# 勤奋的凯尔森同学10000h刻意练习Day4：Python数据可视化
所属专栏: 凯尔森的10000h刻意练习
Slogan: 一个36岁程序员, 研究生(学硕)，前世界500强top20软件开发Java工程师，用10000小时深耕AI, 目标Top10 AI资深工程师, 全程日更记录。
tips: 文章末尾附有jupyter完整代码
数据可视化是数据分析中至关重要的一环，它能帮助我们直观地理解数据分布、趋势和关系。Python拥有丰富的数据可视化库，本部分将详细介绍其中最常用的四个：Matplotlib、Pandas内置绘图、Seaborn和Pyecharts。前三者主要用于静态图表，而Pyecharts则专注于交互式可视化。我们将从基础开始，逐步深入，并提供大量代码示例，所有示例均在JupyterLab中成功运行。
# 1.1 Matplotlib基础
Matplotlib是Python中最基础、最强大的绘图库，它提供了高度自定义的绘图接口。虽然语法相对底层，但它是许多高级绘图库(如Seaborn)的基础。
# 1.1.1 基本绘图流程
Matplotlib的基本使用流程通常包括：创建图形和坐标轴、调用绘图函数、设置标签和标题、显示或保存图像。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 解决中文乱码
plt.rcParams['font.sans-serif'] = ['PingFang SC'] # 苹方，macOS默认中文字体
plt.rcParams['axes.unicode_minus'] = False
# 准备数据
# 在0到10之间均匀生成100个点(包含端点)，作为横坐标x
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 创建图形和坐标轴
plt.figure(figsize=(8, 5)) # 可选，设置图形大小
# 绘图
plt.plot(x, y, label='sin(x)')
# 添加标签和标题
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.title('正弦函数曲线')
plt.legend()
# 显示图形
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
# 1.1.2 Figure和Axes
Matplotlib的核心概念是Figure(画布)和Axes(坐标系)。一个Figure可以包含多个Axes(子图)。通常我们使用 plt.subplots() 创建Figure和Axes对象，然后调用Axes的方法进行绘图。
fig, ax = plt.subplots(figsize=(8, 5)) # 创建一个画布和一个坐标系
ax.plot(x, y)
ax.set_xlabel('x')
ax.set_ylabel('sin(x)')
ax.set_title('正弦函数')
ax.legend(['sin(x)'])
plt.show()
1
2
3
4
5
6
7
2
3
4
5
6
7
使用Axes对象的方法更加面向对象，适合复杂布局。
# 1.1.3 常用图表类型
折线图
x = np.arange(0, 10, 0.1)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, label='sin')
plt.plot(x, y2, label='cos')
plt.legend()
plt.title('折线图示例')
plt.show()
1
2
3
4
5
6
7
8
9
2
3
4
5
6
7
8
9
散点图
np.random.seed(42)
x = np.random.randn(100)
y = 2 * x + np.random.randn(100) * 0.5
plt.scatter(x, y, alpha=0.6, c='red', edgecolors='black')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('散点图示例')
plt.show()
1
2
3
4
5
6
7
8
9
2
3
4
5
6
7
8
9
柱状图
categories = ['A', 'B', 'C', 'D']
values = [23, 45, 56, 78]
plt.bar(categories, values, color=['blue', 'orange', 'green', 'red'])
plt.xlabel('类别')
plt.ylabel('值')
plt.title('柱状图示例')
plt.show()
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
直方图
data = np.random.randn(1000)
plt.hist(data, bins=30, edgecolor='black', alpha=0.7)
plt.xlabel('值')
plt.ylabel('频数')
plt.title('直方图示例')
plt.show()
1
2
3
4
5
6
2
3
4
5
6
饼图
sizes = [25, 35, 20, 20]
labels = ['苹果', '香蕉', '橘子', '葡萄']
explode = (0.1, 0, 0, 0) # 突出显示第一块
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal') # 保证饼图是圆形
plt.title('饼图示例')
plt.show()
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# 1.1.4 自定义样式
Matplotlib提供了丰富的自定义选项，包括颜色、线型、标记、标签、标题、图例等。
颜色和线型
x = np.linspace(0, 5, 50)
y1 = x
y2 = x**2
y3 = x**3
plt.plot(x, y1, color='red', linestyle='-', linewidth=2, label='线性')
plt.plot(x, y2, color='#00FF00', linestyle='--', marker='o', markersize=5, label='平方')
plt.plot(x, y3, color=(0.2, 0.4, 0.6), linestyle='-.', marker='^', label='立方')
plt.legend()
plt.show()
1
2
3
4
5
6
7
8
9
10
2
3
4
5
6
7
8
9
10
文本与注释
plt.plot(x, np.sin(x))
plt.text(2, 0.5, '局部最大值', fontsize=12, bbox=dict(facecolor='yellow', alpha=0.5))
plt.annotate('峰值', xy=(np.pi/2, 1), xytext=(np.pi/2+1, 0.8),
arrowprops=dict(facecolor='black', shrink=0.05))
plt.show()
1
2
3
4
5
2
3
4
5
坐标轴设置
plt.plot(x, np.sin(x))
plt.xlim(0, 2*np.pi) # 设置x轴范围
plt.ylim(-1.5, 1.5) # 设置y轴范围
plt.xticks([0, np.pi/2, np.pi, 3*np.pi/2, 2*np.pi],
['0', 'π/2', 'π', '3π/2', '2π'])
plt.yticks([-1, 0, 1])
plt.grid(True, linestyle='--', alpha=0.5)
plt.show()
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# 1.1.5 子图布局
使用 subplots 可以创建多个子图，并通过 axs 索引访问每个子图。
fig, axs = plt.subplots(2, 2, figsize=(10, 8)) # 2行2列
x = np.linspace(0, 2*np.pi, 100)
axs[0, 0].plot(x, np.sin(x))
axs[0, 0].set_title('sin')
axs[0, 1].plot(x, np.cos(x))
axs[0, 1].set_title('cos')
axs[1, 0].plot(x, np.tan(x))
axs[1, 0].set_ylim(-5, 5)
axs[1, 0].set_title('tan')
axs[1, 1].plot(x, np.exp(-x) * np.sin(x))
axs[1, 1].set_title('阻尼振荡')
plt.tight_layout() # 自动调整子图间距
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# 1.2 Pandas内置绘图
Pandas的Series和DataFrame对象提供了 plot() 方法，它基于Matplotlib实现，可以快速绘制常见图表，特别适合数据探索阶段。
# 1.2.1 Series和DataFrame的plot方法
plot() 方法的参数与Matplotlib类似，但更加简洁。
import pandas as pd
# 创建示例DataFrame
# np.random.randn(100)生成100个服从标准正态分布的随机数,.cumsum()计算这些随机数的累积和，生成一个随机游走序列
# index=pd.date_range('2026-09-10', periods=100, freq='D')创建一个日期索引，从2026年9月10日开始，连续100天,频率为每日
df = pd.DataFrame({
'A': np.random.randn(100).cumsum(),
'B': np.random.randn(100).cumsum(),
'C': np.random.randn(100).cumsum()
}, index=pd.date_range('2026-09-10', periods=100, freq='D'))
# 默认折线图
df.plot(figsize=(10, 6))
plt.title('Pandas 默认折线图')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 1.2.2 常用图表快速绘制
通过 kind 参数指定图表类型，如 'line'、'bar'、'barh'、'hist'、'box'、'kde'、'area'、'scatter'、'hexbin' 等。
柱状图
df_bar = pd.DataFrame({
'group': ['A', 'B', 'C', 'D'],
'values': [23, 45, 56, 78]
}).set_index('group')
df_bar.plot(kind='bar', legend=False)
plt.title('Pandas 柱状图')
plt.show()
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
直方图
# df[['A', 'B']]：从原始DataFrame df中选取列A和B，形成一个新的DataFrame
# kind='hist'：指定绘制直方图
# bins=30：将数据范围划分为30个等宽的区间。这个值越大，柱子越细，对数据分布刻画越细致；值越小，柱子越宽，分布更平滑
# alpha=0.5：设置透明度为0.5半透明
# stacked=True：启用堆叠模式。对于每个区间，不同列(A和B)的频数会堆叠在一起，形成一个总柱子，不同颜色代表不同列。如果不堆叠(默认)，两列会并排显示(并排直方图)
df[['A', 'B']].plot(kind='hist', bins=30, alpha=0.5, stacked=True)
plt.title('Pandas 直方图')
plt.show()
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
箱线图
# 箱线图(也称盒须图)通过五个统计量概括数据的分布：
# 最小值(下须端点)：通常指数据中非异常值的最小值(Q1-1.5×IQR范围内)。
# 第一四分位数(Q1)：数据的25%分位数，即箱子的下边界。
# 中位数(Q2)：数据的50%分位数，箱子内部的横线。
# 第三四分位数(Q3)：数据的75%分位数，箱子的上边界。
# 最大值(上须端点)：非异常值的最大值(Q3+1.5×IQR范围内)。
# 异常值(离群点)：用散点(通常是圆圈)表示落在须线范围之外的数据点。
df.plot(kind='box')
plt.title('Pandas 箱线图')
plt.show()
1
2
3
4
5
6
7
8
9
10
2
3
4
5
6
7
8
9
10
散点图
df.plot(kind='scatter', x='A', y='B', c='C', colormap='viridis')
plt.title('Pandas 散点图')
plt.show()
1
2
3
2
3
面积图
df.plot(kind='area', stacked=False, alpha=0.5)
plt.title('Pandas 面积图')
plt.show()
1
2
3
2
3
# 1.3 Seaborn统计绘图
Seaborn是基于Matplotlib的高级可视化库，它提供了更美观的默认样式和更简洁的接口，特别适合统计图表的绘制。Seaborn通常与Pandas数据框结合使用。
# 1.3.1 Seaborn风格与主题
Seaborn自带多种主题和颜色调色板，可以轻松美化图表。
import seaborn as sns
# 设置主题
sns.set_theme(style="whitegrid") # 可选：darkgrid, whitegrid, dark, white, ticks
# 设置调色板
sns.set_palette("husl")
# 加载内置数据集
tips = sns.load_dataset("tips")
print(tips.head())
1
2
3
4
5
6
7
8
9
10
11
2
3
4
5
6
7
8
9
10
11
# 1.3.2 关系型图表
用于展示两个或多个变量之间的关系。
- 散点图：
scatterplot() - 折线图：
lineplot() - 关系类图：
relplot()(可绘制分面图)
import matplotlib.pyplot as plt
import seaborn as sns
# 设置字体，解决中文乱码ubuntu
# plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei']
# plt.rcParams['axes.unicode_minus'] = False
# macos26
plt.rcParams['font.sans-serif'] = ['PingFang SC'] # 苹方，macOS默认中文字体
plt.rcParams['axes.unicode_minus'] = False
# 加载数据
tips = sns.load_dataset("tips")
# 绘制散点图
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='time', style='sex', size='size')
plt.title('小费数据散点图')
plt.show()
# 折线图
sns.lineplot(data=tips, x='size', y='tip', errorbar=('ci', 95))
plt.show()
# 分面散点图
sns.relplot(data=tips, x='total_bill', y='tip', col='time', hue='sex')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
# 1.3.3 分类型图表
用于展示分类变量与数值变量的关系。
- 条形图：
barplot()(显示均值及误差条) - 箱线图：
boxplot() - 小提琴图：
violinplot()(结合箱线图与核密度估计) - 计数图：
countplot()(统计频次)
# 条形图
sns.barplot(data=tips, x='day', y='total_bill', hue='sex')
plt.title('每日消费额条形图')
plt.show()
# 箱线图
sns.boxplot(data=tips, x='day', y='total_bill', hue='smoker')
plt.show()
# 小提琴图
sns.violinplot(data=tips, x='day', y='total_bill', split=True)
plt.show()
# 计数图
sns.countplot(data=tips, x='day', hue='time')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 1.3.4 分布型图表
用于展示单个变量或多个变量的分布。
- 直方图：
histplot()(可叠加核密度估计) - 核密度估计图：
kdeplot() - 联合分布图：
jointplot()(同时展示两个变量的分布和散点) - 配对图：
pairplot()(展示所有数值变量的两两关系)
# 直方图+核密度
sns.histplot(data=tips, x='total_bill', kde=True, bins=30)
plt.show()
# 核密度图(可分组)
sns.kdeplot(data=tips, x='total_bill', hue='time', fill=True)
plt.show()
# 联合分布图
sns.jointplot(data=tips, x='total_bill', y='tip', kind='scatter') # kind可选 'kde', 'hex', 'reg' 等
plt.show()
# 配对图(只选数值列)
sns.pairplot(tips[['total_bill', 'tip', 'size']])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 1.3.5 回归图
展示变量间的线性关系。
regplot()：绘制散点图并拟合回归线。lmplot()：结合regplot和分面功能。
# 简单回归
sns.regplot(data=tips, x='total_bill', y='tip', ci=95)
plt.show()
# 分面回归
sns.lmplot(data=tips, x='total_bill', y='tip', col='day', hue='sex')
plt.show()
1
2
3
4
5
6
7
2
3
4
5
6
7
# 1.4 Pyecharts交互式可视化
Pyecharts是一个用于生成ECharts图表的Python库。ECharts是百度开源的一个强大的数据可视化库，支持丰富的交互效果。Pyecharts使得在Python中轻松创建交互式图表变得可能，尤其适合Web应用和Jupyter Notebook。
# 1.4.1 Pyecharts简介
Pyecharts分为v1和v2版本，我们使用最新的v2(实际上当前最新为v2.x，但注意版本兼容性)。在Jupyter Notebook中，Pyecharts可以直接渲染，无需额外配置(可能需要安装 jupyter-echarts 扩展，但一般内置支持)。如果图表不显示，可以尝试：
from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
1
2
2
# 1.4.2 基本用法
Pyecharts的绘图流程：创建一个图表对象(如 Bar、Line)，添加数据，设置全局配置项，然后在Jupyter中直接输出(调用 .render_notebook())或保存为HTML文件(.render())。
from pyecharts.charts import Bar
from pyecharts import options as opts
# 创建柱状图
bar = (
Bar()
.add_xaxis(['苹果', '香蕉', '橘子', '葡萄'])
.add_yaxis('销量', [23, 45, 56, 78])
.set_global_opts(title_opts=opts.TitleOpts(title='水果销量柱状图'))
)
# 在Jupyter Notebook中显示
bar.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
2
3
4
5
6
7
8
9
10
11
12
13
# 1.4.3 常用图表
柱状图
from pyecharts.charts import Bar
from pyecharts import options as opts
bar = (
Bar()
.add_xaxis(['A', 'B', 'C', 'D'])
.add_yaxis('系列1', [10, 20, 30, 40])
.add_yaxis('系列2', [15, 25, 35, 45])
.set_global_opts(
title_opts=opts.TitleOpts(title='多系列柱状图'),
toolbox_opts=opts.ToolboxOpts(is_show=True), # 显示工具箱(保存、缩放等)
legend_opts=opts.LegendOpts(pos_left='center')
)
.set_series_opts(
label_opts=opts.LabelOpts(is_show=True) # 显示数据标签
)
)
bar.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
折线图
from pyecharts.charts import Line
from pyecharts import options as opts
months = ["1月", "2月", "3月", "4月", "5月", "6月"]
sales_a = [120, 132, 101, 134, 90, 230]
sales_b = [220, 182, 191, 234, 290, 330]
line = (
Line()
.add_xaxis(months)
.add_yaxis("手机", sales_a, is_smooth=True)
.add_yaxis("笔记本", sales_b, is_smooth=True)
.set_global_opts(title_opts=opts.TitleOpts(title="平滑折线"))
)
line.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
散点图
from pyecharts.charts import Scatter
import random
data = [[random.randint(0, 100), random.randint(0, 100)] for _ in range(50)]
scatter = (
Scatter()
.add_xaxis([d[0] for d in data])
.add_yaxis('随机点', [d[1] for d in data])
.set_global_opts(
title_opts=opts.TitleOpts(title='散点图'),
xaxis_opts=opts.AxisOpts(name='X'),
yaxis_opts=opts.AxisOpts(name='Y'),
visualmap_opts=opts.VisualMapOpts() # 添加视觉映射组件
)
)
scatter.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
饼图
from pyecharts.charts import Pie
data_pair = [('苹果', 25), ('香蕉', 35), ('橘子', 20), ('葡萄', 20)]
pie = (
Pie()
.add('', data_pair)
.set_global_opts(title_opts=opts.TitleOpts(title='水果占比'))
.set_series_opts(label_opts=opts.LabelOpts(formatter='{b}: {d}%')) # 显示百分比
)
pie.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
2
3
4
5
6
7
8
9
10
11
地图
Pyecharts支持中国地图、世界地图等，需要安装扩展包：
pip install echarts-china-provinces-pypkg echarts-china-cities-pypkg echarts-china-counties-pypkg
1
from pyecharts.charts import Map
from pyecharts import options as opts
# 示例：中国各省份数据
data = [('广东省', 100), ('江苏省', 80), ('浙江省', 70), ('北京市', 60), ('上海市', 90)]
map_chart = (
Map()
.add('', data, 'china')
.set_global_opts(
title_opts=opts.TitleOpts(title='中国地图示例'),
visualmap_opts=opts.VisualMapOpts(max_=100, is_piecewise=True)
)
)
map_chart.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 1.4.4 多图表组合
使用 Grid、Tab 等组件可以将多个图表组合在一起。
from pyecharts.charts import Grid, Bar, Line
bar = (
Bar()
.add_xaxis(['A', 'B', 'C'])
.add_yaxis('销量', [23, 45, 56])
)
line = (
Line()
.add_xaxis(['A', 'B', 'C'])
.add_yaxis('增长率', [0.2, 0.3, 0.1])
)
grid = (
Grid()
.add(bar, grid_opts=opts.GridOpts(pos_bottom='60%'))
.add(line, grid_opts=opts.GridOpts(pos_top='60%'))
)
grid.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# 1.4.5 在Jupyter Notebook中的显示注意事项
- 确保notebook是最新版本，并安装了
ipywidgets。 - 如果图表不显示，可以尝试调用
chart.render_notebook()后检查是否有JavaScript错误。 - 也可以使用
chart.render('output.html')生成HTML文件，在浏览器中打开。
# 小结
数据可视化是数据分析不可或缺的环节。本部分介绍了从基础静态绘图(Matplotlib、Pandas内置绘图、Seaborn)到交互式绘图(Pyecharts)的完整体系。Matplotlib提供了底层控制，Pandas内置绘图适合快速探索，Seaborn让统计图表更加美观易用，而Pyecharts则为生成交互式图表提供了便捷途径。掌握这些工具，您可以根据需求选择合适的可视化方式。
明天Day5见！See you tomorrow!