折线图（plot）

绘图库介绍

Python中绘制折线图的全面指南_python绘制折线图-CSDN博客https://blog.csdn.net/2301_81064905/article/details/139689644

核心作用	说明
趋势分析	揭示数据随时间推移的上升/下降趋势、周期性波动或转折点
变化对比	在单一图表中对比多个变量（如不同产品销量）的变化轨迹
异常检测	快速识别数据中的突变点（如系统故障、市场异动）
连续性表达	强调数据在连续维度（时间、顺序）上的演变过程
预测参考	基于历史趋势推断未来走向（需结合统计模型）

场景分类	具体案例	图表特点
时间序列分析	• 股票价格波动 • 月度销售额变化 • 年度气温趋势	X轴为时间单位 Y轴为连续数值
性能监控	• 服务器CPU使用率 • 网站日活用户数 • 应用程序响应延迟	常需实时更新 突出异常阈值
科学实验	• 化学试剂浓度变化 • 物理实验测量值 • 生物种群数量追踪	强调变量间关系 需误差线辅助
商业决策	• 不同渠道获客成本对比 • 产品迭代的用户留存率 • 营销活动ROI趋势	多线对比 标注关键节点
健康管理	• 患者体温监测 • 运动心率变化 • 血糖水平记录	个人数据跟踪 关联事件标记

 基础参数（Underlying Parameter）

plt.plot(x, y, fmt, **kwargs)
#或者
ax.plot(x, y, fmt, **kwargs)

参数	描述	示例
x	X轴数据 (可迭代对象)	[1, 2, 3, 4]
y	Y轴数据 (可迭代对象)	[5, 3, 8, 2]
fmt	格式字符串 (颜色-标记-线型)	'ro--' (红色圆圈虚线)

颜色 (Color)

代码	颜色	示例
'b'	蓝色	'b'
'g'	绿色	'g'
'r'	红色	'r'
'c'	青色	'c'
'm'	品红	'm'
'y'	黄色	'y'
'k'	黑色	'k'
'w'	白色	'w'

 标记 (Marker)

代码	标记	示例
'.'	点	'.'
'o'	圆圈	'o'
's'	正方形	's'
'D'	菱形	'D'
'^'	上三角	'^'
'v'	下三角	'v'
'+'	加号	'+'
'x'	叉号	'x'
'*'	星号	'*'

线型 (Linestyle)

代码	线型	示例
'-'	实线	'-'
'--'	虚线	'--'
'-.'	点划线	'.-'
':'	点线	':'

 如果想实现更加精细的控制可以用下述的参数。

线条控制（Line Control）

• color / c: 线条颜色 (名称或十六进制)

• linestyle / ls: 线型样式

• linewidth / lw: 线宽 (浮点数)

• alpha: 透明度 (0-1)

标记控制（Mark Control）

• marker: 标记样式

• markersize / ms: 标记大小

• markeredgecolor / mec: 标记边缘颜色

• markerfacecolor / mfc: 标记填充颜色

其他控制(Other Controls）

• label: 图例标签

• visible: 是否显示 (True/False)

• zorder: 绘图顺序 (数值越大越靠前)

特殊参数(Special Parameters)

• data: 指定数据来源对象 (如DataFrame)

• scalex, scaley: 是否自动缩放坐标轴 (默认为True)

返回值(Returned Value)

plot() 函数返回一个包含 Line2D 对象的列表，每个对象代表绘制的一条线。这些对象可用于后续的图形操作。

示例代码

import matplotlib.pyplot as plt
import numpy as np# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号# 创建数据
months = ['1月', '2月', '3月', '4月', '5月', '6月','7月', '8月', '9月', '10月', '11月', '12月']
sales = [85, 70, 92, 88, 78, 95, 105, 112, 98, 120, 135, 150]# 创建图表和坐标轴
fig, ax = plt.subplots(figsize=(12, 8))  # 增加高度以容纳表格# 绘制折线图
line, = ax.plot(months, sales, marker='o', linestyle='-', color='#1f77b4',linewidth=2, markersize=8, label='月销售额')# 添加数据点标签
for i, (m, s) in enumerate(zip(months, sales)):ax.annotate(f'{s}万',  # 标签文本xy=(i, s),  # 数据点位置xytext=(0, 10),  # 文本位置偏移量textcoords='offset points',ha='center',  # 水平居中fontsize=9,color='dimgray')# 添加最高点注解
max_index = sales.index(max(sales))
ax.annotate('年度最高销售额',xy=(max_index, sales[max_index]),xytext=(max_index-1, sales[max_index]-20),arrowprops=dict(arrowstyle='->', color='red', connectionstyle="arc3"),fontsize=10,bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="red", alpha=0.8),color='red')# 添加趋势线（线性回归）
x = np.arange(len(months))
fit = np.polyfit(x, sales, 1)
trend_line = np.polyval(fit, x)
ax.plot(months, trend_line, 'r--', label='销售趋势')# 添加标题和标签
ax.set_title('2023年公司月度销售额分析', fontsize=16, pad=20)
ax.set_xlabel('月份', fontsize=12, labelpad=10)
ax.set_ylabel('销售额 (万元)', fontsize=12, labelpad=10)# 设置网格线
ax.grid(True, linestyle='--', alpha=0.7)# 设置Y轴范围
ax.set_ylim(60, 160)# 添加图例
ax.legend(loc='upper left', frameon=True, shadow=True)# 修正后的数据表格 - 使用更合理的布局
# 准备表格数据
table_data = [['月份'] + months,['销售额(万)'] + [str(s) for s in sales]
]# 创建表格
table = plt.table(cellText=table_data,cellLoc='center',loc='bottom',bbox=[0, -0.25, 1, 0.15]  # 调整表格位置和大小
)# 设置表格样式
table.auto_set_font_size(False)
table.set_fontsize(10)
table.scale(1, 1.5)  # 增加行高# 设置表头样式
for i in range(2):table[(0, i)].set_facecolor('#f0f0f0')table[(0, i)].set_text_props(weight='bold')# 设置最高值单元格样式
table[(1, max_index+1)].set_facecolor('#ffdddd')
table[(1, max_index+1)].set_text_props(color='red', weight='bold')# 调整布局
plt.subplots_adjust(bottom=0.2)  # 为表格留出适当空间# 添加脚注
plt.figtext(0.5, 0.01, '数据来源: 公司财务部 | 制图日期: 2023-12-31 | 单位: 万元',ha='center', fontsize=9, color='gray')
# 保存图表为图片
plt.savefig('line_chart.png',dpi=300,bbox_inches='tight',facecolor='white',  # 设置背景色edgecolor='none'    # 去除边框
)# 显示图表
plt.show()

散点图（scatter）

绘图库介绍

建筑兔零基础自学python记录8|学画散点图/Scatter plot-CSDN博客https://blog.csdn.net/tzcnancy/article/details/145395941

核心作用	说明
相关性分析	直观展示变量间的正相关/负相关/无相关关系
分布模式识别	发现数据聚类、离群点或非线性模式
异常值检测	快速定位偏离主体分布的异常数据点
变量关系探索	为回归分析、聚类等建模提供前期洞察
多维数据映射	通过颜色/大小添加第三、第四维度信息

场景分类	具体案例	图表特点
科学研究	• 身高与体重的关系 • 药物剂量与疗效关联 • 基因表达相关性	常配合回归线 使用颜色区分实验组
商业分析	• 广告投入与销售额 • 用户年龄与消费金额 • 产品特性偏好	气泡大小表示交易量 多组数据对比
金融风控	• 收入与信用评分 • 交易频率与金额 • 欺诈行为识别	突出异常点 划分风险区域
工业制造	• 温度与产品良率 • 压力与材料强度 • 设备参数优化	标注控制边界 显示误差范围
地理信息	• 城市人口与GDP • 气候站温湿度分布 • 疫情传播热点	结合地图坐标 热力图叠加

 函数签名(Function Signature)

plt.scatter(x, y,                     # 必需：点的坐标s=None,                   # 点的大小c=None,                   # 点的颜色marker=None,              # 点的形状cmap=None,                # 颜色映射norm=None,                # 颜色归一化vmin=None, vmax=None,     # 颜色范围限制alpha=None,               # 透明度linewidths=None,          # 边缘线宽edgecolors=None,          # 边缘颜色plotnonfinite=False,      # 是否绘制非有限值data=None,                # 数据源**kwargs                  # 其他属性
)

必需参数(Required Parameter)

参数	类型	说明
x, y	array-like	点的 x 和 y 坐标数据（长度必须相同）

 主要可选参数(Main Selectable Parameters)

参数	类型	默认值	说明
s	scalar or array	None (20)	点的大小（以点为单位，是面积的平方）
c	color or array	None ('b')	点的颜色（单一颜色或数值数组）
marker	str	'o'	点的形状（'o', 's', '^', 'D' 等）
alpha	scalar	None	透明度（0-1，0完全透明）
linewidths	scalar or array	None (1.5)	点边缘的线宽
edgecolors	color or array	'face'	点边缘的颜色（'face'表示与填充色相同）

颜色映射参数(Color Mapping Parameters)

参数	说明
cmap	颜色映射对象或名称（如 'viridis', 'jet', 'coolwarm'）
norm	归一化对象（用于将数值映射到 [0,1] 区间）
vmin, vmax	与 norm 结合使用，定义颜色映射的数据范围

其他参数(Other Parameters)

参数	说明
plotnonfinite	是否绘制 NaN 或 inf 值（默认 False）
data	数据源对象（可使用列名代替数据数组）
label	用于图例的标签
zorder	绘图顺序（数值越大越靠上）

示例代码

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.font_manager as fm
from scipy.stats import pearsonr# 在绘图代码前添加字体设置
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei', 'Arial']  # 优先使用支持符号的字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题# ==================== 解决中文显示问题 ====================
# 方法1：尝试使用系统自带的中文字体
try:# Windows 系统常用中文字体路径font_path = 'C:/Windows/Fonts/simhei.ttf'  # 黑体# font_path = 'C:/Windows/Fonts/msyh.ttc'  # 微软雅黑chinese_font = fm.FontProperties(fname=font_path)plt.rcParams['font.family'] = 'sans-serif'font_entry = fm.findfont(fm.FontProperties(fname=font_path))plt.rcParams['font.sans-serif'] = [fm.get_font(font_entry).family_name]use_custom_font = True
except:# 方法2：尝试使用Matplotlib内置的中文支持plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'KaiTi', 'FangSong', 'STXihei', 'sans-serif']plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题use_custom_font = False# 方法3：如果上述方法都不行，使用英文标题
use_english = False  # 设为True则使用英文标题# ==================== 创建模拟数据 ====================
# 设置随机种子确保结果可复现
np.random.seed(42)# 生成数据点数量
n = 150# 创建正相关数据
positive_x = np.random.randn(n) * 2
positive_y = positive_x * 1.5 + np.random.randn(n) * 1.5# 创建负相关数据
negative_x = np.random.randn(n) * 2 + 8
negative_y = negative_x * (-1.2) + np.random.randn(n) * 1.8 + 15# 创建无相关数据
random_x = np.random.randn(n) * 2 + 4
random_y = np.random.randn(n) * 3 + 8# 组合所有数据
all_x = np.concatenate([positive_x.ravel(), negative_x.ravel(), random_x.ravel()])
all_y = np.concatenate([positive_y.ravel(), negative_y.ravel(), random_y.ravel()])
categories = np.array(['正相关'] * n + ['负相关'] * n + ['无相关'] * n)
sizes = np.abs(np.random.randn(3 * n) * 30 + 20)  # 点的大小
colors = np.random.rand(3 * n)  # 点的颜色值# ==================== 创建散点图 ====================
plt.figure(figsize=(14, 10))# 绘制不同类别的散点
for i, category in enumerate(['正相关', '负相关', '无相关']):idx = categories == categoryplt.scatter(all_x[idx], all_y[idx],s=sizes[idx],c=colors[idx],alpha=0.7,  # 透明度edgecolor='black',  # 点边缘颜色linewidths=0.5,  # 点边缘宽度label=category,  # 图例标签cmap='viridis')  # 颜色映射# ==================== 添加注解和装饰 ====================# 添加标题和坐标轴标签
if use_english or not use_custom_font:plt.title('Scatter Plot with Detailed Annotations', fontsize=18, pad=20)plt.xlabel('X Variable', fontsize=14)plt.ylabel('Y Variable', fontsize=14)
else:plt.title('带详细注解的散点图示例', fontsize=18, pad=20)plt.xlabel('X 变量', fontsize=14)plt.ylabel('Y 变量', fontsize=14)# 添加网格线
plt.grid(True, linestyle='--', alpha=0.3)# 添加图例
plt.legend(title='相关类型' if not use_english else 'Correlation Type',loc='upper right',frameon=True,shadow=True,fancybox=True)# 计算并显示相关系数
corr_pos, _ = pearsonr(positive_x, positive_y)
corr_neg, _ = pearsonr(negative_x, negative_y)
corr_rand, _ = pearsonr(random_x, random_y)if use_english or not use_custom_font:plt.text(-7, 25, f'Positive Correlation: r = {corr_pos:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(5, 25, f'Negative Correlation: r = {corr_neg:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(0, -5, f'No Correlation: r = {corr_rand:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))# 添加解释性文本plt.text(-7, 22, '• Points show clear upward trend\n• Strong positive relationship',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(5, 22, '• Points show clear downward trend\n• Strong negative relationship',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(0, -8, '• Points are randomly scattered\n• No discernible relationship',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))
else:plt.text(-7, 25, f'正相关: r = {corr_pos:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(5, 25, f'负相关: r = {corr_neg:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(0, -5, f'无相关: r = {corr_rand:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))# 添加解释性文本plt.text(-7, 22, '• 点呈现明显上升趋势\n• 强正相关关系',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(5, 22, '• 点呈现明显下降趋势\n• 强负相关关系',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(0, -8, '• 点随机分布\n• 无明显相关关系',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))# 添加趋势线
z_pos = np.polyfit(positive_x, positive_y, 1)
p_pos = np.poly1d(z_pos)
plt.plot(positive_x, p_pos(positive_x), "r--", linewidth=1.5)z_neg = np.polyfit(negative_x, negative_y, 1)
p_neg = np.poly1d(z_neg)
plt.plot(negative_x, p_neg(negative_x), "b--", linewidth=1.5)# 添加颜色条
scatter = plt.scatter([], [], c=[], cmap='viridis')  # 创建用于颜色条的空散点图
cbar = plt.colorbar(scatter, shrink=0.8)
if use_english or not use_custom_font:cbar.set_label('Color Value', rotation=270, labelpad=15)
else:cbar.set_label('颜色值', rotation=270, labelpad=15)# 添加尺寸图例（气泡大小表示）
sizes_legend = [30, 60, 90]
for size in sizes_legend:plt.scatter([], [], s=size, c='gray', alpha=0.6, edgecolor='black',label=f'{size} px' if use_english or not use_custom_font else f'{size} 像素')
plt.legend(title='点尺寸' if not use_english else 'Point Size',loc='lower right',frameon=True,labelspacing=1.5,handletextpad=1.5)# 添加脚注
plt.figtext(0.5, 0.01,'数据来源: 模拟数据 | 制图日期: 2023-10-15 | 点的大小和颜色代表额外维度信息'if not use_english and use_custom_fontelse 'Data Source: Simulated Data | Date: 2023-10-15 | Size and color represent additional dimensions',ha='center', fontsize=9, color='gray')# 调整布局
plt.tight_layout(pad=3.0)
plt.subplots_adjust(bottom=0.1)  # 为脚注留出空间# ==================== 保存和显示图表 ====================
plt.savefig('scatter_diagram.png', dpi=300, bbox_inches='tight')  # 保存高分辨率图片
plt.show()

柱状图/条形图（bar/barh)

绘图库介绍

Python可视化 --柱形图_python 柱状图-CSDN博客https://blog.csdn.net/m0_73299799/article/details/136437184

最全Python绘制条形图（柱状图）_数据分析-CSDN专栏https://download.csdn.net/blog/column/10599192/113642589

核心作用	关键说明	适用场景
类别比较	清晰对比不同分类项目的数值差异	产品销量对比、部门绩效评估
分布展示	显示离散数据的频率分布情况	用户年龄分布、故障类型统计
趋势分析	展示数据随时间变化的趋势（离散时间点）	月度销售额、季度增长率
排名呈现	直观显示项目的排序位置	城市GDP排名、热门商品排行
构成分析	展示整体中各部分的组成关系	收入来源构成、时间分配比例

函数签名（Function Signature）

ax.bar(x,                # 条形的x坐标height,            # 条形的高度（y值）width=0.8,         # 条形的宽度（默认0.8）bottom=None,       # 条形的底部基准（用于堆叠图）align='center',    # 条形对齐方式：'center' 或 'edge'**kwargs           # 其他样式参数（颜色、边框等）
)ax.barh(y, width, height=0.8, left=None, *, align='center', **kwargs
)

关键参数详解

bar函数

参数	类型	说明
x	float 或 array-like	条形的中心位置（若 align='center'）或左侧边缘（若 align='edge'）
height	float 或 array-like	条形的高度（y轴方向的值）
width	float 或 array-like	条形的宽度（默认0.8）。值范围建议 [0, 1]，避免重叠
bottom	float 或 array-like	条形的起始高度（y轴基准），用于堆叠图（默认从0开始）
align	{'center', 'edge'}	对齐方式： - 'center'：条形中心位于 x 坐标处 - 'edge'：条形左侧边缘位于 x 坐标处

barh函数 

参数	说明	示例值
y	条形在 y 轴的位置（类别）	[0, 1, 2]
width	条形的长度（数值）	[30, 50, 20]
height	条形的粗细（高度）	0.5
left	条形起始的 x 坐标（用于堆叠）	[0, 30, 80]
align	对齐方式	'center' 或 'edge'
color	条形颜色	'skyblue', ['r','g','b']
edgecolor	边框颜色	'black'
linewidth	边框宽度	1.5
alpha	透明度	0.7
label	图例标签	'Sales'
xerr/yerr	误差线	数组或标量

常用样式参数 (**kwargs) 

bar函数

参数	说明
color	填充颜色（支持颜色名、十六进制码、RGB元组） 例：color='skyblue'、color=['r','g','b']
edgecolor	边框颜色（默认：'black'）
linewidth	边框宽度（默认：1.0）
alpha	透明度（0透明 ~ 1不透明）
label	图例标签（用于ax.legend()）
tick_label	替换x轴刻度的标签（长度需与x一致） 例：tick_label=['A','B','C']

返回值

返回一个 BarContainer 对象，包含所有条形（Rectangle 实例），可通过它进一步调整样式。 

柱状图和条形图对比

特征	柱状图 (Column Chart)	条形图 (Bar Chart)
方向	垂直 (↑)	水平 (→)
坐标轴	x轴=分类，y轴=数值	y轴=分类，x轴=数值
最佳场景	时间序列、少量类别	长文本标签、大量类别、排名
Matplotlib函数	ax.bar()	ax.barh()
阅读顺序	从左到右	从上到下
数据限制	类别名过长时标签会重叠	处理长类别名更友好

示例代码

import matplotlib.pyplot as plt
import numpy as np# 设置中文字体支持
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False# 创建数据
categories = ['苹果', '香蕉', '橙子', '葡萄', '芒果']
values_bar = [35, 28, 42, 25, 38]
values_barh = [120, 95, 150, 80, 130]
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFBE0B', '#FB5607']# 创建画布
fig = plt.figure(figsize=(14, 10), facecolor='#f8f9fa')
fig.suptitle('水果销售数据分析', fontsize=20, fontweight='bold', color='#2a4d69')# 创建柱状图
ax1 = fig.add_subplot(2, 2, 1)
bars = ax1.bar(categories, values_bar, color=colors, edgecolor='white', linewidth=2, alpha=0.9)
ax1.set_title('水果销售额柱状图', fontsize=14, pad=20, color='#2a4d69')
ax1.set_ylabel('销售额 (万元)', fontsize=12)
ax1.set_ylim(0, 50)
ax1.grid(axis='y', linestyle='--', alpha=0.7)# 添加数据标签
for bar in bars:height = bar.get_height()ax1.annotate(f'{height}',xy=(bar.get_x() + bar.get_width() / 2, height),xytext=(0, 3),  # 3 points vertical offsettextcoords="offset points",ha='center', va='bottom',fontsize=10, fontweight='bold')# 添加箭头注解
ax1.annotate('橙子销量最高',xy=(2, 42),xytext=(3, 45),arrowprops=dict(arrowstyle='->', color='#2a4d69', lw=1.5, connectionstyle="arc3,rad=0.2"),fontsize=10, color='#2a4d69', bbox=dict(boxstyle="round,pad=0.3", fc='white', ec='#2a4d69', alpha=0.8))# 创建水平条形图
ax2 = fig.add_subplot(2, 2, 2)
bars_h = ax2.barh(categories, values_barh, color=colors, edgecolor='white', linewidth=2, alpha=0.9)
ax2.set_title('水果销量条形图', fontsize=14, pad=20, color='#2a4d69')
ax2.set_xlabel('销量 (吨)', fontsize=12)
ax2.set_xlim(0, 170)
ax2.grid(axis='x', linestyle='--', alpha=0.7)# 添加数据标签
for bar in bars_h:width = bar.get_width()ax2.annotate(f'{width}',xy=(width, bar.get_y() + bar.get_height() / 2),xytext=(5, 0),  # 向右偏移5点textcoords="offset points",ha='left', va='center',fontsize=10, fontweight='bold')# 添加圆圈注解
ax2.annotate('芒果销量突出',xy=(130, 4),xytext=(140, 3.5),arrowprops=dict(arrowstyle='->', color='#2a4d69', lw=1.5),fontsize=10, color='#2a4d69',bbox=dict(boxstyle="circle,pad=0.3", fc='#FB5607', ec='white', alpha=0.7))# 创建堆叠柱状图
ax3 = fig.add_subplot(2, 2, 3)
quarter = ['第一季度', '第二季度', '第三季度', '第四季度']
fruit_a = [20, 35, 30, 25]
fruit_b = [15, 25, 20, 30]
fruit_c = [10, 20, 25, 15]bottom = np.zeros(len(quarter))
fruits = [fruit_a, fruit_b, fruit_c]
fruit_names = ['苹果', '香蕉', '橙子']for i, fruit in enumerate(fruits):bars = ax3.bar(quarter, fruit, bottom=bottom, color=colors[i],edgecolor='white', linewidth=1, alpha=0.9, label=fruit_names[i])bottom += fruit# 在每段上添加标签for j, bar in enumerate(bars):height = bar.get_height()if height > 0:  # 仅当高度大于0时添加标签ax3.annotate(f'{height}',xy=(bar.get_x() + bar.get_width() / 2, bar.get_y() + height / 2),ha='center', va='center',color='white', fontsize=9, fontweight='bold')ax3.set_title('季度水果销量堆叠图', fontsize=14, pad=20, color='#2a4d69')
ax3.set_ylabel('销量 (吨)', fontsize=12)
ax3.legend(loc='upper right')
ax3.grid(axis='y', linestyle='--', alpha=0.7)# 添加区域注解
ax3.annotate('香蕉销量显著增长',xy=(1, 45),xytext=(0.5, 60),arrowprops=dict(arrowstyle='fancy', color='#4ECDC4', lw=1.5, connectionstyle="arc3,rad=0.3"),fontsize=10, color='#2a4d69',bbox=dict(boxstyle="round,pad=0.3", fc='#4ECDC4', ec='#2a4d69', alpha=0.3))# 创建分组条形图
ax4 = fig.add_subplot(2, 2, 4)
x = np.arange(len(quarter))
width = 0.25# 创建分组数据
bars1 = ax4.bar(x - width, fruit_a, width, color=colors[0], label='苹果', alpha=0.9)
bars2 = ax4.bar(x, fruit_b, width, color=colors[1], label='香蕉', alpha=0.9)
bars3 = ax4.bar(x + width, fruit_c, width, color=colors[2], label='橙子', alpha=0.9)ax4.set_title('季度水果销量对比', fontsize=14, pad=15, color='#2a4d69')
ax4.set_xticks(x)
ax4.set_xticklabels(quarter)
ax4.legend()
ax4.grid(axis='y', linestyle='--', alpha=0.7)# 添加数据标签
for bars in [bars1, bars2, bars3]:for bar in bars:height = bar.get_height()ax4.annotate(f'{height}',xy=(bar.get_x() + bar.get_width() / 2, height),xytext=(0, 3),textcoords="offset points",ha='center', va='bottom',fontsize=9)# 添加连接线注解
ax4.annotate('橙子销量在第三季度最高',xy=(2.25, 25),xytext=(2.1, 40),arrowprops=dict(arrowstyle='->', color='#45B7D1', lw=1.5, connectionstyle="arc3,rad=0.3"),fontsize=10, color='#2a4d69',bbox=dict(boxstyle="round,pad=0.3", fc='#45B7D1', ec='#2a4d69', alpha=0.3))# 添加图例说明
fig.text(0.5, 0.02, '数据来源: 2023年水果市场销售报告 | 可视化: Matplotlib',ha='center', fontsize=10, color='#4b86b4', alpha=0.7)# 调整布局
plt.tight_layout(rect=(0, 0.03, 1, 0.95))  # 将方括号改为圆括号
plt.subplots_adjust(wspace=0.3, hspace=0.3)# 保存为图片
plt.savefig('bar_Graph.png', dpi=300, bbox_inches='tight', facecolor=fig.get_facecolor())# 添加自定义水印
fig.text(0.5, 0.5, '可视化示例',fontsize=60, color='gray', alpha=0.1,ha='center', va='center', rotation=30)plt.show()

饼图/环形图（pie）

绘图库介绍

python画图|饼图绘制教程_python画饼图-CSDN博客https://blog.csdn.net/weixin_44855046/article/details/141863459

核心作用	关键说明	优势
比例可视化	直观显示部分在整体中的占比	一眼看懂构成关系
重点突出	强调关键组成部分的主导地位	聚焦核心要素
简单对比	快速比较2-5个部分的相对大小	避免复杂数据处理
整体意识	强化"100%"的整体概念	自然传达完整性

函数签名（Function Signature）

ax.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6,shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True,wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False,*, normalize=True, data=None
)

核心参数详解

参数	类型	说明	默认值
x	数组	每个扇形的数值（自动归一化计算百分比）	必填
explode	数组	扇形偏移中心的距离（比例值，如 [0, 0.1, 0]）	None
labels	列表	每个扇形的标签文本	None
colors	列表	扇形颜色（支持颜色名或 HEX）	当前色彩循环
autopct	字符串/函数	显示百分比的格式（如 '%1.1f%%'）	None
pctdistance	浮点数	百分比文本离圆心的距离（半径比例）	0.6
labeldistance	浮点数	标签文本离圆心的距离（半径比例）	1.1
startangle	浮点数	起始绘制角度（0 表示正东方向，逆时针旋转）	0
radius	浮点数	饼图半径	1
wedgeprops	字典	扇形属性（如边缘颜色、线宽：{'edgecolor': 'black', 'linewidth': 2}）	None
textprops	字典	文本属性（如字体大小、颜色：{'fontsize': 12, 'color': 'red'}）	None
rotatelabels	布尔值	是否旋转标签至对应扇形角度	False
shadow	布尔值	是否添加阴影效果	False

 返回值

返回三个对象组成的元组：

1. wedges: 扇形对象列表（matplotlib.patches.Wedge）

2. texts: 标签文本对象列表（Text）

3. autotexts: 百分比文本对象列表（若 autopct=None 则为空列表）

饼图和环形图对比

特性	饼状图	环形图	嵌套环形图
结构	实心圆	空心圆	多层同心空心圆
中心区域	无特殊用途	可放置汇总数据	通常留空
数据维度	单层数据	单层数据	多层数据
比例表示	扇形面积	弧长	弧长
Matplotlib参数	默认	wedgeprops={'width':x}	多pie()调用+不同radius
视觉重心	整体比例	部分与整体关系	跨数据集比较

示例代码

import matplotlib.pyplot as plt# 设置中文字体支持
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 创建1行3列的子图布局，调整宽度比例
fig, axes = plt.subplots(1, 3, figsize=(20, 7),gridspec_kw={'width_ratios': [1, 1, 1.2]})  # 增加第三个子图宽度# -------------------- 第一个子图：基础饼图 --------------------
ax1 = axes[0]
labels1 = ['苹果', '香蕉', '橙子', '葡萄']
sizes1 = [30, 25, 20, 25]
colors1 = ['#FF9999', '#66B3FF', '#99FF99', '#FFCC99']
explode = (0.05, 0, 0, 0)wedges1, texts1, autotexts1 = ax1.pie(sizes1,explode=explode,labels=labels1,colors=colors1,autopct='%1.1f%%',startangle=90,shadow=True,textprops={'fontsize': 10}
)for autotext in autotexts1:autotext.set_color('white')autotext.set_fontweight('bold')ax1.set_title('基础饼图', fontsize=14, pad=15)
ax1.axis('equal')# -------------------- 第二个子图：环形图 --------------------
ax2 = axes[1]
labels2 = ['苹果', '香蕉', '橙子', '葡萄', '其他']
sizes2 = [25, 30, 15, 20, 10]
colors2 = ['#FF6B6B', '#4ECDC4', '#FFE66D', '#6A0572', '#1A535C']wedges2, texts2, autotexts2 = ax2.pie(sizes2,colors=colors2,startangle=90,wedgeprops=dict(width=0.4, edgecolor='w'),autopct=lambda p: f'{p:.1f}%' if p > 5 else '',pctdistance=0.85
)centre_circle = plt.Circle((0,0), 0.3, fc='white')
ax2.add_artist(centre_circle)
ax2.text(0, 0, '水果总销量', ha='center', va='center', fontsize=12)ax2.set_title('环形图', fontsize=14, pad=15)
ax2.axis('equal')# -------------------- 第三个子图：嵌套环形图 --------------------
ax3 = axes[2]# 数据
inner_labels = ['苹果', '香蕉', '其他']
inner_sizes = [40, 35, 25]
outer_labels = ['红富士', '青苹果', '进口蕉', '本地蕉', '橙子', '葡萄', '草莓']
outer_sizes = [15, 25, 20, 15, 10, 10, 5]# 颜色
inner_colors = ['#FF6B6B','#4ECDC4','#1A535C']
outer_colors = ['#FF9999', '#FF6B6B', '#88D8C0', '#4ECDC4', '#FFE66D', '#6A0572', '#1A535C']# 绘制外环（缩小尺寸）
wedges_outer, _, autotexts_outer = ax3.pie(outer_sizes,radius=1.0,  # 缩小半径colors=outer_colors,wedgeprops=dict(width=0.3, edgecolor='w'),  # 减小环宽startangle=90,pctdistance=0.85,autopct=lambda p: f'{p:.1f}%' if p > 4 else ''
)# 绘制内环
wedges_inner, _, autotexts_inner = ax3.pie(inner_sizes,radius=1.0 - 0.3,  # 相应缩小内环半径colors=inner_colors,wedgeprops=dict(width=0.3, edgecolor='w'),startangle=90,pctdistance=0.75,autopct='%1.1f%%'
)# 添加中心文字
ax3.text(0, 0, '水果分类', ha='center', va='center', fontsize=12, weight='bold')# 优化图例：放在下方并分两列显示
legend = ax3.legend(wedges_outer + wedges_inner,outer_labels + inner_labels,title="水果种类",loc='upper center',bbox_to_anchor=(-0.68, 0),  # 放在下方ncol=3,  # 分三列显示fontsize=9
)
legend.get_title().set_fontsize(10)  # 图例标题字号ax3.set_title('嵌套环形图', fontsize=14, pad=15)
ax3.axis('equal')# -------------------- 整体设置和保存 --------------------
plt.suptitle('水果销售数据可视化分析', fontsize=18, weight='bold')# 调整子图间距和整体布局
plt.tight_layout()
plt.subplots_adjust(top=0.85, bottom=0.2, wspace=0.3)  # 增加底部空间和子图间距# 保存图像（提高DPI）
plt.savefig('pie_charts_comparison.png', dpi=300, bbox_inches='tight')
plt.savefig('pie_charts_comparison.pdf', bbox_inches='tight')  # PDF格式更清晰print("图像已保存为 'pie_charts_comparison.png' 和 'pie_charts_comparison.pdf'")# 显示图像
plt.show()

直方图(hist)

绘图库介绍

Python绘图-5直方图_python绘制直方图-CSDN博客https://blog.csdn.net/2202_75971130/article/details/135192791

作用	说明
1. 展示数据分布	揭示数据集中在哪些区间、分散程度如何（如单峰、双峰、左偏/右偏）。
2. 识别中心趋势	通过最高柱子的位置快速定位数据密集区（众数所在区间）。
3. 分析离散程度	柱子宽度和分散情况反映数据波动范围（越分散说明数据差异越大）。
4. 检测异常值	远离主分布区的孤立柱子可能暗示异常值。
5. 判断分布形状	对称（正态分布）、左偏（数据集中在右侧）、右偏（数据集中在左侧）、多峰等。
6. 比较不同数据集	叠加多个直方图可对比不同群体的分布差异（如A/B测试结果）。

函数签名（Function Signature）

n, bins, patches = ax.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, **kwargs
)

核心参数详解 

参数	默认值	类型	说明	常用值/示例
x	必填	数组	输入数据	[1, 2, 3, 4, 5]
bins	'auto'	int/序列/str	分箱数量或边界	10（分10箱） [0,5,10,20]（自定义边界） 'sturges'（自动计算）
range	None	元组	数据范围限制	(0, 100)（仅统计0-100）
density	False	bool	归一化处理	True（面积=1的概率密度）
weights	None	数组	数据点权重	[0.1, 0.2, 0.3, ...]
cumulative	False	bool/int	累积分布	True（正向累积） -1（反向累积）
bottom	None	标量/数组	基线位置	10（所有柱子从y=10开始）
histtype	'bar'	str	直方图类型	'bar'（传统柱状） 'step'（线框） 'stepfilled'（填充线框）
align	'mid'	str	柱子对齐方式	'mid'（居中） 'left'（左对齐） 'right'（右对齐）
orientation	'vertical'	str	方向	'vertical'（垂直） 'horizontal'（水平）
rwidth	None	float	柱子相对宽度	0.8（占bin宽80%）
log	False	bool	对数坐标	True（y轴对数化）
color	None	str/列表	颜色	'skyblue' ['r','g','b']
label	None	str	图例标签	'Male'
stacked	False	bool	堆叠显示	True（多组数据堆叠）
alpha	1.0	float	透明度	0.7（半透明效果）

 返回值

• n: 数组，每个 bin 的频数（或密度值）。

• bins: 数组，bin 的边界值（长度为 len(n)+1）。

• patches: 直方图矩形对象列表（用于自定义样式）。

直方图和柱状图对比 

特征	直方图 (Histogram)	柱状图 (Bar Chart)
数据性质	连续数值数据	分类数据（或离散数值）
X轴含义	数值区间（Bin）	类别标签（如国家、产品）
柱子间距	无间距（表示连续区间）	有间距（强调独立性）
柱子宽度	可不等宽（由数据分布决定）	通常等宽
排序	按数值大小自动排序	任意排序（可按需调整）
统计目标	展示数据分布/频率	比较各类别数量大小
数学基础	概率密度估计	分类计数
空值处理	空区间高度=0（必须显示所有区间）	缺失类别可省略
坐标轴	仅数值轴	一轴数值，另一轴分类
示例场景	年龄分布、考试成绩分布	各国GDP对比、月度销售额

 经验法则

1. 当X轴是数值范围且需看分布形状 → 直方图

2. 当X轴是类别标签且需比较大小 → 柱状图

3. 当数据量<10时优先用柱状图，>30时优先用直方图

 示例代码

import numpy as np
import matplotlib.pyplot as plt# 设置中文字体支持（如果需要显示中文）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'WenQuanYi Zen Hei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False# 生成示例数据（模拟学生考试成绩）
np.random.seed(42)
math_scores = np.random.normal(loc=75, scale=12, size=200)  # 数学成绩
physics_scores = np.random.normal(loc=68, scale=15, size=200)  # 物理成绩# 创建图表和坐标轴
fig, ax = plt.subplots(figsize=(12, 8))# 绘制双直方图（比较两科成绩）
n1, bins1, patches1 = ax.hist(math_scores, bins=12, color='skyblue', alpha=0.7,edgecolor='navy', label='数学成绩')
n2, bins2, patches2 = ax.hist(physics_scores, bins=12, color='salmon', alpha=0.7,edgecolor='darkred', label='物理成绩')# 添加标题和标签
ax.set_title('数学与物理成绩分布对比', fontsize=16, pad=20)
ax.set_xlabel('考试分数', fontsize=14)
ax.set_ylabel('学生人数', fontsize=14)# 添加网格线
ax.grid(axis='y', linestyle='--', alpha=0.6)# 添加图例
ax.legend(fontsize=12)# 添加柱子顶部的频数注解
def add_count_annotations(patches, counts, bins, offset=3):for i, patch in enumerate(patches):bin_center = (bins[i] + bins[i+1]) / 2height = counts[i]if height > 0:  # 只标注有值的柱子ax.annotate(f'{int(height)}',xy=(bin_center, height),xytext=(0, offset),textcoords='offset points',ha='center',va='bottom',fontsize=10)add_count_annotations(patches1, n1, bins1)
add_count_annotations(patches2, n2, bins2, offset=5)  # 物理成绩的注解稍高# 添加统计信息注解
math_mean = np.mean(math_scores)
physics_mean = np.mean(physics_scores)
ax.axvline(math_mean, color='blue', linestyle='--', linewidth=2)
ax.axvline(physics_mean, color='red', linestyle='--', linewidth=2)ax.annotate(f'数学平均分: {math_mean:.1f}',xy=(math_mean, np.max(n1)*0.8),xytext=(math_mean - 15, np.max(n1)*0.8 + 6),arrowprops=dict(arrowstyle='->', color='blue', connectionstyle="arc3"),fontsize=12, color='blue', weight='bold')ax.annotate(f'物理平均分: {physics_mean:.1f}',xy=(physics_mean, np.max(n2)*0.7),xytext=(physics_mean + 5.8, np.max(n2)*0.7 + 5),arrowprops=dict(arrowstyle='->', color='red'),fontsize=12, color='red', weight='bold')# 添加差异说明注解
ax.annotate('数学成绩整体高于物理成绩\n且分布更为集中',xy=(80, 25),xytext=(90, 30),arrowprops=dict(arrowstyle='fancy', color='green', connectionstyle="angle3,angleA=0,angleB=90"),fontsize=12, color='green', bbox=dict(boxstyle="round,pad=0.3", fc='lightyellow', ec='olive', alpha=0.8))# 保存高分辨率图片
plt.tight_layout()
plt.savefig('histogram_with_annotations.png', dpi=300, bbox_inches='tight')
plt.savefig('histogram_with_annotations.pdf', bbox_inches='tight')  # 矢量图版本print("图片已保存为 'histogram_with_annotations.png' 和 'histogram_with_annotations.pdf'")# 显示图表
plt.show()

箱线图(boxplot)

绘图库介绍

Python绘图-7箱图_python 箱线图-CSDN博客https://blog.csdn.net/2202_75971130/article/details/136337160

作用	说明
1. 展示数据分布	用5个统计量（最小值、Q1、中位数、Q3、最大值）概括数据分布位置和范围。
2. 识别异常值	超出上下须（1.5×IQR范围）的点被单独标记，快速定位异常值。
3. 分析偏态与对称性	中位数在箱体的位置反映数据偏斜方向（左偏/右偏）。
4. 比较多组数据	并排箱线图可高效对比多组数据的分布差异（如不同类别/时间）。
5. 检测数据离散度	箱体长度（IQR）和须的长度反映数据波动范围（IQR越小，数据越集中）。

函数签名（Function Signature）

plt.boxplot(x,notch=None,sym=None,vert=None,whis=None,positions=None,widths=None,patch_artist=None,bootstrap=None,usermedians=None,conf_intervals=None,meanline=None,showmeans=None,showcaps=None,showbox=None,showfliers=None,boxprops=None,labels=None,flierprops=None,medianprops=None,meanprops=None,capprops=None,whiskerprops=None,manage_ticks=True,autorange=False,zorder=None
)

 核心参数详解表

参数	类型	默认值	说明	示例
x	Array/Sequence	(必填)	输入数据（一维数组或数组序列）	x=[data1, data2]
notch	bool	False	是否绘制缺口箱线图（展示中位数置信区间）	notch=True
sym	str	'b+'	离群点标记样式	sym='rs'（红色方块）
vert	bool	True	箱线图方向（True=垂直，False=水平）	vert=False
whis	float	1.5	定义须线长度的IQR倍数	whis=2.0
positions	array-like	[1,2..n]	箱线图的定位坐标	positions=[1,3,5]
widths	float/array	0.5	箱体宽度（标量或每个箱体宽度数组）	widths=0.3
patch_artist	bool	False	是否用颜色填充箱体	patch_artist=True
labels	list/str	None	分组标签	labels=['A','B']
showmeans	bool	False	是否显示均值标记	showmeans=True
meanline	bool	False	是否用线（而非点）表示均值	meanline=True
showcaps	bool	True	是否显示须线末端横杠	showcaps=False
showbox	bool	`True``	是否显示箱体	showbox=False
showfliers	bool	True	是否显示离群值	showfliers=False
boxprops	dict	None	箱体样式属性	boxprops=dict(facecolor='red')
whiskerprops	dict	None	须线样式属性	whiskerprops=dict(linestyle='--')
capprops	dict	None	须线末端横杠样式属性	capprops=dict(linewidth=2)
medianprops	dict	None	中位数线样式属性	medianprops=dict(color='gold')
meanprops	dict	None	均值标记样式属性	meanprops=dict(marker='D')
flierprops	dict	None	离群点样式属性	flierprops=dict(marker='x')
zorder	float	None	绘图层级（控制叠放顺序）	zorder=10

示例代码

import matplotlib.pyplot as plt
import numpy as np
import os# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False# 创建输出目录
output_dir = 'output'
os.makedirs(output_dir, exist_ok=True)# 生成更真实的示例数据（模拟产品测试分数）
np.random.seed(42)
product_A = np.random.normal(85, 12, 200)
product_B = np.random.normal(92, 8, 200)
product_C = np.random.normal(78, 15, 200)
product_D = np.random.normal(88, 10, 200)
data = [product_A, product_B, product_C, product_D]# 创建图形和子图
plt.figure(figsize=(12, 8))
ax = plt.subplot(111)# 绘制箱线图
box = plt.boxplot(data,patch_artist=True,showmeans=True,  # 显示均值点meanprops={'marker': 'D', 'markerfacecolor': 'gold', 'markeredgecolor': 'black'},labels=['产品A', '产品B', '产品C', '产品D'])# 设置箱体颜色
colors = ['#FF9999', '#66B2FF', '#99FF99', '#FFCC99']
for patch, color in zip(box['boxes'], colors):patch.set_facecolor(color)patch.set_alpha(0.8)  # 添加透明度# 设置箱线样式
for element in ['whiskers', 'caps', 'medians']:plt.setp(box[element], color='black', linewidth=1.5)# 添加注释
for i, d in enumerate(data):# 计算关键统计量median = np.median(d)q1 = np.percentile(d, 25)q3 = np.percentile(d, 75)iqr = q3 - q1mean = np.mean(d)upper_bound = q3 + 1.5 * iqrlower_bound = q1 - 1.5 * iqr# 标注中位数plt.annotate(f'中位数: {median:.1f}',xy=(i + 1, median),xytext=(i + 1.2, median + 3),fontsize=10,arrowprops=dict(arrowstyle="->", color='black', alpha=0.7))# 标注平均值plt.annotate(f'平均值: {mean:.1f}',xy=(i + 1, mean),xytext=(i + 1.2, mean - 5),fontsize=9,color='darkblue',arrowprops=dict(arrowstyle="->", color='darkblue', alpha=0.5))# 标注IQR范围plt.text(i + 1.1, (q1 + q3) / 2, f'IQR: {iqr:.1f}',fontsize=9, color='darkgreen',verticalalignment='center')# 添加整体标题和说明
plt.title('四种产品质量测试分数分布对比', fontsize=16, pad=20, fontweight='bold')
plt.xlabel('产品型号', fontsize=12, labelpad=10)
plt.ylabel('测试分数', fontsize=12, labelpad=10)# 添加网格线
plt.grid(axis='y', linestyle='--', alpha=0.5)# 添加图例
from matplotlib.patches import Patchlegend_elements = [Patch(facecolor=colors[0], label='产品A'),Patch(facecolor=colors[1], label='产品B'),Patch(facecolor=colors[2], label='产品C'),Patch(facecolor=colors[3], label='产品D'),plt.Line2D([0], [0], marker='D', color='w', markerfacecolor='gold', markersize=10, label='平均值'),plt.Line2D([0], [0], color='black', lw=2, label='中位数')
]
ax.legend(handles=legend_elements, loc='upper right', fontsize=10)# 添加数据来源说明
plt.figtext(0.5, 0.01, '数据来源: 2023年产品质量测试报告 | 注: 箱线图基于200个样本数据',ha='center', fontsize=9, color='gray')# 调整布局
plt.tight_layout()
plt.subplots_adjust(bottom=0.1)  # 为底部文本留出空间# 保存图片到文件 (多种格式)
png_path = os.path.join(output_dir, 'boxplot_with_annotations.png')
pdf_path = os.path.join(output_dir, 'boxplot_with_annotations.pdf')
svg_path = os.path.join(output_dir, 'boxplot_with_annotations.svg')# 保存为PNG (适合网页使用)
plt.savefig(png_path, dpi=300, bbox_inches='tight')
# 保存为PDF (适合印刷和高质量打印)
plt.savefig(pdf_path, format='pdf', bbox_inches='tight')
# 保存为SVG (矢量格式，可编辑)
plt.savefig(svg_path, format='svg', bbox_inches='tight')print(f"图表已保存至: {png_path}")
print(f"图表已保存至: {pdf_path}")
print(f"图表已保存至: {svg_path}")# 显示图形
plt.show()

热力图（heatmap）

绘图库介绍

用 Python 绘制热力图（Heatmap）详解：从数据到可视化全流程（第三天）_python heatmap-CSDN博客https://blog.csdn.net/2401_84301183/article/details/146536553

类别	具体作用/场景	说明/示例
核心作用	直观展示数据密度/强度分布	用颜色深浅（暖色表高值，冷色表低值）快速揭示数据集中高低值区域及分布模式。
	揭示模式、趋势和异常	识别热点（高值聚集）、冷点（低值聚集）、梯度变化、异常值。
	高效比较多变量/类别间关系	矩阵热力图中通过颜色比较行、列代表的类别/变量间关系强度（如相关性、频率）。
	简化高维数据表达	将二维（如坐标+值）或三维（如行类+列类+值）数据压缩到平面视图，用颜色编码。
	空间效率高	在有限空间内展示大量数据点或关系对比，优于重叠散点图或多条形图。
主要实现场景	地理空间数据分析 (Geospatial)	应用领域： 人口、犯罪、交通、房产、疾病、天气、商业选址等。 示例： 人口密度图、交通拥堵热图、疫情分布图、商场客流量热图。
	网站和用户行为分析 (Web & UX)	应用领域： 网页/App设计优化、用户体验研究。 示例： 点击热图（分析按钮点击）、滚动热图（分析页面浏览深度）、鼠标移动热图（分析浏览路径）、眼动追踪热图（分析视觉焦点）。
	数据分析和统计学 (Data Analysis & Statistics)	应用领域： 探索性数据分析、模型评估、关系挖掘。 示例： 相关性矩阵（展示变量间相关系数）、混淆矩阵（评估分类模型性能）、缺失值模式热图、聚类结果热图（展示基因表达模式等）。

函数签名（Function Signature）

sns.heatmap(data,                   # 必需参数：二维数据（数组、DataFrame）vmin=None,              # 颜色映射最小值vmax=None,              # 颜色映射最大值cmap=None,              # 颜色方案（如 'viridis', 'coolwarm', 'RdBu_r'）center=None,            # 颜色中心值（常用于有正负的数据）robust=False,           # 抗异常值缩放（使用分位数替代极值）annot=None,             # 是否在格子中显示数值（True/False 或 同shape数组）fmt='.2g',             # 数值格式（如 '.1f' 保留1位小数）annot_kws=None,         # 注释文本样式（字典，如 {'size':10}）linewidths=0,           # 格子边框宽度linecolor='white',      # 边框颜色cbar=True,              # 是否显示颜色条cbar_kws=None,          # 颜色条设置（字典，如 {'label':'Score'}）square=False,           # 是否强制为正方形xticklabels='auto',     # X轴标签（True/False/列表/'auto'）yticklabels='auto',     # Y轴标签（同上）mask=None,              # 遮盖部分数据（True位置不显示）ax=None,                # 指定绘图的Axes对象**kwargs                # 其他matplotlib参数
)

核心参数详解表

参数	默认值	数据类型	说明
data	-	2D array/DataFrame	必需参数，输入矩阵数据
vmin	None	float	颜色映射最小值
vmax	None	float	颜色映射最大值
cmap	None	str/Colormap	颜色映射方案（如 'viridis', 'coolwarm', 'RdBu_r'）
center	None	float	颜色中心值（用于有正负值的数据）
annot	None	bool/array	是否在格子中显示数值（True 或同形数组）
fmt	'.2g'	str	数值格式（如 '.2f'=两位小数，'d'=整数）
linewidths	0	float	格子边框宽度（0=无边框）
linecolor	'white'	str	边框颜色
cbar	True	bool	是否显示颜色条
cbar_kws	None	dict	颜色条参数（如 {'label': 'Score'}）
square	False	bool	是否强制为正方形
xticklabels	'auto'	bool/list/'auto'	X轴标签控制（True=显示，False=隐藏）
yticklabels	'auto'	bool/list/'auto'	Y轴标签控制
mask	None	bool array	遮盖部分数据（True位置留白）
robust	False	bool	是否使用分位数抗异常值
annot_kws	None	dict	注释文本样式（如 {'size':10, 'color':'black'}）
ax	None	matplotlib Axes	指定绘图的坐标轴

示例代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.colors import LinearSegmentedColormap# 设置中文支持（如果需要）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False# 创建示例数据
def generate_sample_data():# 创建日期范围dates = pd.date_range(start='2023-01-01', end='2023-01-15')# 创建时间范围times = [f"{hour:02d}:00" for hour in range(8, 18)]# 创建随机数据np.random.seed(42)data = np.random.rand(len(dates), len(times)) * 100# 添加一些模式使数据更有趣for i in range(len(dates)):# 周末模式if dates[i].weekday() >= 5:  # 周六和周日data[i, :] *= 0.7  # 周末值较低# 中午高峰模式data[i, 4:7] *= 1.5  # 中午12点到下午2点# 创建DataFramedf = pd.DataFrame(data, index=dates.strftime('%Y-%m-%d'), columns=times)return df# 创建自定义颜色映射
def create_custom_colormap():colors = ["#2a9d8f", "#e9c46a", "#f4a261", "#e76f51"]return LinearSegmentedColormap.from_list("custom_cmap", colors)# 绘制热力图并添加注解
def plot_heatmap_with_annotations(df):# 创建图形plt.figure(figsize=(14, 10))# 创建自定义颜色映射custom_cmap = create_custom_colormap()# 绘制热力图ax = sns.heatmap(df,cmap=custom_cmap,annot=True,  # 显示数值注解fmt=".1f",  # 数值格式（保留一位小数）annot_kws={"size": 9, "color": "black"},  # 注解文本样式linewidths=0.5,  # 单元格之间的线条宽度linecolor="white",  # 线条颜色cbar_kws={"label": "活动强度", "shrink": 0.8}  # 颜色条设置)# 设置标题和标签plt.title("每日活动强度热力图 (2023年1月1日-15日)", fontsize=16, pad=20)plt.xlabel("时间", fontsize=12)plt.ylabel("日期", fontsize=12)# 旋转x轴标签plt.xticks(rotation=45, ha='right')# 添加网格线（在热力图后面）ax.set_facecolor('#f0f0f0')ax.grid(which='major', axis='both', linestyle='-', color='white', linewidth=0.5)# 调整布局plt.tight_layout()# 保存图表save_path = "heatmap_with_annotations.png"plt.savefig(save_path, dpi=300, bbox_inches='tight')# 显示图表plt.show()return save_path# 主程序
if __name__ == "__main__":# 生成示例数据data_df = generate_sample_data()print("生成的热力图数据示例:")print(data_df.head())# 绘制并保存热力图saved_path = plot_heatmap_with_annotations(data_df)print(f"\n热力图已保存至: {saved_path}")

小提琴图（violinplot）

绘图库介绍

用python绘制小提琴图的基本流程及其操作_python 小提琴图-CSDN博客https://blog.csdn.net/weixin_70682362/article/details/148018533

作用类别	核心作用描述	典型实现场景	对比优势
分布形态可视化	直观展示连续数据的整体分布形状、概率密度（哪里密集、哪里稀疏）	1. 观察单个变量的数据分布特征（单峰、双峰、多峰、对称、偏态）。 2. 数据探索阶段了解数据的基本形态。	优于箱线图：清晰揭示分布形状（如多峰性、不对称性），箱线图仅显示摘要统计。
集中趋势比较	显示数据分布的中心位置（通常结合箱线图元素显示中位数/四分位数）	1. 比较不同类别/分组数据的中心趋势（如中位数）差异。 2. 观察不同实验条件下结果的中心位置变化。	结合密度与统计量：既看密度集中区域，也看具体中位数位置。
离散程度比较	通过“小提琴”的宽度变化展示数据分布的离散程度（宽=分散，窄=集中）	1. 比较不同类别/分组数据的变异性或一致性（如评估不同生产工艺的稳定性）。 2. 识别方差差异显著的组别。	优于箱线图：宽度变化直观体现数据点在整个值域上的疏密程度，而不仅是IQR。
分布对称性/偏度分析	通过形状的对称性判断数据分布是左偏（负偏）、右偏（正偏）还是对称	1. 分析数据是否符合对称分布假设（如某些统计检验前提）。 2. 识别收入、响应时间等常见偏态数据的偏斜方向。	优于直方图/密度图：在多组比较时，并排小提琴图更易对比不同组的偏斜情况。
多组分布对比	将多个组/类别的分布并排或叠加显示，便于直接比较其形态、中心和离散度差异	1. 比较不同产品/型号的性能指标分布。 2. 分析不同营销策略下客户购买金额的分布差异。 3. 评估不同治疗方法下患者康复时间的分布。 4. 对比不同地区的气温分布模式。 5. 分析不同用户群（如新/老用户）使用时长/消费频率的分布。	核心优势：最擅长同时比较多个组的完整分布特征，信息量远大于仅比较均值或中位数。
异常值检测 (辅助)	结合箱线图元素（通常内嵌），可识别潜在的异常值点	1. 在观察整体分布的同时，辅助查看是否存在显著偏离主体的极端值。	结合优势：密度形态提供上下文，箱线图元素标记异常点。
数据清洗/验证	揭示数据分布中意想不到的模式或问题（如双峰可能暗示数据混合了不同群体）	1. 数据质量检查：发现分布异常（如预期单峰却出现双峰，可能需检查数据来源或分组）。 2. 识别数据子群或潜在分段。	揭示隐藏信息：能提示数据背后可能存在的未考虑因素或分组。

函数签名（Function Signature）

seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100,width=0.8, inner='box', split=False, dodge=True, orient=None,linewidth=None, color=None, palette=None, saturation=0.75,ax=None, **kwargs
)

核心参数详解表

参数	类型	默认值	说明
x	字符串/数组	None	X轴变量（分类数据）
y	字符串/数组	None	Y轴变量（数值数据）
hue	字符串	None	分组变量（次级分类维度）
data	DataFrame	None	数据源（需配合x/y/hue使用）
order	列表	None	指定x变量顺序（如['Mon','Tue','Wed']）
hue_order	列表	None	指定hue分组顺序（如['Male','Female']）
bw	字符串/浮点数	'scott'	核密度估计带宽： 'scott'/'silverman'（自动计算） 数值（值越小越贴合数据）
scale	字符串	'area'	小提琴宽度缩放方式： 'area'（面积相同） 'count'（宽度与样本量成正比） 'width'（最大宽度相同）
inner	字符串	'box'	内部显示元素： 'box'（微型箱线图） 'quartiles'（四分位线） 'point'/'stick'（点/线） None（不显示）
split	布尔值	False	当使用hue时： True（左右对称合并） False（独立显示）
dodge	布尔值	True	当使用hue时： True（并排显示） False（重叠显示）
orient	字符串	None	方向： 'v'（垂直） 'h'（水平） None（自动推断）
palette	字符串/列表	None	配色方案（如'viridis'/'Set2'）
color	颜色值	None	统一设置所有小提琴颜色
width	浮点数	0.8	小提琴最大宽度（0~1）
linewidth	浮点数	1	轮廓线宽度（像素）
cut	浮点数	2	数据范围外的延伸倍数（0=不延伸）
gridsize	整数	100	密度曲线平滑度（值越大越平滑）

示例代码

pip install seaborn matplotlib numpy

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np# 设置中文字体支持（如果需要显示中文）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号# 创建示例数据（替代seaborn内置数据集）
np.random.seed(42)
data = {'Day': np.repeat(['Mon', 'Tue', 'Wed', 'Thu'], 100),'Sales': np.hstack([  # 修改为np.hstacknp.random.normal(120, 20, 100),np.random.normal(80, 15, 100),np.random.normal(150, 30, 100),np.random.normal(95, 25, 100)])
}# 创建图形
plt.figure(figsize=(10, 6))
ax = sns.violinplot(x='Day',y='Sales',data=data,hue='Day',  # 新增hue参数inner='quartile',palette='Pastel1',legend=False  # 隐藏图例
)# 添加标题和标签
plt.title('每日销售额分布', fontsize=14)
plt.xlabel('星期', fontsize=12)
plt.ylabel('销售额 (万元)', fontsize=12)# 计算并添加中位数注释
medians = [np.median(data['Sales'][data['Day'] == day]) for day in ['Mon', 'Tue', 'Wed', 'Thu']]
vertical_offset = np.mean(medians) * 0.05  # 偏移量for i, median in enumerate(medians):ax.text(x=i,y=median + vertical_offset,s=f'中位: {median:.1f}',ha='center',  # 水平居中va='bottom',  # 垂直底部对齐fontsize=10,color='black',weight='bold')# 添加特殊注释
ax.annotate('最高销售额区间',xy=(2, 200),xytext=(2.5, 220),arrowprops=dict(arrowstyle='->', color='red', linewidth=1.5),fontsize=12,color='darkred',bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="gray", lw=1))# 添加网格线
plt.grid(axis='y', linestyle='--', alpha=0.7)# 保存高清图像（支持多种格式：png, jpg, svg, pdf）
plt.savefig('violin_plot.png',dpi=300,           # 高分辨率bbox_inches='tight',  # 紧凑布局facecolor='white')    # 背景色# 显示图像（可选）
plt.tight_layout()
plt.show()print("图像已保存为 violin_plot.png")

3D曲面图(

绘图库介绍

Python绘制3D曲面图-CSDN博客https://blog.csdn.net/weixin_41923961/article/details/83998917

维度	描述	典型实现场景
核心作用	可视化三维空间中的连续表面	理解复杂数学函数、物理现象的空间分布。
	揭示变量间的非线性关系	分析两个自变量（X, Y）对因变量（Z）的共同影响（尤其非线性关系）。
	展示空间数据的分布、趋势和模式	地理高程、物理场（温度/压力/电势）、浓度分布的空间变化。
	识别关键特征点（峰值、谷值、鞍点）	定位最大值、最小值、转折点或急剧变化区域。
实现场景	数学与函数可视化	绘制二元函数图像（如 Z = sin(X²+Y²)），分析函数形状。
	地理信息系统	地形图、数字高程模型、坡度分析、洪水模拟。
	物理学与工程学	• 电磁场：电势/磁场分布 • 力学：应力分布、振动模态 • 流体力学：流速/压力场 • 热力学：温度场分布
	化学与材料科学	• 分子建模：电子云密度、势能面 • 材料表征：表面粗糙度、成分浓度分布
	气象与海洋学	• 气象：大气压力/温度场 • 海洋：海水温度/盐度垂直剖面
	医学与生物科学	• 医学：器官3D重建（CT/MRI） • 生物学：蛋白质结构表面、药物扩散模拟
	计算机图形学	渲染复杂3D模型表面（如游戏场景、角色）
	数据分析	• 优化算法：损失函数曲面 • 响应面分析：多变量对输出的影响

函数签名（Function Signature）

ax.plot_surface(X, Y, Z, cmap=None,           # 颜色映射rstride=1,           # 行方向步长cstride=1,           # 列方向步长color=None,          # 固定颜色edgecolor=None,      # 网格线颜色alpha=1.0,           # 透明度shade=True,          # 是否启用阴影antialiased=True,    # 抗锯齿norm=None,            # 数据归一化vmin=None, vmax=None # 颜色映射范围**kwargs)

核心参数详解表

参数	说明
X, Y, Z	必需，均为 2D 数组（形状相同）。通常用 numpy.meshgrid() 生成
cmap	颜色映射（如 'viridis', 'plasma', 'coolwarm'），需配合 facecolors 或 Z 值使用
rstride, cstride	网格采样步长（减少可提升性能）。例如 rstride=5 表示每隔5行绘制
color	固定曲面颜色（字符串或 RGB 元组），与 cmap 互斥
edgecolor	网格线颜色（默认 'k' 黑色），设为 'none' 可隐藏网格
alpha	透明度（0.0 透明 ~ 1.0 不透明）
shade	是否用光照效果增强立体感（默认为 True）
antialiased	是否启用抗锯齿（默认为 True）
vmin, vmax	颜色映射的数据范围（配合 cmap 使用）

示例代码

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))  # 生成曲面数据 (二维sinc函数)# 创建图形和3D坐标轴
fig = plt.figure(figsize=(12, 10))
ax = fig.add_subplot(111, projection='3d')# 绘制曲面图
surf = ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.8,rstride=2, cstride=2, antialiased=True)# 添加颜色条
fig.colorbar(surf, shrink=0.5, aspect=10, label='Z Value')# 添加全局标题
plt.suptitle('3D Surface Plot with Annotations', fontsize=16)# 添加轴标签
ax.set_xlabel('X Axis', fontsize=12, labelpad=15)
ax.set_ylabel('Y Axis', fontsize=12, labelpad=15)
ax.set_zlabel('Z Axis', fontsize=12, labelpad=15)# 添加点注解
point = (0, 0, 1)  # 要注解的点 (x, y, z)
ax.scatter(*point, color='red', s=100, label='Global Max')
ax.text(point[0], point[1], point[2] + 0.2,'Global Maximum',color='red',fontsize=12,ha='center')# 添加指向局部最小值的箭头注解
min_point = (-3.5, 3.5, Z[35, 35])
ax.scatter(*min_point, color='blue', s=80)
ax.annotate('Local Minimum',xy=(min_point[0], min_point[1]),  # 目标点xytext=(-50, 30),                 # 文本位置偏移textcoords='offset points',arrowprops=dict(arrowstyle='->', lw=1.5, color='blue'),fontsize=10,color='blue')# 添加图例
ax.legend(loc='upper right', fontsize=10)# 调整视角
ax.view_init(elev=25, azim=-45)  # 仰角25度，方位角-45度# 添加图形框注释
fig.text(0.05, 0.02,'Generated by Matplotlib | Function: sin(sqrt(x² + y²))',fontsize=9, color='gray')# 保存高分辨率图片
plt.savefig('3d_surface_plot.png', dpi=300, bbox_inches='tight')# 显示图形
plt.tight_layout()
plt.show()

地理地图（Folium/Geopandas）

绘图库介绍

Python绘制地图神器folium介绍及安装使用教程-CSDN博客https://blog.csdn.net/python2021_/article/details/123652555

函数签名（Function Signature）

示例代码

交互式图表（Plotly/Bokeh）

绘图库介绍

函数签名（Function Signature）

示例代码

网络图（NetworkX）

绘图库介绍

函数签名（Function Signature）

示例代码

金融图表（mplfinance）

绘图库介绍

函数签名（Function Signature）

示例代码

科学可视化（Mayavi）

绘图库介绍

函数签名（Function Signature）

示例代码

词云（WordCloud）

绘图库介绍

函数签名（Function Signature）

示例代码

甘特图（Plotly）

绘图库介绍

函数签名（Function Signature）

示例代码