subplots(figsize=(8, 5), dpi=100)# 【子图】创建一个包含单个 Axes 的 Figure；fig 是整张画布，ax 是画布上的唯一坐标轴区域# figsize 参数会覆盖全局 rcParams 中的默认值，单位是英寸 (width, height)# dpi=100 表示该图的分辨率为 100 像素/英寸，最终像素 = 800×500多子图（网格布局）
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))# 【子图】创建 2行×2列 共4个子图的网格，axes 是 shape=(2,2) 的 ndarray# figsize=(10,8) 指定整个画布的大小(宽10,高8英寸)，每个子图自动均分画布空间
axes[0, 0].plot(x1, y1, color='blue') # 【子图】通过行列索引 [行, 列] 访问第1个子图，在上面画折线图axes[0, 1].bar(x2, y2, color='orange') # 【子图】访问第2个子图（第0行第1列），在上面画柱状图axes[1, 0].scatter(x3, y3, color='green') # 【子图】访问第3个子图（第1行第0列），在上面画散点图axes[1, 1].hist(data, bins=20) # 【子图】访问第4个子图（第1行第1列），在上面画直方图
# 遍历所有子图做统一设置（如添加标题、去边框）for i, row in enumerate(axes): # 遍历行 for j, ax in enumerate(row): # 遍历列 ax.set_title(f'子图 {i+1},{j+1}') # 【子图】给每个子图分别设置标题 ax.spines['top'].set_visible(False) # 去顶边框 ax.spines['right'].set_visible(False) # 去右边框
plt.tight_layout() # 【子图】自动调整子图间距(padding)， # 防止相邻子图的标签/标题重叠，是最后一步布局操作plt.subplots 解包规则（易错点）
# nrows=1, ncols=1 时，axes 是单个对象，直接赋值fig, ax = plt.subplots(1, 1) # ✅ ax 是 Axes 对象，可直接 .plot()
# nrows=1, ncols>1 时，axes 是一维数组fig, axes = plt.subplots(1, 3) # ✅ axes 是 shape=(3,) 的一维数组axes[0].plot(x, y) # ✅ 用一维索引访问
# nrows>1, ncols>1 时，axes 是二维数组fig, axes = plt.subplots(2, 3) # ✅ axes 是 shape=(2,3) 的二维数组axes[0, 1].plot(x, y) # ✅ 用二维索引 [行, 列] 访问不规则子图布局（使用 subplot_mosaic，matplotlib 3.3+）
# 用字符串定义布局：每个字母代表一个子图，同一字母跨越多格表示合并fig, axes = plt.subplot_mosaic([ ['A', 'A', 'B'], # 第1行：A 占2列，B 占1列 ['A', 'A', 'C'], # 第2行：A 继续占2列，C 占1列 ['D', 'E', 'F'], # 第3行：D、E、F 各占1列], figsize=(10, 8))# axes 是 dict，key 是布局字母：{'A': ax_A, 'B': ax_B, ...}axes['A'].plot(x1, y1) # 【子图】A 是合并了2行×2列的大子图axes['B'].bar(x2, y2) # 【子图】B 是右上角单格axes['D'].scatter(x3, y3) # 【子图】D 是左下角单格其他写法
plt.figure(figsize=(8, 5)) # 先创建 Figureplt.subplot(2, 2, 1) # 再逐个添加子图：(行数, 列数, 序号)，序号从1开始plt.plot(x, y)plt.subplot(2, 2, 2) # 切换到第2个子图plt.bar(x, y)# 缺点：状态机写法，难以精确控制每个子图的属性三、坐标轴与刻度区
刻度配置：刻度分为"刻度位置"（ticks，即数据坐标系中刻度线出现的位置）和"刻度标签"（tick labels， 即刻度线上方/旁边的文字）。配置分为四个层次：
①
set_xticks()/set_yticks()— 设定刻度在数据轴上的位置（数值列表）；②
set_xticklabels()/set_yticklabels()— 覆盖刻度标签文字（与刻度位置一一对应）；③
tick_params()— 统一控制所有刻度的视觉样式（旋转角度、字体大小、颜色、刻度线长度等）；④
set_xlim()/set_ylim()— 设定坐标轴的数值范围，超出范围的刻度不会显示。
# ===== 轴标签 =====ax.set_xlabel('时间', fontsize=12)# 【刻度配置】设置 x 轴标签文字为"时间"，字号12pt；该标签显示在 x 轴下方居中位置
ax.set_ylabel('数值', fontsize=12)# 【刻度配置】设置 y 轴标签文字为"数值"，字号12pt；该标签显示在 y 轴左侧居中位置
# ===== 图表标题 =====ax.set_title('图表标题', fontsize=14, fontweight='bold')# 【刻度配置】设置图表标题，fontweight='bold' 加粗，标题显示在坐标轴顶部居中
# ===== 坐标轴范围 =====ax.set_xlim(0, 100)# 【刻度配置】锁定 x 轴显示范围从 0 到 100，超出范围的数据点不会被裁剪但不可见# 参数等价于 ax.set_xlim(left=0, right=100)
ax.set_ylim(0, 1)# 【刻度配置】锁定 y 轴显示范围从 0 到 1
# ===== 刻度位置（ticks 在哪里） =====ax.set_xticks([0, 25, 50, 75, 100])# 【刻度配置】在 x 轴的 0、25、50、75、100 这5个位置放置刻度线和标签# 刻度位置是数据坐标，必须落在 set_xlim 范围内才能显示
ax.set_yticks([0, 0.2, 0.4, 0.6, 0.8, 1.0])# 【刻度配置】在 y 轴的这些位置放置刻度线；如果不调此参数，matplotlib 会自动选择合适的刻度位置
# ===== 刻度标签（ticks 上显示什么文字） =====ax.set_xticklabels(['一月', '二月', '三月', '四月', '五月'])# 【刻度配置】用自定义文字覆盖刻度标签，与 set_xticks 的位置一一对应# 第1个位置(0)显示"一月"，第2个位置(25)显示"二月"...# 必须先调 set_xticks 再调 set_xticklabels，否则标签数量和位置可能不匹配
# ===== 刻度样式（tick_params 统一控制外观） =====ax.tick_params(axis='x', rotation=45, labelsize=10, colors='gray')# 【刻度配置】axis='x' 只作用于 x 轴刻度（也可设为 'y' 或 'both'）# rotation=45：刻度标签文字逆时针旋转45度，用于标签文字过长时防止重叠# labelsize=10：刻度标签字号设为10pt# colors='gray'：刻度标签和刻度线颜色设为灰色
ax.tick_params(axis='both', which='major', length=6, width=1.5)# 【刻度配置】which='major' 控制主刻度线长度和宽度（which='minor' 控制次刻度线）# length=6 刻度线向外延伸6点；width=1.5 刻度线宽度1.5点
# ===== 坐标轴脊线（spines）美化 =====ax.spines['top'].set_visible(False) # 【刻度配置】隐藏顶部边框脊线，实现"开口式"坐标轴风格ax.spines['right'].set_visible(False) # 【刻度配置】隐藏右侧边框脊线（Edward Tufte 推荐的数据-墨水比优化）# spines 的 key 有4个：'top', 'bottom', 'left', 'right'# 还可调 spine 位置：ax.spines['left'].set_position(('data', 0)) 将 y 轴移到 x=0 处
# ===== 网格线 =====ax.grid(True, linestyle='--', alpha=0.3)# 【刻度配置】显示网格线，linestyle='--' 虚线风格，alpha=0.3 透明度30%（降低视觉干扰）# 网格线的位置与刻度位置对齐，帮助读者从数据标记点对到坐标轴数值
# ===== 图例 =====ax.legend(loc='upper right', frameon=False)# 【刻度配置】显示图例，loc='upper right' 放在右上角；# frameon=False 取消图例的边框矩形（更简洁）# 图例的每一项对应之前 plot/bar/scatter 时设置的 label 参数四、常见图型
# 1. 柱形图ax.bar(x, y, color='#3A86FF', width=0.6, edgecolor='black')# x: 每个柱子的 x 轴位置（类别标签的数值映射）# y: 每个柱子的高度# width=0.6: 柱宽（默认0.8），值越小柱子越窄、间距越大# edgecolor='black': 柱子边框颜色，使柱子边界清晰
# 2. 横向条形图ax.barh(y, x, height=0.6, color='#FF6B6B')# barh = horizontal bar，y 是类别位置，x 是对应数值（与 bar 的 x,y 互换）# height 控制条形的"厚度"（在横向图中相当于柱宽）
# 3. 直方图ax.hist(data, bins=20, density=False, edgecolor='black')# data: 一维原始数据数组，matplotlib 自动分箱统计频数# bins=20: 分成20个区间（柱子数量），bins 越大直方图越精细# density=False: y 轴显示频数（计数）；density=True 则显示概率密度（总面积=1）
# 4. 箱线图ax.boxplot(data, labels=['A','B','C'], showfliers=True, notch=False)# data: 列表的列表，每个子列表是一组数据# showfliers=True: 显示离群点（用小圆圈标记超出1.5倍IQR的点）# notch=True: 中位数处做凹槽，凹槽不重叠表示中位数差异显著
# 5. 散点图ax.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')# c: 每个点的颜色值（可以是单色字符串或数值数组，数值时配合 cmap 映射颜色）# s: 每个点的大小（标量或数组），单位是点的平方# alpha=0.6: 透明度，点重叠时能看出密度分布# 【cmap】cmap='viridis'：将 c 的数值映射到 viridis 色带（蓝→绿→黄），是默认推荐的色盲友好 colormap
# 6. 气泡图（散点的s参数映射第三维）ax.scatter(x, y, s=z*100, c=z, cmap='coolwarm', alpha=0.7)# s=z*100: 用第三维 z 控制气泡大小，*100 是为了让点可见（z 值可能太小）# c=z: 同一维 z 也映射为颜色，实现"大小+颜色"双通道编码第三维# 【cmap】cmap='coolwarm'：双向色带（蓝→白→红），适合有正负对比的数据（如相关系数）
# 7. 折线图ax.plot(x, y, color='red', linestyle='--', linewidth=2, marker='o', label='系列A')# linestyle='--': 虚线（'-'实线, '-.'点划线, ':'点线）# marker='o': 数据点处画实心圆标记（'s'方块, '^'三角, 'd'菱形, 'x'叉号）# label='系列A': 图例中显示的系列名称，需配合 ax.legend() 才能显示
# 8. 面积图ax.fill_between(x, y1, y2, alpha=0.3, color='skyblue')# y1 和 y2 之间的区域被填充颜色（y1 可以是全0数组，实现从x轴向上的填充）# alpha=0.3: 填充区域半透明，避免遮挡背后的线条或网格
# 9. 主题河流图ax.stackplot(x, y1, y2, y3, labels=['A','B','C'], baseline='wiggle')# stackplot: 堆叠面积图，y1,y2,y3 依次堆叠在彼此的顶部# baseline='wiggle': 关键参数！使整体围绕中心轴波动，形成"河流"的视觉效果# baseline='zero' 是从 y=0 向上堆叠（默认），baseline='sym' 是对称堆叠
# 10. 玫瑰图 / 雷达图（极坐标）fig, ax = plt.subplots(subplot_kw={'projection': 'polar'})# subplot_kw={'projection': 'polar'}：在创建子图时传入，将坐标系从直角坐标转为极坐标# 极坐标下 x 轴变成角度(弧度)，y 轴变成半径
ax.bar(theta, r, width=2*np.pi/N)# 玫瑰图：在极坐标上画柱状图，theta 是角度(弧度制)，r 是半径长度# width 控制每个扇形的弧宽，N 是扇形数量，2π/N 让扇形刚好铺满360°
ax.fill(angles, values, alpha=0.25)# 雷达图填充：angles 是各轴的角度，values 是各轴的数据值# fill 将多边形内部填充颜色，alpha 控制透明度以显示网格五、颜色与 colormap
cmap 怎么使用的：colormap（颜色映射表，简称 cmap）是一种将数值映射到颜色的查找表。
c=数值数组+cmap='映射表名'，matplotlib 自动完成映射：最小值→cmap最左颜色，最大值→cmap最右颜色。
- 顺序数据（温度、人口）：
viridis（默认，色盲友好）、plasma、hot- 双向数据（相关系数、增长率，有正有负）：
coolwarm、RdBu（红蓝）、bwr- 分类数据（离散类别）：
Set1、tab10、Pastel1- 加
_r后缀反转颜色顺序（如viridis_r：黄→绿→蓝）cmap 配合
plt.colorbar()添加颜色条（图例），让读者知道颜色和数值的对应关系。
# ===== 三种颜色写法 =====color='red' # 命名颜色：matplotlib 内置140+种命名颜色（'red','blue','green','orange'等）color='#FF5733' # 十六进制 HEX：6位，每2位分别表示 R G B (00-FF)，与 CSS/Web 通用color=(0.2, 0.4, 0.6) # RGB 元组：每个通道 0.0~1.0 的浮点数（0.2=20%红, 0.4=40%绿, 0.6=60%蓝）
# ===== 常用 cmap 及选择场景 =====cmap='viridis' # 默认推荐，从蓝渐变到绿到黄，色盲友好（红绿色盲也能分辨），适合连续数值的默认选择cmap='coolwarm' # 双向色带：冷色（蓝）→ 中性（白/灰）→ 暖色（红），适合有正负值的数据如相关系数矩阵cmap='RdYlBu_r' # 红→黄→蓝 的反转（_r = reversed），适合降水量、风险等级等"红=高"直觉的数据cmap='hot' # 黑→红→黄→白，模仿热辐射，适合热力图、密度图cmap='plasma' # 深紫→粉→黄，替代 jet 的现代选择，感知均匀（perceptually uniform）cmap='Set1' # 9种鲜明颜色的离散色板，适合分类数据（柱状图多类别着色）cmap='tab10' # Tableau 的10色离散色板，比默认色更美观，适合折线图多系列区分
# ===== 添加 colorbar（颜色条/色阶图例） =====sc = ax.scatter(x, y, c=z, cmap='viridis', s=50)# 【cmap】scatter 返回一个 PathCollection 对象，它是 colorbar 的"数据源"# c=z：将数值数组 z 映射到 viridis 色带；z 的最小值→紫色，最大值→黄色
cbar = plt.colorbar(sc, ax=ax, label='强度', shrink=0.8)# 【cmap】colorbar 必须传入一个 mappable 对象（如 scatter/contourf/imshow 的返回值）# ax=ax：指定 colorbar 与哪个 Axes 对齐（宽度自动匹配该 Axes）# label='强度'：colorbar 旁边显示的标签文字# shrink=0.8：缩小 colorbar 高度到80%，避免顶部超出图表
cbar.ax.tick_params(labelsize=8) # 【cmap】调整 colorbar 刻度标签字体大小cbar.set_ticks([0, 0.5, 1.0]) # 【cmap】手动设置 colorbar 的刻度位置cbar.set_ticklabels(['低', '中', '高']) # 【cmap】用中文覆盖 colorbar 刻度标签
# ===== 热力图的 cmap（imshow / pcolormesh） =====im = ax.imshow(matrix, cmap='coolwarm', aspect='auto', origin='upper')# 【cmap】imshow 显示二维矩阵作为图片，每个像素的颜色由 matrix[i,j] 经 cmap 映射# aspect='auto'：自动拉伸填充 Axes；origin='upper'：矩阵 [0,0] 在左上角plt.colorbar(im, ax=ax, label='值')
# ===== 等高线图的 cmap =====contour = ax.contourf(X, Y, Z, levels=20, cmap='viridis')# 【cmap】contourf 绘制填充等高线图，levels=20 表示20个层级，每层颜色由 cmap 映射 Z 值# 每个等高线区间对应 cmap 中的一段颜色，颜色过渡越平滑越好
# ===== 颜色归一化（控制 cmap 映射范围） =====from matplotlib.colors import Normalize, LogNormnorm = Normalize(vmin=0, vmax=100) # 线性映射：将 [0,100] 映射到 cmap 的 [起点, 终点]sc = ax.scatter(x, y, c=z, cmap='viridis', norm=norm)# vmin/vmax 直接在 scatter 中传也行：ax.scatter(..., vmin=0, vmax=100)
log_norm = LogNorm(vmin=1, vmax=1000) # 对数映射：适合数据跨度几个数量级的情况# 使用场景：数据从 1 到 1000，用线性映射时小值全挤到 cmap 一端，对数映射让低值区间也有颜色区分六、Seaborn
6.1 定义、加载与优势
Seaborn 是什么：Seaborn 是基于 matplotlib 构建的 Python 高级统计可视化库，由 Michael Waskom 开发。 它封装了 matplotlib 的底层绘图 API，提供面向 DataFrame 的高级接口，让统计图表能用一行代码完成。
import seaborn as sns # 加载 Seaborn，约定别名 sns（取自电视剧《白宫风云》角色 Samuel Norman Seaborn）Seaborn 相比裸 matplotlib 的优势：
| 优势 | 说明 | 对比 matplotlib |
|---|---|---|
| ① DataFrame 原生支持 | 直接传列名字符串（x='col1'），无需手动提取数组 | plt.plot(df['col1'], df['col2']) 需手动取列 |
| ② 自动分组着色 | hue='类别列' 一个参数完成分组+配色+图例 | 需手动循环分组、选色、拼图例 |
| ③ 统计功能内置 | 箱线图/小提琴图自动计算分位数；回归图自动拟合+置信区间 | 需手动调用 numpy/scipy 计算 |
| ④ 默认美观 | 自带精心设计的调色板和主题样式，开箱即用 | 默认配色朴素，需大量手动美化 |
| ⑤ Figure-level API | pairplot、clustermap、catplot 等自动创建多子图布局 | 需手动 subplots + 循环填充每个子图 |
6.2 风格特点
Seaborn 提供五大内置主题，通过
sns.set_theme()一键切换整体视觉风格。 主题控制的是背景色、网格线、刻度线等"画布层面"的样式，不改变数据本身的绘制逻辑。
import seaborn as sns
# ===== 主题风格（style） =====sns.set_theme(style='whitegrid') # 白底+灰色网格线（最常用，商务图表首选）sns.set_theme(style='darkgrid') # 灰底+白色网格线（适合深色背景的演示文稿）sns.set_theme(style='white') # 纯白底无网格（极简风格，适合海报/信息图）sns.set_theme(style='dark') # 纯灰底无网格（与 darkgrid 类似但无网格）sns.set_theme(style='ticks') # 白底+刻度短线（Edward Tufte 推荐风格，最小化非数据元素）
# ===== 调色板（palette） =====sns.set_theme(palette='deep') # 默认10色，饱和度高，适合分类数据sns.set_theme(palette='muted') # 低饱和度版本，视觉更柔和（推荐用于论文）sns.set_theme(palette='pastel') # 粉彩色系，适合浅色背景sns.set_theme(palette='bright') # 高亮度色系，适合深色背景sns.set_theme(palette='dark') # 深色系sns.set_theme(palette='colorblind')# 色盲友好色板（约8%男性色盲，学术/公开报告推荐）
# ===== 上下文缩放（context） =====sns.set_context('paper') # 论文用：小字体，适合嵌入 LaTeX/Wordsns.set_context('notebook') # 默认：适中字体，适合 Jupyter Notebooksns.set_context('talk') # 演讲用：大字体，适合投影演示sns.set_context('poster') # 海报用：超大字体，适合打印展板# context 会自动缩放所有文字元素（标签、刻度、图例）的字体大小
# ===== 一行设置全部 =====sns.set_theme(style='whitegrid', palette='muted', context='notebook', font='SimHei')# 同时设定：主题样式 + 调色板 + 上下文缩放 + 中文字体6.3 与 Matplotlib 的关系
关系：Seaborn 是 matplotlib 的高级封装，不是替代品。 Seaborn 内部所有绘图最终都调用 matplotlib 的底层 API，返回的仍然是 matplotlib 的
Axes对象。 这意味着：你可以用 Seaborn 快速出图，再用 matplotlib 的 API 做精细微调。
Seaborn（高层：DataFrame 直传、自动统计、默认美观） ↓ 调用Matplotlib（底层：像素级控制、坐标轴定制、图表保存）三种典型的协作模式：
import matplotlib.pyplot as pltimport seaborn as snsimport pandas as pd
df = pd.DataFrame({'x': range(5), 'y': [3,7,2,5,8]})
# ===== 模式1：Seaborn 画图 + Matplotlib 美化 =====fig, ax = plt.subplots(figsize=(8, 5)) # matplotlib 创建画布sns.barplot(x='x', y='y', data=df, ax=ax) # Seaborn 在指定 ax 上绘图ax.set_title('Seaborn画+Matplotlib美', fontsize=14) # matplotlib 微调标题ax.spines['top'].set_visible(False) # matplotlib 去边框ax.tick_params(labelsize=10) # matplotlib 调刻度plt.tight_layout() # matplotlib 调布局
# ===== 模式2：纯 Seaborn Figure-level 函数（自动管理画布） =====g = sns.pairplot(df) # pairplot 返回 PairGrid 对象g.fig.suptitle('散点矩阵', y=1.02) # 通过 .fig 访问底层 Figure 加总标题# PairGrid / FacetGrid 是 Seaborn 独有的高级对象，.fig 是底层的 matplotlib Figure# .axes 是底层的 matplotlib Axes 数组，可逐个微调
# ===== 模式3：Matplotlib 全局设置影响 Seaborn =====plt.rcParams['font.sans-serif'] = ['SimHei'] # matplotlib 的 rcParams 对 Seaborn 同样生效plt.rcParams['axes.unicode_minus'] = Falsesns.set_theme(style='whitegrid') # Seaborn 主题覆盖部分 rcParams# Seaborn 的 set_theme() 内部也是修改 rcParams，两者可混用但注意调用顺序：# 先设 rcParams（字体等），再设 set_theme（主题），后者会覆盖前者冲突的键API 层级对比：
| 层级 | matplotlib | Seaborn | 何时用 |
|---|---|---|---|
| Figure-level | plt.subplots() 手动创建 | sns.pairplot(), sns.catplot(), sns.displot(), sns.jointplot(), sns.clustermap() | 需要自动多子图布局时 |
| Axes-level | ax.plot(), ax.bar() | sns.barplot(), sns.boxplot(), sns.heatmap(), sns.lineplot(), sns.scatterplot(), sns.histplot() | 画到指定 ax，嵌入自定义布局时 |
| 样式层 | plt.rcParams | sns.set_theme(), sns.set_context() | 全局外观设置 |
6.4 相关图表 API
import seaborn as snsimport pandas as pd
# 假设 df 是一个包含多列的 DataFramedf = pd.DataFrame({ 'cat': ['A','A','B','B','C','C'], 'val': [23, 45, 56, 78, 32, 47], 'group': ['G1','G2','G1','G2','G1','G2'], 'gender': ['M','F','M','F','M','F'], 'x': [1,2,3,4,5,6], 'y': [3,7,2,5,8,4], 'z': [10,30,20,50,40,60], 'time': pd.date_range('2024-01-01', periods=6, freq='D'),})
# 1. 柱状图（自动计算均值+误差棒）sns.barplot(x='cat', y='val', data=df, ax=ax, palette='deep')# 自动对每个 cat 类别的 val 求均值，误差棒默认显示95%置信区间
# 2. 箱线图（自动计算四分位数）sns.boxplot(x='group', y='val', data=df, hue='gender', palette='Set2')# hue='gender'：按性别分组，同一 x 位置并排显示两个箱线图
# 3. 小提琴图（箱线图 + 密度曲线）sns.violinplot(x='group', y='val', data=df, hue='gender', split=True)# split=True：两半各一组，便于直接对比分布形状
# 4. 直方图 + KDE 密度曲线sns.histplot(data=df, x='val', bins=20, kde=True, hue='gender', alpha=0.5)# kde=True：叠加核密度估计平滑曲线；hue 分组后透明叠加便于对比
# 5. 散点图（支持 size/hue/style 三维编码）sns.scatterplot(x='x', y='y', size='z', hue='cat', style='gender', data=df, sizes=(20, 200))# size='z'：z 列控制点大小；hue='cat'：类别列着色；style='gender'：不同标记形状
# 6. 热力图corr = df.select_dtypes('number').corr() # 计算数值列的相关系数矩阵sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', vmin=-1, vmax=1, square=True, linewidths=0.5, cbar_kws={'shrink': 0.8, 'label': '相关系数'})# 【cmap】cmap='coolwarm'：蓝(-1)→白(0)→红(+1)，相关系数黄金配色
# 7. 折线图（自动按 hue 分组，带置信区间）sns.lineplot(x='time', y='val', hue='cat', data=df, style='cat', markers=True)# 默认显示各时间点的均值±95%置信区间半透明带
# 8. 散点矩阵图（Figure-level，自动创建 N×N 子图网格）sns.pairplot(df, hue='cat', diag_kind='kde', corner=True, palette='deep')# 【子图】自动为每对数值列创建散点图矩阵；对角线显示 KDE 密度曲线# corner=True：只显示左下三角，去重+省空间七、Pyecharts
7.1 定义、加载与特点
Pyecharts 是什么：Pyecharts 是百度开源 JavaScript 图表库 Apache ECharts 的 Python 封装， 由陈键冬等人开发维护。它将 ECharts 的配置项映射为 Python 的链式 API，让你用纯 Python 代码生成交互式网页图表。 与 matplotlib/Seaborn 生成静态图片不同，Pyecharts 输出的是 HTML 文件，内嵌 JavaScript，支持缩放、悬停提示、数据筛选等交互。
pip install pyecharts # 安装 Pyecharts（库，包含常用图表）# ===== 加载方式：按需导入，不导入整个库 =====from pyecharts.charts import Bar # 柱状图from pyecharts.charts import Line # 折线图from pyecharts.charts import Pie # 饼图from pyecharts.charts import Scatter # 散点图from pyecharts.charts import HeatMap # 热力图from pyecharts.charts import Map # 地图from pyecharts.charts import Geo # 地理坐标系图from pyecharts.charts import Graph # 关系图/网络图from pyecharts.charts import Sankey # 桑基图from pyecharts.charts import Radar # 雷达图from pyecharts.charts import Funnel # 漏斗图from pyecharts.charts import Gauge # 仪表盘from pyecharts.charts import Liquid # 水球图from pyecharts.charts import WordCloud # 词云图from pyecharts.charts import TreeMap # 矩形树图from pyecharts.charts import Sunburst # 旭日图from pyecharts.charts import Timeline # 时间线轮播（容器）
from pyecharts import options as opts # 全局配置项模块（标题、图例、工具箱、提示框等）# opts 是最关键的模块，几乎所有图表属性都通过 opts.XXXOpts 类来配置Pyecharts 的特点：
| 特点 | 说明 | 对比 matplotlib/Seaborn |
|---|---|---|
| ① 交互式 | 输出 HTML，支持鼠标悬停查看数值、缩放、拖拽、图例点击过滤 | matplotlib 生成静态图片，无交互 |
| ② 图表类型丰富 | 覆盖 30+ 种图表类型，包括地图、桑基图、仪表盘、3D 图等 | matplotlib 偏基础统计图，地图/桑基图需额外库 |
| ③ 链式调用 | .add_xaxis().add_yaxis().set_global_opts() 流式 API 链式配置 | matplotlib 是函数调用式，每个属性单独设置 |
| ④ 配置项体系 | 全局配置 set_global_opts() + 系列配置 set_series_opts()，分层清晰 | matplotlib 所有属性都在 ax 上调，层级扁平 |
| ⑤ 网页嵌入 | 生成的 HTML 可在浏览器中独立运行，也可嵌入 Flask/Django/Jupyter | matplotlib 图片需嵌入 <img> 标签 |
7.2 生成图表的主要步骤
Pyecharts 的图表创建遵循五步流程：初始化图表 → 添加数据 → 设置全局配置 → 设置系列配置 → 渲染输出。 所有图表类型共享相同的配置模式，学会一个就等于学会全部。
from pyecharts.charts import Barfrom pyecharts import options as opts
# ===== 第1步：初始化图表对象 =====bar = Bar() # 创建柱状图实例（无参数，或传入 init_opts 设定宽高/主题）
# 也可在初始化时指定画布大小和主题：bar = Bar(init_opts=opts.InitOpts( width='900px', # 画布宽度（支持 px / %） height='500px', # 画布高度 theme='light', # 内置主题：'light','dark','white','chalk','essos'等 # 更多主题需安装：pip install pyecharts-snapshot))
# ===== 第2步：添加数据 =====bar.add_xaxis(['苹果', '香蕉', '橙子', '葡萄', '西瓜'])# 设置 x 轴类别标签（所有系列共享同一 x 轴）
bar.add_yaxis('2024年销量', [120, 200, 150, 80, 70])# 添加一个系列：series_name='2024年销量'，数据列表与 x 轴一一对应# 可多次调用 add_yaxis 添加多个系列，实现分组对比
bar.add_yaxis('2025年销量', [150, 220, 180, 90, 85])# 第二个系列：自动并排显示
# ===== 第3步：设置全局配置（标题、图例、工具箱、提示框、坐标轴等） =====bar.set_global_opts( title_opts=opts.TitleOpts( title='水果销量对比', # 主标题文字 subtitle='2024 vs 2025', # 副标题 pos_left='center', # 标题水平位置：'center' / 'left' / 'right' / 百分比 ), legend_opts=opts.LegendOpts( pos_top='8%', # 图例距顶部的距离 orient='horizontal', # 横向排列（'vertical' 纵向） ), toolbox_opts=opts.ToolboxOpts( is_show=True, # 显示右上角工具箱（下载图片、数据视图、缩放等） feature={ 'saveAsImage': {}, # 启用"保存为图片"按钮 'dataView': {'readOnly': False}, # 启用"数据视图"按钮（可编辑） 'restore': {}, # 启用"还原"按钮 'dataZoom': {}, # 启用"区域缩放"按钮 }, ), tooltip_opts=opts.TooltipOpts( trigger='axis', # 触发方式：'axis'(坐标轴触发，显示所有系列) / 'item'(数据项触发) axis_pointer_type='shadow', # 指示器类型：'line','shadow','cross' ), xaxis_opts=opts.AxisOpts( name='水果种类', # x 轴名称 axislabel_opts=opts.LabelOpts(rotate=30),# x 轴标签旋转30° ), yaxis_opts=opts.AxisOpts( name='销量（吨）', # y 轴名称 splitline_opts=opts.SplitLineOpts(is_show=True), # 显示水平分割线 ),)
# ===== 第4步：设置系列配置（标签、标记点、颜色等——作用于数据系列层面） =====bar.set_series_opts( label_opts=opts.LabelOpts( is_show=True, # 在柱顶显示数值标签 position='top', # 标签位置：'top','inside','bottom' font_size=12, ), markpoint_opts=opts.MarkPointOpts( data=[ opts.MarkPointItem(type_='max', name='最大值'), # 标记最大值点 opts.MarkPointItem(type_='min', name='最小值'), # 标记最小值点 ], ), markline_opts=opts.MarkLineOpts( data=[ opts.MarkLineItem(type_='average', name='平均值'), # 标记平均值线 ], ),)
# ===== 第5步：渲染输出 =====bar.render('bar_chart.html') # 生成独立 HTML 文件，浏览器打开即可查看交互图表# 在 Jupyter Notebook 中可直接用 bar.render_notebook() 内嵌显示# bar 对象本身在 Jupyter 中也会自动渲染五步流程总结：
① Bar() / Line() / Pie() ... ↓② .add_xaxis() + .add_yaxis() ↓③ .set_global_opts() ← 标题/图例/工具箱/提示框/坐标轴（跨系列共用） ↓④ .set_series_opts() ← 标签/标记点/标记线（按系列设置） ↓⑤ .render('output.html')7.3 可生成的图表类型
Pyecharts 继承 ECharts 的全部图表能力，分为以下几大类。
一类：基础统计图（与 matplotlib/Seaborn 重叠，但交互式）
from pyecharts.charts import Bar, Line, Pie, Scatter, Boxplot, HeatMap
# ===== 柱状图 =====bar = Bar()bar.add_xaxis(['Q1', 'Q2', 'Q3', 'Q4'])bar.add_yaxis('营收', [120, 200, 150, 180])bar.set_global_opts(title_opts=opts.TitleOpts(title='柱状图'))# 支持：普通柱状图、堆叠柱状图（stack_='stack1'）、条形图（.reversal_axis()）
# ===== 折线图（自带平滑和面积填充） =====line = Line()line.add_xaxis(['1月', '2月', '3月', '4月', '5月'])line.add_yaxis('温度', [5, 12, 18, 25, 30], is_smooth=True, areastyle_opts=opts.AreaStyleOpts(opacity=0.3))# is_smooth=True：贝塞尔曲线平滑；areastyle_opts 填充折线下方区域成为面积图
# ===== 饼图/环形图 =====pie = Pie()pie.add('品类占比', [list(z) for z in zip(['A','B','C','D'], [335, 310, 234, 135])], radius=['40%', '75%']) # 内半径40%、外半径75% → 环形图；radius='70%' → 普通饼图# 数据格式必须是 [(key1, val1), (key2, val2), ...]
# ===== 散点图（支持视觉映射 visualmap） =====scatter = Scatter()scatter.add_xaxis([10, 20, 30, 40, 50])scatter.add_yaxis('系列A', [5, 20, 36, 10, 75], symbol_size=20)scatter.set_global_opts( visualmap_opts=opts.VisualMapOpts(max_=100), # 视觉映射组件，类似 matplotlib 的 colorbar)
# ===== 箱线图 =====box = Boxplot()box.add_xaxis(['对照组', '实验组'])box.add_yaxis('', box.prepare_data([[10,20,30,40,50,60], [15,25,35,45,55,65]]))# 注意：数据需用 .prepare_data() 预处理
# ===== 热力图 =====heat = HeatMap()heat.add_xaxis(['周一','周二','周三','周四','周五'])heat.add_yaxis('上午', [0,1,2,3,4], [[i, j, np.random.randint(0, 100)] for i in range(5) for j in range(5)])# 数据格式必须是 [[x_idx, y_idx, value], ...]二类：地理可视化（Pyecharts 最大亮点之一）
from pyecharts.charts import Map, Geo
# ===== 中国地图（内置中国省级/市级地理数据） =====map_chart = Map()map_chart.add('确诊人数', [['广东', 1200], ['浙江', 1100], ['河南', 980], ['四川', 850], ['北京', 600]], maptype='china') # maptype='china' 中国地图；也可填省份名如 '广东'map_chart.set_global_opts( title_opts=opts.TitleOpts(title='中国疫情地图'), visualmap_opts=opts.VisualMapOpts( max_=1500, # 颜色映射的最大值 is_piecewise=True, # 分段型视觉映射（离散色块） pieces=[ {'min': 1000, 'label': '>1000', 'color': '#B40404'}, {'min': 500, 'max': 999, 'label': '500-999', 'color': '#E41A1C'}, {'min': 100, 'max': 499, 'label': '100-499', 'color': '#FC8D59'}, {'min': 0, 'max': 99, 'label': '<100', 'color': '#FEE5D9'}, ], ),)
# ===== Geo 地理坐标系（散点+涟漪效果在地图上） =====geo = Geo()geo.add_schema(maptype='china') # 加载中国地图底图geo.add('城市分布', [('北京', 120), ('上海', 110), ('广州', 90), ('深圳', 85), ('杭州', 70)], type_='effectScatter', # 涟漪散点效果 symbol_size=15,)geo.set_global_opts( title_opts=opts.TitleOpts(title='Geo 地理散点'), visualmap_opts=opts.VisualMapOpts(is_show=False), # 不显示视觉映射条)# type_ 可选：'scatter'(散点), 'effectScatter'(涟漪), 'heatmap'(热力)三类：关系与流程类
from pyecharts.charts import Graph, Sankey, TreeMap, Sunburst
# ===== 关系图/网络图 =====graph = Graph()graph.add('人物关系', nodes=[{'name': 'A', 'symbolSize': 50}, {'name': 'B', 'symbolSize': 30}, {'name': 'C', 'symbolSize': 40}], links=[{'source': 'A', 'target': 'B'}, {'source': 'A', 'target': 'C'}, {'source': 'B', 'target': 'C'}], layout='force', # 力引导布局（'circular' 环形布局） repulsion=8000, # 节点斥力（力布局参数）)
# ===== 桑基图（流向图） =====sankey = Sankey()sankey.add('能量流向', nodes=[{'name': '煤炭'}, {'name': '发电'}, {'name': '居民用电'}, {'name': '工业用电'}, {'name': '损耗'}], links=[{'source': '煤炭', 'target': '发电', 'value': 100}, {'source': '发电', 'target': '居民用电', 'value': 40}, {'source': '发电', 'target': '工业用电', 'value': 50}, {'source': '发电', 'target': '损耗', 'value': 10}], linestyle_opt=opts.LineStyleOpts(opacity=0.5, curve=0.5),)
# ===== 矩形树图（层级占比） =====treemap = TreeMap()treemap.add('市场份额', [{'value': 40, 'name': '品牌A'}, {'value': 30, 'name': '品牌B'}, {'value': 20, 'name': '品牌C'}, {'value': 10, 'name': '其他'}],)
# ===== 旭日图（多层级的饼图） =====sunburst = Sunburst()sunburst.add('部门结构', [{'name': 'CEO', 'children': [ {'name': '技术部', 'children': [ {'name': '前端', 'value': 20}, {'name': '后端', 'value': 30}]}, {'name': '市场部', 'value': 50}]}],)四类：特殊图表
from pyecharts.charts import Gauge, Liquid, WordCloud, Radar, Timeline
# ===== 仪表盘 =====gauge = Gauge()gauge.add('完成率', [('完成率', 78.5)], min_=0, max_=100, detail_label_opts=opts.LabelOpts(formatter='{value}%'))# 适合 KPI 看板
# ===== 水球图（进度球） =====liquid = Liquid()liquid.add('完成度', [0.68, 0.55], # 多圈叠加（可从外到内显示多圈） shape='circle') # 'circle','diamond','rect','roundRect','triangle'# 适合展示百分比指标
# ===== 词云图 =====wordcloud = WordCloud()wordcloud.add('关键词', [('数据可视化', 100), ('Python', 80), ('matplotlib', 60), ('Seaborn', 50), ('Pyecharts', 70)], shape='circle', # 词云形状：'circle','cardioid','diamond','triangle' word_size_range=[20, 100], # 字号范围)
# ===== 雷达图 =====radar = Radar()radar.add_schema(schema=[ opts.RadarIndicatorItem(name='速度', max_=100), opts.RadarIndicatorItem(name='力量', max_=100), opts.RadarIndicatorItem(name='技巧', max_=100), opts.RadarIndicatorItem(name='防守', max_=100), opts.RadarIndicatorItem(name='体能', max_=100),])radar.add('球员A', [[85, 70, 90, 60, 80]]) # 数据需两层列表radar.add('球员B', [[70, 90, 65, 85, 75]])
# ===== 时间线轮播（将多个图表串联成动画） =====timeline = Timeline()for year in ['2020', '2021', '2022', '2023']: bar = Bar() bar.add_xaxis(['A', 'B', 'C']) bar.add_yaxis(year, [np.random.randint(100) for _ in range(3)]) timeline.add(bar, year) # 每年一个图表帧timeline.add_schema(is_auto_play=True, play_interval=1500) # 自动播放，每帧1.5秒# Timeline 是一个容器，可以将任何图表作为帧放入7.4 Pyecharts 图表类型速查总表
| 分类 | 图表 | 导入路径 | 典型场景 |
|---|---|---|---|
| 基础 | 柱状图 | from pyecharts.charts import Bar | 类别对比 |
| 基础 | 折线图 | from pyecharts.charts import Line | 趋势变化 |
| 基础 | 饼图/环形图 | from pyecharts.charts import Pie | 占比分布 |
| 基础 | 散点图 | from pyecharts.charts import Scatter | 相关性 |
| 基础 | 箱线图 | from pyecharts.charts import Boxplot | 分布对比 |
| 基础 | 热力图 | from pyecharts.charts import HeatMap | 矩阵数据 |
| 地理 | 地图 | from pyecharts.charts import Map | 区域数据 |
| 地理 | 地理坐标系 | from pyecharts.charts import Geo | 地理散点 |
| 关系 | 关系图 | from pyecharts.charts import Graph | 网络拓扑 |
| 关系 | 桑基图 | from pyecharts.charts import Sankey | 流量流向 |
| 关系 | 漏斗图 | from pyecharts.charts import Funnel | 转化率 |
| 层级 | 矩形树图 | from pyecharts.charts import TreeMap | 层级占比 |
| 层级 | 旭日图 | from pyecharts.charts import Sunburst | 多层饼图 |
| 特殊 | 仪表盘 | from pyecharts.charts import Gauge | KPI 指标 |
| 特殊 | 水球图 | from pyecharts.charts import Liquid | 进度百分比 |
| 特殊 | 词云图 | from pyecharts.charts import WordCloud | 文本权重 |
| 特殊 | 雷达图 | from pyecharts.charts import Radar | 多维对比 |
| 容器 | 时间线轮播 | from pyecharts.charts import Timeline | 动态播放 |
7.5 Pyecharts vs Matplotlib/Seaborn 对比
| 维度 | Pyecharts | Matplotlib/Seaborn |
|---|---|---|
| 输出格式 | HTML（交互式） | PNG/SVG/PDF（静态） |
| 交互性 | 悬停、缩放、拖拽、图例筛选 | 无（除非用 %matplotlib widget） |
| 学习曲线 | 中等（需理解 opts 配置体系） | 中等（需理解 figure/axes 对象） |
| 图表类型 | 30+ 种，含地图/桑基/仪表等 | 基础统计图为主 |
| 中文支持 | 原生完美支持 | 需额外配置字体 |
| 网页嵌入 | 天然适配，一个 HTML 搞定 | 需先保存图片再嵌入 |
| 论文/出版 | 不支持（无法导出矢量图） | 完美支持（PDF/SVG 矢量输出） |
| 适用场景 | Web 看板、数据分析报告、交互仪表盘 | 学术论文、出版物、静态报告 |
八、收尾区
plt.tight_layout(pad=1.5, h_pad=1.0, w_pad=1.0)# 【子图】自动调整子图间距和边距；pad 控制 Figure 边缘与子图间的距离（英寸）# h_pad/w_pad 控制子图之间的垂直/水平间距
plt.savefig('out.png', dpi=300, bbox_inches='tight', facecolor='white', transparent=False)# dpi=300：输出分辨率300 DPI（出版级），图片像素 = figsize × dpi# bbox_inches='tight'：自动裁剪多余的空白边缘，让图片内容紧凑（最常用）# bbox_inches=None 则保留完整画布（含白边）；也可手动指定 bbox_inches=(-0.5,-0.5,8.5,5.5)# facecolor='white'：图片背景色设为白色；transparent=True 则背景透明（适合叠加到海报/网页）
plt.show()# 显示所有已创建的 Figure；在 Jupyter 中通常自动显示，脚本中必须显式调用九、模板
import numpy as npimport matplotlib.pyplot as pltimport seaborn as sns
# ===== 1. 全局配置 =====plt.rcParams['font.sans-serif'] = ['SimHei'] # 【字体配置】全局中文字体plt.rcParams['axes.unicode_minus'] = False # 【字体配置】负号正常显示plt.rcParams['figure.dpi'] = 100 # 全局分辨率
# ===== 2. 数据 =====np.random.seed(42)x = np.arange(10)y1 = np.random.rand(10) * 100y2 = np.random.rand(10) * 100z_color = np.random.rand(10) # 用于 cmap 映射的第三维数据z_size = np.random.rand(10) * 500 # 用于气泡大小的第三维数据
# ===== 3. 画布与子图 =====fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(12, 10))# 【子图】创建2行2列共4个子图，axes[0,0]~axes[1,1]
# ===== 4. 子图1：折线图（演示刻度配置） =====ax1 = axes[0, 0]ax1.plot(x, y1, color='#3A86FF', marker='o', linewidth=2, label='系列A')ax1.set_xlabel('时间', fontsize=12) # 【刻度配置】x轴标签ax1.set_ylabel('数值', fontsize=12) # 【刻度配置】y轴标签ax1.set_title('折线图示例', fontsize=14, fontweight='bold')ax1.set_xticks(x) # 【刻度配置】每个数据点都有刻度ax1.set_xticklabels([f'第{i}天' for i in range(10)], rotation=45)# 【刻度配置】自定义中文刻度标签+旋转45°防止重叠ax1.tick_params(axis='both', labelsize=9) # 【刻度配置】统一调整刻度字号ax1.spines['top'].set_visible(False) # 去顶边框ax1.spines['right'].set_visible(False) # 去右边框ax1.legend(loc='best', frameon=False)ax1.grid(True, linestyle='--', alpha=0.3)
# ===== 5. 子图2：柱状图（演示字体配置） =====ax2 = axes[0, 1]bars = ax2.bar(x, y2, color='#FF6B6B', width=0.6, edgecolor='white')ax2.set_title('柱状图 - 中文字体测试', fontsize=14) # 【字体配置】标题用 SimHei 中文显示ax2.set_xlabel('类别', fontsize=12) # 【字体配置】轴标签中文显示ax2.set_ylabel('销售额（万元）', fontsize=12) # 【字体配置】y轴标签含中文+特殊符号ax2.spines['top'].set_visible(False)ax2.spines['right'].set_visible(False)# 在柱顶加数值标签for bar in bars: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height + 1, f'{height:.1f}', ha='center', va='bottom', fontsize=9) # 【字体配置】ax.text 的 fontsize 控制标注文字大小
# ===== 6. 子图3：气泡图（演示 cmap 使用） =====ax3 = axes[1, 0]sc = ax3.scatter(x, y1, c=z_color, s=z_size, cmap='viridis', alpha=0.7, edgecolors='gray', linewidth=0.5)# 【cmap】c=z_color：z_color 数组的每个值通过 cmap='viridis' 映射为颜色# 【cmap】s=z_size：z_size 控制每个气泡的大小，实现"大小+颜色"双通道第三维编码ax3.set_title('气泡图 - cmap 演示', fontsize=14)ax3.set_xlabel('X 轴')ax3.set_ylabel('Y 轴')cbar = plt.colorbar(sc, ax=ax3, label='颜色强度', shrink=0.85)# 【cmap】colorbar 将数值→颜色的映射关系可视化，shrink 缩小高度避免超出cbar.ax.tick_params(labelsize=8)
# ===== 7. 子图4：热力图（演示 cmap 双向映射） =====ax4 = axes[1, 1]corr = np.corrcoef(np.random.randn(5, 100)) # 5×5 相关系数矩阵（-1到1）sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', vmin=-1, vmax=1, square=True, linewidths=0.5, cbar_kws={'shrink': 0.8, 'label': '相关系数'}, ax=ax4)# 【cmap】cmap='coolwarm'：蓝(-1)→白(0)→红(+1)，正向暖色负向冷色，相关系数可视化的黄金选择# 【cmap】vmin=-1, vmax=1：锁定 cmap 映射范围，确保0始终映射到白色ax4.set_title('相关系数热力图', fontsize=14)
# ===== 8. 收尾 =====plt.tight_layout(pad=2.0) # 【子图】统一调整所有子图间距plt.savefig('demo.png', dpi=300, bbox_inches='tight')plt.show()分享到社交平台
将本文分享给你的朋友们
2026-06-14-数据可视化 Vol.3 可视化库
https://zhongye1.github.io/posts/数据可视化/2026-06-15-数据可视化-可视化库/ 相关文章 智能推荐
1
2026-06-14-数据可视化 Vol.1 概论
笔记 本文主要介绍数据可视化的定义、历史、视觉编码、视觉感知与认知、格式塔原理、优化方法、分析流程与常用工具等
2
2026-06-14-数据可视化 Vol.2 常见图表
笔记 本文主要介绍数据可视化的常见图表，主要包括其基础信息、构成与视觉通道、适用场景、优缺点和常见变体
3
给你的网站加上 Github Contributions Chart！
博客 给你的网站加上 Github Contributions Chart！
4
GitHub贡献图表📊
博客 给你的网站加上 Github Contributions Chart！
5
2026-07-15-使用RAG与上下文工程构建多模态AI系统
笔记 RAG、MCP 与 AI Agent 相关实践
随机文章 随便看看
评论
新的博客站！旧站点传送门 👇
音乐
暂无播放
0:00 0:00
144
14
205
433,478
0 天
0 天前
42296 次
29212 人