【零基础学AI】第6讲：数据可视化基础

在这里插入图片描述

本节课你将学到

理解数据可视化在AI中的重要作用
掌握Matplotlib的基本架构和核心概念
学会创建各种类型的图表（线图、柱状图、散点图、饼图等）
掌握图表美化和自定义技巧
完成销售趋势图表制作实战项目

开始之前

什么是数据可视化？

数据可视化就是用图形的方式展示数据，让复杂的数字变成直观的视觉信息。想象一下：

纯数字表格：像密密麻麻的账本，信息都在，但很难快速理解
可视化图表：像一张清晰的地图，一眼就能看出规律和趋势

数据可视化的核心价值：

发现规律：肉眼很难从数字中发现的模式，在图表中一目了然
传达洞察：复杂的分析结果通过图表变得容易理解
辅助决策：直观的图表帮助管理者快速做出决策
讲述故事：数据背后的故事通过图表生动地展现出来

为什么Matplotlib重要？

1. Python可视化的基石

Matplotlib：Python可视化的底层引擎，功能最全面
Seaborn：基于Matplotlib的高级统计图表库
Plotly：交互式图表库，底层也参考了Matplotlib设计
Pandas：内置的绘图功能就是调用Matplotlib

2. AI项目中的关键应用

数据探索：在建模前理解数据分布和关系
特征分析：可视化特征重要性和相关性
模型评估：绘制ROC曲线、混淆矩阵等
结果展示：将模型预测结果可视化

3. 业界标准

科研论文：大多数机器学习论文的图表都用Matplotlib制作
数据报告：企业级数据分析报告的标准工具
教学演示：AI课程和教程的首选可视化工具

环境要求

已完成前五讲的环境配置
Matplotlib已安装（在第1讲中已安装）
建议同时安装Seaborn用于高级图表

Matplotlib基础架构

导入和基本设置

# 标准导入方式
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd# 查看Matplotlib版本
print(f"Matplotlib版本: {plt.matplotlib.__version__}")# 设置中文字体支持
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题# 设置图表样式
plt.style.use('default')  # 可选：'seaborn', 'ggplot', 'classic'等# 设置默认图表大小和分辨率
plt.rcParams['figure.figsize'] = (10, 6)
plt.rcParams['figure.dpi'] = 100print("✅ Matplotlib环境配置完成")

Matplotlib的两种接口

# Matplotlib提供两种编程接口
print("🎨 Matplotlib两种接口演示")
print("=" * 35)# 准备示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)# 方式1：pyplot接口（类似MATLAB，简单直观）
print("📊 方式1: pyplot接口")
plt.figure(figsize=(12, 5))plt.subplot(1, 2, 1)  # 1行2列的第1个子图
plt.plot(x, y1, label='sin(x)', color='blue', linewidth=2)
plt.plot(x, y2, label='cos(x)', color='red', linewidth=2)
plt.title('Pyplot接口示例')
plt.xlabel('x值')
plt.ylabel('y值')
plt.legend()
plt.grid(True, alpha=0.3)# 方式2：面向对象接口（更灵活，适合复杂图表）
print("🔧 方式2: 面向对象接口")
fig, ax = plt.subplots(1, 1, figsize=(6, 5))  # 创建图形和轴对象ax.plot(x, y1, label='sin(x)', color='blue', linewidth=2)
ax.plot(x, y2, label='cos(x)', color='red', linewidth=2)
ax.set_title('面向对象接口示例')
ax.set_xlabel('x值')
ax.set_ylabel('y值')
ax.legend()
ax.grid(True, alpha=0.3)plt.tight_layout()  # 自动调整子图间距
plt.show()print("💡 建议：简单图表用pyplot，复杂图表用面向对象接口")

Figure和Axes概念

# 理解Figure、Axes、Axis的层次结构
print(f"\n🏗️ Matplotlib架构解析")
print("=" * 30)# Figure: 整个图形窗口
# Axes: 具体的绘图区域（可以有多个）
# Axis: 坐标轴（x轴、y轴）# 创建复杂的图形布局
fig = plt.figure(figsize=(15, 10))
fig.suptitle('Matplotlib架构演示', fontsize=16, fontweight='bold')# 添加多个Axes（子图）
ax1 = fig.add_subplot(2, 3, 1)  # 2行3列的第1个
ax2 = fig.add_subplot(2, 3, 2)  # 2行3列的第2个
ax3 = fig.add_subplot(2, 3, 3)  # 2行3列的第3个
ax4 = fig.add_subplot(2, 1, 2)  # 2行1列的第2个（占据下半部分）# 在每个Axes中绘制不同类型的图表
# 子图1：线图
x = np.linspace(0, 10, 50)
ax1.plot(x, np.sin(x), 'b-', linewidth=2, label='sin(x)')
ax1.set_title('线图示例')
ax1.set_xlabel('x')
ax1.set_ylabel('sin(x)')
ax1.legend()
ax1.grid(True, alpha=0.3)# 子图2：散点图
np.random.seed(42)
x_scatter = np.random.randn(50)
y_scatter = np.random.randn(50)
colors = np.random.rand(50)
ax2.scatter(x_scatter, y_scatter, c=colors, alpha=0.6, s=60)
ax2.set_title('散点图示例')
ax2.set_xlabel('X值')
ax2.set_ylabel('Y值')# 子图3：柱状图
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 32]
bars = ax3.bar(categories, values, color=['red', 'green', 'blue', 'orange', 'purple'])
ax3.set_title('柱状图示例')
ax3.set_xlabel('类别')
ax3.set_ylabel('数值')# 在柱状图上添加数值标签
for bar, value in zip(bars, values):ax3.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,str(value), ha='center', va='bottom')# 子图4：多系列折线图
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales_2023 = [120, 135, 148, 162, 151, 178]
sales_2024 = [125, 142, 156, 169, 163, 185]ax4.plot(months, sales_2023, marker='o', linewidth=2, label='2023年销售')
ax4.plot(months, sales_2024, marker='s', linewidth=2, label='2024年销售')
ax4.set_title('月度销售对比')
ax4.set_xlabel('月份')
ax4.set_ylabel('销售额（万元）')
ax4.legend()
ax4.grid(True, alpha=0.3)plt.tight_layout()
plt.show()print("📋 架构总结:")
print("  - Figure: 整个图形画布")
print("  - Axes: 各个子图区域") 
print("  - Axis: x轴、y轴等坐标轴")
print("  - Artists: 所有可见元素（线条、文字、图例等）")

基本图表类型

线图（Line Plot）

# 线图详解和应用
print(f"\n📈 线图详解")
print("=" * 20)# 创建示例数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
temperature = [2, 4, 8, 14, 20, 25, 28, 27, 22, 16, 9, 4]  # 某城市月平均气温
rainfall = [45, 38, 52, 61, 75, 89, 102, 95, 78, 67, 55, 48]  # 月降雨量fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(18, 6))# 基础线图
ax1.plot(months, temperature, color='red', linewidth=2, marker='o', markersize=6)
ax1.set_title('月平均气温变化', fontsize=14, fontweight='bold')
ax1.set_xlabel('月份')
ax1.set_ylabel('温度 (°C)')
ax1.grid(True, alpha=0.3)
ax1.tick_params(axis='x', rotation=45)# 多系列线图
ax2.plot(months, temperature, color='red', linewidth=2, marker='o', markersize=6, label='气温 (°C)')
ax2_twin = ax2.twinx()  # 创建共享x轴的第二个y轴
ax2_twin.plot(months, rainfall, color='blue', linewidth=2, marker='s', markersize=6, label='降雨量 (mm)')ax2.set_title('气温与降雨量变化', fontsize=14, fontweight='bold')
ax2.set_xlabel('月份')
ax2.set_ylabel('温度 (°C)', color='red')
ax2_twin.set_ylabel('降雨量 (mm)', color='blue')
ax2.tick_params(axis='x', rotation=45)
ax2.tick_params(axis='y', labelcolor='red')
ax2_twin.tick_params(axis='y', labelcolor='blue')# 组合图例
lines1, labels1 = ax2.get_legend_handles_labels()
lines2, labels2 = ax2_twin.get_legend_handles_labels()
ax2.legend(lines1 + lines2, labels1 + labels2, loc='upper left')# 线型样式展示
x = np.linspace(0, 10, 20)
ax3.plot(x, np.sin(x), '-', label='实线 solid', linewidth=2)
ax3.plot(x, np.sin(x + 0.5), '--', label='虚线 dashed', linewidth=2)
ax3.plot(x, np.sin(x + 1), '-.', label='点划线 dashdot', linewidth=2)
ax3.plot(x, np.sin(x + 1.5), ':', label='点线 dotted', linewidth=2)ax3.set_title('线型样式展示', fontsize=14, fontweight='bold')
ax3.set_xlabel('x值')
ax3.set_ylabel('y值')
ax3.legend()
ax3.grid(True, alpha=0.3)plt.tight_layout()
plt.show()print("📝 线图使用场景:")
print("  - 时间序列数据（股价、气温、销售趋势等）")
print("  - 连续变量关系（函数图像、回归线等）")
print("  - 多组数据对比（不同年份、不同产品等）")

柱状图（Bar Plot）

# 柱状图详解
print(f"\n📊 柱状图详解")
print("=" * 20)# 准备数据
products = ['iPhone', 'Samsung', 'Huawei', 'Xiaomi', 'OPPO']
q1_sales = [45, 38, 25, 22, 18]
q2_sales = [48, 35, 28, 25, 20]
q3_sales = [52, 40, 30, 28, 22]fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基础柱状图
bars1 = ax1.bar(products, q1_sales, color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7'])
ax1.set_title('Q1销售额（单位：万台）', fontsize=14, fontweight='bold')
ax1.set_xlabel('品牌')
ax1.set_ylabel('销售额')# 添加数值标签
for bar, value in zip(bars1, q1_sales):ax1.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,f'{value}万', ha='center', va='bottom', fontweight='bold')# 2. 分组柱状图
x = np.arange(len(products))  # 标签位置
width = 0.25  # 柱子宽度bars2_1 = ax2.bar(x - width, q1_sales, width, label='Q1', color='#FF6B6B', alpha=0.8)
bars2_2 = ax2.bar(x, q2_sales, width, label='Q2', color='#4ECDC4', alpha=0.8)
bars2_3 = ax2.bar(x + width, q3_sales, width, label='Q3', color='#45B7D1', alpha=0.8)ax2.set_title('季度销售对比', fontsize=14, fontweight='bold')
ax2.set_xlabel('品牌')
ax2.set_ylabel('销售额（万台）')
ax2.set_xticks(x)
ax2.set_xticklabels(products)
ax2.legend()# 3. 堆叠柱状图
ax3.bar(products, q1_sales, label='Q1', color='#FF6B6B', alpha=0.8)
ax3.bar(products, q2_sales, bottom=q1_sales, label='Q2', color='#4ECDC4', alpha=0.8)# 计算Q3的底部位置
q3_bottom = [q1 + q2 for q1, q2 in zip(q1_sales, q2_sales)]
ax3.bar(products, q3_sales, bottom=q3_bottom, label='Q3', color='#45B7D1', alpha=0.8)ax3.set_title('累计销售额', fontsize=14, fontweight='bold')
ax3.set_xlabel('品牌')
ax3.set_ylabel('累计销售额（万台）')
ax3.legend()# 4. 水平柱状图
ax4.barh(products, q1_sales, color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7'])
ax4.set_title('Q1销售额（水平）', fontsize=14, fontweight='bold')
ax4.set_xlabel('销售额（万台）')
ax4.set_ylabel('品牌')# 添加数值标签
for i, value in enumerate(q1_sales):ax4.text(value + 0.5, i, f'{value}万', va='center', fontweight='bold')plt.tight_layout()
plt.show()print("📝 柱状图使用场景:")
print("  - 分类数据比较（销售额、人口、得分等）")
print("  - 频次分布（直方图的离散版本）")
print("  - 多组数据对比（分组柱状图）")
print("  - 部分与整体关系（堆叠柱状图）")

散点图（Scatter Plot）

# 散点图详解
print(f"\n🔹 散点图详解")
print("=" * 20)# 生成示例数据
np.random.seed(42)
n_points = 100# 数据集1：身高体重关系
height = np.random.normal(170, 10, n_points)  # 身高（cm）
weight = 0.8 * height + np.random.normal(0, 5, n_points) - 80  # 体重（kg）
gender = np.random.choice(['男', '女'], n_points)# 数据集2：广告投入与销售额
ad_spend = np.random.uniform(10, 100, n_points)  # 广告投入（万元）
sales = 2 * ad_spend + np.random.normal(0, 15, n_points) + 50  # 销售额（万元）
region = np.random.choice(['北区', '南区', '东区', '西区'], n_points)fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基础散点图
ax1.scatter(height, weight, alpha=0.6, s=50, color='blue')
ax1.set_title('身高与体重关系', fontsize=14, fontweight='bold')
ax1.set_xlabel('身高 (cm)')
ax1.set_ylabel('体重 (kg)')
ax1.grid(True, alpha=0.3)# 添加趋势线
z = np.polyfit(height, weight, 1)  # 一次线性拟合
p = np.poly1d(z)
ax1.plot(height, p(height), "r--", alpha=0.8, linewidth=2, label=f'趋势线: y={z[0]:.2f}x{z[1]:+.2f}')
ax1.legend()# 2. 分类散点图（不同颜色表示不同类别）
colors = {'男': 'blue', '女': 'red'}
for g in ['男', '女']:mask = gender == gax2.scatter(height[mask], weight[mask], c=colors[g], label=g, alpha=0.6, s=50)ax2.set_title('按性别分类的身高体重关系', fontsize=14, fontweight='bold')
ax2.set_xlabel('身高 (cm)')
ax2.set_ylabel('体重 (kg)')
ax2.legend()
ax2.grid(True, alpha=0.3)# 3. 大小和颜色映射
# 点的大小表示销售额，颜色表示地区
region_colors = {'北区': 'red', '南区': 'green', '东区': 'blue', '西区': 'orange'}
for r in ['北区', '南区', '东区', '西区']:mask = region == rax3.scatter(ad_spend[mask], sales[mask], c=region_colors[r], label=r, alpha=0.6, s=sales[mask]*2)  # 点的大小与销售额成正比ax3.set_title('广告投入与销售额关系\n（点大小=销售额，颜色=地区）', fontsize=14, fontweight='bold')
ax3.set_xlabel('广告投入 (万元)')
ax3.set_ylabel('销售额 (万元)')
ax3.legend()
ax3.grid(True, alpha=0.3)# 4. 气泡图（三维数据的二维展示）
# 第三个维度用颜色和大小表示
profit_margin = np.random.uniform(0.1, 0.3, n_points)  # 利润率scatter = ax4.scatter(ad_spend, sales, c=profit_margin, s=profit_margin*1000, alpha=0.6, cmap='viridis')ax4.set_title('广告投入、销售额与利润率关系\n（颜色和大小=利润率）', fontsize=14, fontweight='bold')
ax4.set_xlabel('广告投入 (万元)')
ax4.set_ylabel('销售额 (万元)')# 添加颜色条
cbar = plt.colorbar(scatter, ax=ax4)
cbar.set_label('利润率', rotation=270, labelpad=20)plt.tight_layout()
plt.show()print("📝 散点图使用场景:")
print("  - 两个连续变量关系（相关性分析）")
print("  - 异常值检测（离群点识别）")
print("  - 聚类结果展示（不同颜色表示不同类别）")
print("  - 三维数据降维展示（颜色或大小表示第三维）")

饼图（Pie Chart）

# 饼图详解
print(f"\n🥧 饼图详解")
print("=" * 15)# 准备数据
market_share = {'Android': 71.9,'iOS': 27.3,'Others': 0.8
}sales_by_region = {'华东': 35,'华南': 28,'华北': 22,'华中': 10,'其他': 5
}fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基础饼图
labels1 = list(market_share.keys())
sizes1 = list(market_share.values())
colors1 = ['#FF9999', '#66B2FF', '#99FF99']wedges1, texts1, autotexts1 = ax1.pie(sizes1, labels=labels1, colors=colors1, autopct='%1.1f%%', startangle=90)ax1.set_title('全球移动操作系统市场份额', fontsize=14, fontweight='bold')# 美化文字
for autotext in autotexts1:autotext.set_color('white')autotext.set_fontweight('bold')# 2. 突出显示饼图
labels2 = list(sales_by_region.keys())
sizes2 = list(sales_by_region.values())
colors2 = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7']
explode2 = (0.1, 0, 0, 0, 0)  # 突出显示第一个扇形wedges2, texts2, autotexts2 = ax2.pie(sizes2, labels=labels2, colors=colors2,autopct='%1.1f%%', startangle=90,explode=explode2, shadow=True)ax2.set_title('各地区销售额分布', fontsize=14, fontweight='bold')# 3. 环形图（甜甜圈图）
wedges3, texts3, autotexts3 = ax3.pie(sizes2, labels=labels2, colors=colors2,autopct='%1.1f%%', startangle=90,wedgeprops=dict(width=0.5))ax3.set_title('各地区销售额分布（环形图）', fontsize=14, fontweight='bold')# 在中心添加总计信息
total_sales = sum(sizes2)
ax3.text(0, 0, f'总销售额\n{total_sales}%', ha='center', va='center',fontsize=12, fontweight='bold')# 4. 嵌套饼图
# 外环：大类别
outer_labels = ['移动设备', '电脑设备']
outer_sizes = [75, 25]
outer_colors = ['#FF6B6B', '#4ECDC4']# 内环：细分类别
inner_labels = ['手机', '平板', '笔记本', '台式机']
inner_sizes = [50, 25, 15, 10]
inner_colors = ['#FF9999', '#FFB366', '#66B2FF', '#99CCFF']# 绘制外环
ax4.pie(outer_sizes, labels=outer_labels, colors=outer_colors,radius=1, startangle=90, labeldistance=1.1)# 绘制内环
ax4.pie(inner_sizes, labels=inner_labels, colors=inner_colors,radius=0.7, startangle=90, labeldistance=0.5)ax4.set_title('设备销售额嵌套分布', fontsize=14, fontweight='bold')plt.tight_layout()
plt.show()print("📝 饼图使用场景:")
print("  - 部分与整体的比例关系")
print("  - 分类数据的占比展示")
print("  - 市场份额、预算分配等")
print("  ⚠️  注意：类别过多时不适用（建议不超过7个）")

直方图（Histogram）

# 直方图详解
print(f"\n📊 直方图详解")
print("=" * 20)# 生成示例数据
np.random.seed(42)
normal_data = np.random.normal(100, 15, 1000)  # 正态分布数据
uniform_data = np.random.uniform(50, 150, 1000)  # 均匀分布数据
exponential_data = np.random.exponential(2, 1000)  # 指数分布数据# 学生成绩数据（更真实的例子）
math_scores = np.random.normal(75, 12, 200)
english_scores = np.random.normal(78, 10, 200)fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基础直方图
ax1.hist(normal_data, bins=30, color='skyblue', alpha=0.7, edgecolor='black')
ax1.set_title('正态分布数据直方图', fontsize=14, fontweight='bold')
ax1.set_xlabel('数值')
ax1.set_ylabel('频次')
ax1.axvline(normal_data.mean(), color='red', linestyle='--', label=f'均值: {normal_data.mean():.1f}')
ax1.legend()
ax1.grid(True, alpha=0.3)# 2. 多组数据对比
ax2.hist(math_scores, bins=20, alpha=0.7, label='数学成绩', color='blue')
ax2.hist(english_scores, bins=20, alpha=0.7, label='英语成绩', color='red')
ax2.set_title('数学与英语成绩分布对比', fontsize=14, fontweight='bold')
ax2.set_xlabel('成绩')
ax2.set_ylabel('人数')
ax2.legend()
ax2.grid(True, alpha=0.3)# 3. 不同分布类型对比
ax3.hist(normal_data, bins=30, alpha=0.5, label='正态分布', density=True)
ax3.hist(uniform_data, bins=30, alpha=0.5, label='均匀分布', density=True)
ax3.set_title('不同分布类型对比（密度）', fontsize=14, fontweight='bold')
ax3.set_xlabel('数值')
ax3.set_ylabel('密度')
ax3.legend()
ax3.grid(True, alpha=0.3)# 4. 累积直方图
counts, bins, patches = ax4.hist(math_scores, bins=20, cumulative=True, alpha=0.7, color='green', edgecolor='black')
ax4.set_title('数学成绩累积分布', fontsize=14, fontweight='bold')
ax4.set_xlabel('成绩')
ax4.set_ylabel('累积人数')# 添加百分位线
percentiles = [25, 50, 75]
for p in percentiles:value = np.percentile(math_scores, p)ax4.axvline(value, color='red', linestyle='--', alpha=0.7)ax4.text(value, ax4.get_ylim()[1]*0.9, f'{p}th', ha='center', va='bottom', color='red', fontweight='bold')ax4.grid(True, alpha=0.3)plt.tight_layout()
plt.show()print("📝 直方图使用场景:")
print("  - 数据分布形状分析（正态、偏态、双峰等）")
print("  - 异常值检测（分布的尾部）")
print("  - 质量控制（过程能力分析）")
print("  - A/B测试结果比较")

图表美化和自定义

颜色和样式设置

# 图表美化技巧
print(f"\n🎨 图表美化技巧")
print("=" * 25)# 准备数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
revenue = [120, 135, 128, 142, 156, 168]
profit = [24, 28, 25, 30, 35, 38]fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 默认样式 vs 美化样式对比
# 默认样式
ax1.plot(months, revenue, label='收入')
ax1.plot(months, profit, label='利润')
ax1.set_title('默认样式')
ax1.legend()# 美化样式
ax2.plot(months, revenue, color='#2E86AB', linewidth=3, marker='o', markersize=8, markerfacecolor='white', markeredgewidth=2,markeredgecolor='#2E86AB', label='收入')
ax2.plot(months, profit, color='#A23B72', linewidth=3, marker='s', markersize=8, markerfacecolor='white', markeredgewidth=2,markeredgecolor='#A23B72', label='利润')ax2.set_title('美化样式', fontsize=16, fontweight='bold', pad=20)
ax2.set_xlabel('月份', fontsize=12, fontweight='bold')
ax2.set_ylabel('金额（万元）', fontsize=12, fontweight='bold')
ax2.legend(frameon=True, fancybox=True, shadow=True, fontsize=11)
ax2.grid(True, alpha=0.3, linestyle='--')
ax2.set_facecolor('#f8f9fa')  # 设置背景色# 3. 颜色映射和渐变
x = np.linspace(0, 10, 100)
y = np.sin(x)
colors = plt.cm.viridis(np.linspace(0, 1, len(x)))  # 使用颜色映射for i in range(len(x)-1):ax3.plot(x[i:i+2], y[i:i+2], color=colors[i], linewidth=3)ax3.set_title('颜色渐变效果', fontsize=14, fontweight='bold')
ax3.set_xlabel('x值')
ax3.set_ylabel('sin(x)')
ax3.grid(True, alpha=0.3)# 4. 高级样式设置
# 创建专业的财务图表
ax4.plot(months, revenue, color='#1f77b4', linewidth=4, marker='o', markersize=10, label='月收入', zorder=3)# 添加填充区域
ax4.fill_between(months, revenue, alpha=0.3, color='#1f77b4')# 添加注释
max_revenue_idx = np.argmax(revenue)
ax4.annotate(f'最高收入\n{revenue[max_revenue_idx]}万元', xy=(months[max_revenue_idx], revenue[max_revenue_idx]),xytext=(max_revenue_idx+0.5, revenue[max_revenue_idx]+10),arrowprops=dict(arrowstyle='->', color='red', lw=2),fontsize=12, fontweight='bold',bbox=dict(boxstyle="round,pad=0.3", facecolor='yellow', alpha=0.7))# 设置坐标轴样式
ax4.spines['top'].set_visible(False)     # 隐藏上边框
ax4.spines['right'].set_visible(False)   # 隐藏右边框
ax4.spines['left'].set_linewidth(2)      # 加粗左边框
ax4.spines['bottom'].set_linewidth(2)    # 加粗下边框ax4.set_title('专业财务图表样式', fontsize=14, fontweight='bold')
ax4.set_xlabel('月份', fontsize=12)
ax4.set_ylabel('收入（万元）', fontsize=12)
ax4.grid(True, alpha=0.3, axis='y')plt.tight_layout()
plt.show()print("🎨 美化技巧总结:")
print("  - 选择协调的颜色搭配")
print("  - 适当使用透明度和阴影")
print("  - 添加网格线但保持低调")
print("  - 使用注释突出重点信息")
print("  - 简化边框，突出数据本身")

子图和布局

# 复杂布局和子图管理
print(f"\n📐 复杂布局设计")
print("=" * 25)# 创建综合分析仪表板
fig = plt.figure(figsize=(20, 12))# 定义网格布局
gs = fig.add_gridspec(3, 4, hspace=0.3, wspace=0.3)# 准备各种示例数据
np.random.seed(42)
time_data = pd.date_range('2024-01-01', periods=365, freq='D')
daily_sales = np.random.normal(1000, 200, 365) + 100 * np.sin(np.arange(365) * 2 * np.pi / 365)categories = ['A', 'B', 'C', 'D', 'E']
category_values = [45, 38, 32, 28, 22]regions = ['北区', '南区', '东区', '西区']
region_data = np.random.rand(4, 6) * 100# 1. 主要趋势图（占据两行）
ax_main = fig.add_subplot(gs[0:2, 0:2])
ax_main.plot(time_data, daily_sales, color='#1f77b4', linewidth=1.5, alpha=0.8)# 添加移动平均线
window = 30
rolling_mean = pd.Series(daily_sales).rolling(window=window).mean()
ax_main.plot(time_data, rolling_mean, color='red', linewidth=3, label=f'{window}天移动平均')ax_main.set_title('年度销售趋势分析', fontsize=16, fontweight='bold')
ax_main.set_xlabel('日期')
ax_main.set_ylabel('销售额')
ax_main.legend()
ax_main.grid(True, alpha=0.3)# 2. 分类分析饼图
ax_pie = fig.add_subplot(gs[0, 2])
wedges, texts, autotexts = ax_pie.pie(category_values, labels=categories, autopct='%1.1f%%', startangle=90)
ax_pie.set_title('产品类别分布', fontsize=12, fontweight='bold')# 3. 地区对比柱状图
ax_bar = fig.add_subplot(gs[0, 3])
bars = ax_bar.bar(regions, [sum(region_data[i]) for i in range(4)], color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4'])
ax_bar.set_title('各地区销售总额', fontsize=12, fontweight='bold')
ax_bar.set_ylabel('销售额')# 添加数值标签
for bar in bars:height = bar.get_height()ax_bar.text(bar.get_x() + bar.get_width()/2., height + 5,f'{height:.0f}', ha='center', va='bottom')# 4. 热力图
ax_heatmap = fig.add_subplot(gs[1, 2:4])
im = ax_heatmap.imshow(region_data, cmap='YlOrRd', aspect='auto')# 设置坐标轴标签
ax_heatmap.set_xticks(range(6))
ax_heatmap.set_xticklabels(['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun'])
ax_heatmap.set_yticks(range(4))
ax_heatmap.set_yticklabels(regions)
ax_heatmap.set_title('地区月度销售热力图', fontsize=12, fontweight='bold')# 添加数值标注
for i in range(4):for j in range(6):text = ax_heatmap.text(j, i, f'{region_data[i, j]:.0f}',ha="center", va="center", color="black", fontsize=8)# 添加颜色条
cbar = plt.colorbar(im, ax=ax_heatmap, shrink=0.8)
cbar.set_label('销售额', rotation=270, labelpad=15)# 5. 分布分析直方图
ax_hist = fig.add_subplot(gs[2, 0])
ax_hist.hist(daily_sales, bins=30, alpha=0.7, color='skyblue', edgecolor='black')
ax_hist.set_title('销售额分布', fontsize=12, fontweight='bold')
ax_hist.set_xlabel('销售额')
ax_hist.set_ylabel('天数')
ax_hist.axvline(np.mean(daily_sales), color='red', linestyle='--', label=f'均值: {np.mean(daily_sales):.0f}')
ax_hist.legend()# 6. 相关性散点图
ax_scatter = fig.add_subplot(gs[2, 1])
x_corr = np.random.normal(50, 15, 100)
y_corr = 0.7 * x_corr + np.random.normal(0, 10, 100)
ax_scatter.scatter(x_corr, y_corr, alpha=0.6, s=50)# 添加趋势线
z = np.polyfit(x_corr, y_corr, 1)
p = np.poly1d(z)
ax_scatter.plot(x_corr, p(x_corr), "r--", alpha=0.8)ax_scatter.set_title('销售额与广告投入相关性', fontsize=12, fontweight='bold')
ax_scatter.set_xlabel('广告投入')
ax_scatter.set_ylabel('销售额')
ax_scatter.grid(True, alpha=0.3)# 7. 箱线图
ax_box = fig.add_subplot(gs[2, 2])
box_data = [np.random.normal(0, std, 100) for std in range(1, 5)]
bp = ax_box.boxplot(box_data, labels=['Q1', 'Q2', 'Q3', 'Q4'], patch_artist=True)colors = ['lightblue', 'lightgreen', 'lightyellow', 'lightcoral']
for patch, color in zip(bp['boxes'], colors):patch.set_facecolor(color)ax_box.set_title('季度销售分布', fontsize=12, fontweight='bold')
ax_box.set_ylabel('销售额变化率')# 8. 综合统计表格
ax_table = fig.add_subplot(gs[2, 3])
ax_table.axis('tight')
ax_table.axis('off')# 创建统计表格
stats_data = [['指标', '数值'],['总销售额', f'{sum(daily_sales):.0f}万'],['平均日销售', f'{np.mean(daily_sales):.0f}万'],['最高日销售', f'{max(daily_sales):.0f}万'],['销售天数', f'{len(daily_sales)}天'],['增长率', '+15.3%']
]table = ax_table.table(cellText=stats_data, cellLoc='center', loc='center',colWidths=[0.4, 0.4])
table.auto_set_font_size(False)
table.set_fontsize(10)
table.scale(1, 2)# 设置表格样式
for i in range(len(stats_data)):if i == 0:  # 标题行for j in range(2):table[(i, j)].set_facecolor('#4CAF50')table[(i, j)].set_text_props(weight='bold', color='white')else:for j in range(2):table[(i, j)].set_facecolor('#f0f0f0' if i % 2 == 0 else '#ffffff')ax_table.set_title('关键指标汇总', fontsize=12, fontweight='bold')# 添加总标题
fig.suptitle('销售数据综合分析仪表板', fontsize=20, fontweight='bold', y=0.98)plt.show()print("📊 复杂布局设计要点:")
print("  - 使用GridSpec进行精确布局控制")
print("  - 主要图表占据更大空间")
print("  - 保持视觉平衡和逻辑关系")
print("  - 统一色彩主题和字体样式")
print("  - 添加总标题增强整体性")

完整项目：销售趋势图表制作

让我们创建一个完整的销售趋势分析项目：

# sales_visualization.py - 销售趋势图表制作项目
"""
使用Matplotlib创建专业的销售趋势分析图表
演示数据可视化在业务分析中的应用
"""import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from datetime import datetime, timedelta
import seaborn as snsclass SalesVisualizationManager:"""销售数据可视化管理器"""def __init__(self):"""初始化可视化管理器"""# 设置中文字体和样式plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']plt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['figure.dpi'] = 100# 定义统一的颜色主题self.colors = {'primary': '#2E86AB','secondary': '#A23B72', 'success': '#4CAF50','warning': '#FF9800','danger': '#F44336','info': '#2196F3','light': '#F5F5F5','dark': '#333333'}# 设置默认样式plt.style.use('default')print("📊 销售数据可视化管理器初始化完成")def generate_sales_data(self, start_date='2023-01-01', days=365):"""生成模拟销售数据参数:start_date: 开始日期days: 生成天数"""print(f"🎲 生成 {days} 天的销售数据...")np.random.seed(42)# 生成日期序列date_range = pd.date_range(start=start_date, periods=days, freq='D')# 产品和地区信息products = ['iPhone', 'iPad', 'MacBook', 'AirPods', 'Apple Watch']regions = ['华东', '华南', '华北', '华中', '西部']records = []for date in date_range:for product in products:for region in regions:# 基础销售额（不同产品有不同基准）base_prices = {'iPhone': 5000, 'iPad': 3000, 'MacBook': 8000,'AirPods': 1500, 'Apple Watch': 2500}# 季节性因子day_of_year = date.timetuple().tm_ydayseasonal_factor = 1 + 0.3 * np.sin(2 * np.pi * day_of_year / 365)# 周末效应weekend_factor = 0.8 if date.weekday() >= 5 else 1.0# 地区系数region_factors = {'华东': 1.3, '华南': 1.2, '华北': 1.1, '华中': 0.9, '西部': 0.8}# 计算销售额base_sales = base_prices[product]daily_sales = (base_sales * seasonal_factor * weekend_factor * region_factors[region] * np.random.normal(1, 0.2))# 确保为正数daily_sales = max(daily_sales, base_sales * 0.3)# 计算销售数量quantity = max(1, int(daily_sales / (base_sales * 0.8) + np.random.normal(0, 0.5)))records.append({'Date': date,'Product': product,'Region': region,'Sales': round(daily_sales, 2),'Quantity': quantity,'Month': date.month,'Quarter': (date.month - 1) // 3 + 1,'Weekday': date.strftime('%A'),'IsWeekend': date.weekday() >= 5})self.sales_data = pd.DataFrame(records)print(f"✅ 销售数据生成完成，共 {len(self.sales_data)} 条记录")return self.sales_datadef create_time_series_charts(self):"""创建时间序列分析图表"""print("📈 创建时间序列分析图表...")# 准备时间序列数据daily_sales = self.sales_data.groupby('Date')['Sales'].sum().reset_index()monthly_sales = self.sales_data.groupby(self.sales_data['Date'].dt.to_period('M'))['Sales'].sum()weekly_sales = self.sales_data.groupby(self.sales_data['Date'].dt.to_period('W'))['Sales'].sum()fig, axes = plt.subplots(2, 2, figsize=(20, 12))fig.suptitle('销售趋势时间序列分析', fontsize=18, fontweight='bold')# 1. 日销售趋势ax1 = axes[0, 0]ax1.plot(daily_sales['Date'], daily_sales['Sales'], color=self.colors['primary'], linewidth=1, alpha=0.7)# 添加7天移动平均线daily_sales['MA7'] = daily_sales['Sales'].rolling(window=7).mean()ax1.plot(daily_sales['Date'], daily_sales['MA7'], color=self.colors['danger'], linewidth=3, label='7天移动平均')# 添加30天移动平均线daily_sales['MA30'] = daily_sales['Sales'].rolling(window=30).mean()ax1.plot(daily_sales['Date'], daily_sales['MA30'], color=self.colors['success'], linewidth=3, label='30天移动平均')ax1.set_title('日销售额趋势', fontsize=14, fontweight='bold')ax1.set_xlabel('日期')ax1.set_ylabel('销售额（元）')ax1.legend()ax1.grid(True, alpha=0.3)# 2. 月度销售趋势ax2 = axes[0, 1]bars = ax2.bar(range(len(monthly_sales)), monthly_sales.values, color=self.colors['info'], alpha=0.8)# 添加趋势线x_trend = range(len(monthly_sales))z = np.polyfit(x_trend, monthly_sales.values, 1)p = np.poly1d(z)ax2.plot(x_trend, p(x_trend), color=self.colors['danger'], linewidth=3, linestyle='--', label='趋势线')ax2.set_title('月度销售额趋势', fontsize=14, fontweight='bold')ax2.set_xlabel('月份')ax2.set_ylabel('销售额（元）')ax2.set_xticks(range(len(monthly_sales)))ax2.set_xticklabels([str(period) for period in monthly_sales.index], rotation=45)ax2.legend()# 添加数值标签for i, bar in enumerate(bars):height = bar.get_height()ax2.text(bar.get_x() + bar.get_width()/2., height + height*0.01,f'{height/10000:.0f}万', ha='center', va='bottom', fontsize=9)# 3. 周度销售趋势ax3 = axes[1, 0]ax3.plot(range(len(weekly_sales)), weekly_sales.values, marker='o', markersize=4, color=self.colors['secondary'], linewidth=2, markerfacecolor='white', markeredgewidth=2)ax3.set_title('周销售额趋势', fontsize=14, fontweight='bold')ax3.set_xlabel('周数')ax3.set_ylabel('销售额（元）')ax3.grid(True, alpha=0.3)# 4. 季节性分析ax4 = axes[1, 1]# 按月份统计平均销售额monthly_avg = self.sales_data.groupby('Month')['Sales'].mean()# 创建极坐标图显示季节性theta = np.linspace(0, 2*np.pi, 12)r = monthly_avg.values# 闭合曲线theta = np.concatenate([theta, [theta[0]]])r = np.concatenate([r, [r[0]]])ax4.plot(theta, r, color=self.colors['warning'], linewidth=3, marker='o')ax4.fill(theta, r, alpha=0.3, color=self.colors['warning'])ax4.set_thetagrids(np.arange(0, 360, 30), ['1月', '2月', '3月', '4月', '5月', '6月','7月', '8月', '9月', '10月', '11月', '12月'])ax4.set_title('月度销售季节性分析（极坐标）', fontsize=14, fontweight='bold')plt.tight_layout()plt.show()print("✅ 时间序列图表创建完成")def create_product_analysis_charts(self):"""创建产品分析图表"""print("📱 创建产品分析图表...")fig, axes = plt.subplots(2, 2, figsize=(18, 12))fig.suptitle('产品销售分析', fontsize=18, fontweight='bold')# 1. 产品销售额对比ax1 = axes[0, 0]product_sales = self.sales_data.groupby('Product')['Sales'].sum().sort_values(ascending=False)bars = ax1.bar(product_sales.index, product_sales.values, color=[self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']])ax1.set_title('各产品销售额对比', fontsize=14, fontweight='bold')ax1.set_xlabel('产品')ax1.set_ylabel('销售额（元）')ax1.tick_params(axis='x', rotation=45)# 添加数值标签和百分比total_sales = product_sales.sum()for i, (bar, value) in enumerate(zip(bars, product_sales.values)):percentage = value / total_sales * 100ax1.text(bar.get_x() + bar.get_width()/2., bar.get_height() + value*0.01,f'{value/10000:.0f}万\n({percentage:.1f}%)', ha='center', va='bottom', fontweight='bold')# 2. 产品市场份额饼图ax2 = axes[0, 1]colors = [self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']]wedges, texts, autotexts = ax2.pie(product_sales.values, labels=product_sales.index,colors=colors, autopct='%1.1f%%', startangle=90,explode=(0.05, 0, 0, 0, 0))  # 突出最大份额ax2.set_title('产品市场份额分布', fontsize=14, fontweight='bold')# 美化饼图文字for autotext in autotexts:autotext.set_color('white')autotext.set_fontweight('bold')autotext.set_fontsize(10)# 3. 产品月度趋势对比ax3 = axes[1, 0]product_monthly = self.sales_data.groupby(['Month', 'Product'])['Sales'].sum().unstack()for i, product in enumerate(product_monthly.columns):ax3.plot(product_monthly.index, product_monthly[product], marker='o', linewidth=2, label=product, color=colors[i])ax3.set_title('各产品月度销售趋势', fontsize=14, fontweight='bold')ax3.set_xlabel('月份')ax3.set_ylabel('销售额（元）')ax3.legend(bbox_to_anchor=(1.05, 1), loc='upper left')ax3.grid(True, alpha=0.3)# 4. 产品销售数量与金额关系ax4 = axes[1, 1]product_stats = self.sales_data.groupby('Product').agg({'Sales': 'sum','Quantity': 'sum'}).reset_index()# 计算平均单价product_stats['AvgPrice'] = product_stats['Sales'] / product_stats['Quantity']# 气泡图：x=数量，y=销售额，大小=平均单价scatter = ax4.scatter(product_stats['Quantity'], product_stats['Sales'],s=product_stats['AvgPrice']/10, alpha=0.6,c=range(len(product_stats)), cmap='viridis')# 添加产品名称标注for i, row in product_stats.iterrows():ax4.annotate(row['Product'], (row['Quantity'], row['Sales']),xytext=(5, 5), textcoords='offset points',fontweight='bold')ax4.set_title('产品销售数量vs金额关系\n（气泡大小=平均单价）', fontsize=14, fontweight='bold')ax4.set_xlabel('销售数量')ax4.set_ylabel('销售额（元）')ax4.grid(True, alpha=0.3)plt.tight_layout()plt.show()print("✅ 产品分析图表创建完成")def create_regional_analysis_charts(self):"""创建地区分析图表"""print("🗺️ 创建地区分析图表...")fig, axes = plt.subplots(2, 2, figsize=(18, 12))fig.suptitle('地区销售分析', fontsize=18, fontweight='bold')# 1. 地区销售额对比ax1 = axes[0, 0]region_sales = self.sales_data.groupby('Region')['Sales'].sum().sort_values(ascending=True)bars = ax1.barh(region_sales.index, region_sales.values,color=self.colors['primary'])ax1.set_title('各地区销售额对比', fontsize=14, fontweight='bold')ax1.set_xlabel('销售额（元）')ax1.set_ylabel('地区')# 添加数值标签for i, (bar, value) in enumerate(zip(bars, region_sales.values)):ax1.text(bar.get_width() + value*0.01, bar.get_y() + bar.get_height()/2,f'{value/10000:.0f}万', va='center', fontweight='bold')# 2. 地区产品组合热力图ax2 = axes[0, 1]region_product = self.sales_data.groupby(['Region', 'Product'])['Sales'].sum().unstack()# 标准化数据以便比较region_product_norm = region_product.div(region_product.sum(axis=1), axis=0)im = ax2.imshow(region_product_norm.values, cmap='YlOrRd', aspect='auto')# 设置坐标轴ax2.set_xticks(range(len(region_product_norm.columns)))ax2.set_xticklabels(region_product_norm.columns, rotation=45)ax2.set_yticks(range(len(region_product_norm.index)))ax2.set_yticklabels(region_product_norm.index)ax2.set_title('地区产品组合热力图（比例）', fontsize=14, fontweight='bold')# 添加数值标注for i in range(len(region_product_norm.index)):for j in range(len(region_product_norm.columns)):text = ax2.text(j, i, f'{region_product_norm.iloc[i, j]:.2f}',ha="center", va="center", color="white", fontweight='bold')# 添加颜色条cbar = plt.colorbar(im, ax=ax2, shrink=0.8)cbar.set_label('产品占比', rotation=270, labelpad=15)# 3. 地区月度销售趋势ax3 = axes[1, 0]region_monthly = self.sales_data.groupby(['Month', 'Region'])['Sales'].sum().unstack()colors_region = [self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']]for i, region in enumerate(region_monthly.columns):ax3.plot(region_monthly.index, region_monthly[region], marker='o', linewidth=2, label=region, color=colors_region[i])ax3.set_title('各地区月度销售趋势', fontsize=14, fontweight='bold')ax3.set_xlabel('月份')ax3.set_ylabel('销售额（元）')ax3.legend()ax3.grid(True, alpha=0.3)# 4. 地区销售表现雷达图ax4 = axes[1, 1]# 计算各地区的多个指标region_metrics = self.sales_data.groupby('Region').agg({'Sales': ['sum', 'mean', 'count'],'Quantity': 'sum'})# 扁平化列名region_metrics.columns = ['总销售额', '平均订单额', '订单数', '总数量']# 标准化指标（0-1范围）region_metrics_norm = region_metrics.div(region_metrics.max())# 选择一个地区进行雷达图展示selected_region = region_metrics_norm.index[0]values = region_metrics_norm.loc[selected_region].values# 设置雷达图categories = region_metrics_norm.columnsN = len(categories)# 计算角度angles = [n / float(N) * 2 * np.pi for n in range(N)]angles += angles[:1]  # 闭合图形# 闭合数据values = np.concatenate([values, [values[0]]])# 转换为极坐标ax4 = plt.subplot(2, 2, 4, projection='polar')ax4.plot(angles, values, 'o-', linewidth=2, color=self.colors['primary'])ax4.fill(angles, values, alpha=0.25, color=self.colors['primary'])# 设置标签ax4.set_xticks(angles[:-1])ax4.set_xticklabels(categories)ax4.set_ylim(0, 1)ax4.set_title(f'{selected_region}销售表现雷达图', fontsize=14, fontweight='bold', pad=20)plt.tight_layout()plt.show()print("✅ 地区分析图表创建完成")def create_comprehensive_dashboard(self):"""创建综合仪表板"""print("📊 创建综合销售仪表板...")# 创建大型仪表板fig = plt.figure(figsize=(24, 16))gs = fig.add_gridspec(4, 6, hspace=0.3, wspace=0.3)# 计算关键指标total_sales = self.sales_data['Sales'].sum()total_quantity = self.sales_data['Quantity'].sum()avg_order_value = self.sales_data['Sales'].mean()num_orders = len(self.sales_data)# 1. 关键指标卡片（顶部）metrics = [('总销售额', f'{total_sales/10000:.0f}万元', self.colors['primary']),('总销量', f'{total_quantity:,}件', self.colors['success']),('平均订单', f'{avg_order_value:.0f}元', self.colors['warning']),('订单数量', f'{num_orders:,}笔', self.colors['info'])]for i, (title, value, color) in enumerate(metrics):ax = fig.add_subplot(gs[0, i:i+1])ax.text(0.5, 0.7, value, ha='center', va='center', fontsize=24, fontweight='bold', color=color)ax.text(0.5, 0.3, title, ha='center', va='center', fontsize=14, color='gray')ax.set_xlim(0, 1)ax.set_ylim(0, 1)ax.axis('off')# 添加背景框ax.add_patch(plt.Rectangle((0.05, 0.1), 0.9, 0.8, facecolor=color, alpha=0.1, linewidth=2))# 2. 主要销售趋势图（左上大图）ax_main = fig.add_subplot(gs[1:3, 0:3])daily_sales = self.sales_data.groupby('Date')['Sales'].sum()ax_main.plot(daily_sales.index, daily_sales.values, color=self.colors['primary'], linewidth=1.5, alpha=0.7)# 添加移动平均线ma7 = daily_sales.rolling(window=7).mean()ma30 = daily_sales.rolling(window=30).mean()ax_main.plot(daily_sales.index, ma7, color=self.colors['danger'], linewidth=2, label='7天移动平均')ax_main.plot(daily_sales.index, ma30, color=self.colors['success'], linewidth=2, label='30天移动平均')ax_main.set_title('日销售额趋势分析', fontsize=16, fontweight='bold')ax_main.set_xlabel('日期')ax_main.set_ylabel('销售额（元）')ax_main.legend()ax_main.grid(True, alpha=0.3)# 3. 产品销售分布（右上）ax_product = fig.add_subplot(gs[1, 3:5])product_sales = self.sales_data.groupby('Product')['Sales'].sum()bars = ax_product.bar(range(len(product_sales)), product_sales.values,color=[self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']])ax_product.set_title('产品销售额分布', fontsize=14, fontweight='bold')ax_product.set_xticks(range(len(product_sales)))ax_product.set_xticklabels(product_sales.index, rotation=45)ax_product.set_ylabel('销售额（元）')# 4. 地区销售饼图（右中）ax_region = fig.add_subplot(gs[2, 3:5])region_sales = self.sales_data.groupby('Region')['Sales'].sum()wedges, texts, autotexts = ax_region.pie(region_sales.values, labels=region_sales.index,autopct='%1.1f%%', startangle=90)ax_region.set_title('地区销售分布', fontsize=14, fontweight='bold')# 5. 月度销售对比（右上角）ax_monthly = fig.add_subplot(gs[1:3, 5])monthly_sales = self.sales_data.groupby('Month')['Sales'].sum()bars = ax_monthly.bar(monthly_sales.index, monthly_sales.values,color=self.colors['info'], alpha=0.8)ax_monthly.set_title('月度销售', fontsize=12, fontweight='bold')ax_monthly.set_xlabel('月份')ax_monthly.set_ylabel('销售额')# 6. 销售热力图（底部左）ax_heatmap = fig.add_subplot(gs[3, 0:2])# 创建周-月热力图self.sales_data['Week'] = self.sales_data['Date'].dt.isocalendar().weekweek_month_sales = self.sales_data.groupby(['Month', 'Week'])['Sales'].sum().unstack(fill_value=0)# 只选择前12周week_month_sales = week_month_sales.iloc[:, :12]im = ax_heatmap.imshow(week_month_sales.values, cmap='YlOrRd', aspect='auto')ax_heatmap.set_title('月度-周度销售热力图', fontsize=12, fontweight='bold')ax_heatmap.set_xlabel('周')ax_heatmap.set_ylabel('月份')ax_heatmap.set_yticks(range(len(week_month_sales.index)))ax_heatmap.set_yticklabels(week_month_sales.index)# 7. 销售分布直方图（底部中）ax_dist = fig.add_subplot(gs[3, 2:4])ax_dist.hist(self.sales_data['Sales'], bins=30, alpha=0.7, color=self.colors['secondary'], edgecolor='black')ax_dist.set_title('单笔销售额分布', fontsize=12, fontweight='bold')ax_dist.set_xlabel('销售额（元）')ax_dist.set_ylabel('频次')ax_dist.axvline(self.sales_data['Sales'].mean(), color='red', linestyle='--', label=f'均值: {self.sales_data["Sales"].mean():.0f}')ax_dist.legend()# 8. 关键统计表格（底部右）ax_table = fig.add_subplot(gs[3, 4:6])ax_table.axis('tight')ax_table.axis('off')# 计算统计数据stats_data = [['统计指标', '数值'],['最高日销售', f'{daily_sales.max()/10000:.1f}万元'],['最低日销售', f'{daily_sales.min()/10000:.1f}万元'],['销售标准差', f'{daily_sales.std()/10000:.1f}万元'],['最佳产品', product_sales.idxmax()],['最佳地区', region_sales.idxmax()],['数据天数', f'{len(daily_sales)}天']]table = ax_table.table(cellText=stats_data, cellLoc='center', loc='center',colWidths=[0.5, 0.5])table.auto_set_font_size(False)table.set_fontsize(10)table.scale(1, 1.5)# 设置表格样式for i in range(len(stats_data)):if i == 0:for j in range(2):table[(i, j)].set_facecolor(self.colors['primary'])table[(i, j)].set_text_props(weight='bold', color='white')else:for j in range(2):table[(i, j)].set_facecolor('#f8f9fa' if i % 2 == 0 else '#ffffff')ax_table.set_title('关键统计指标', fontsize=12, fontweight='bold')# 添加总标题和时间戳fig.suptitle('销售数据综合分析仪表板', fontsize=24, fontweight='bold', y=0.98)# 添加生成时间current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')fig.text(0.99, 0.01, f'生成时间: {current_time}', ha='right', va='bottom', fontsize=10, color='gray')plt.show()print("✅ 综合仪表板创建完成")def export_charts(self, format='png', dpi=300):"""导出图表"""print(f"💾 导出图表为 {format} 格式...")# 重新创建所有图表并保存charts_info = [('时间序列分析', self.create_time_series_charts),('产品分析', self.create_product_analysis_charts),('地区分析', self.create_regional_analysis_charts),('综合仪表板', self.create_comprehensive_dashboard)]for chart_name, chart_func in charts_info:plt.figure()chart_func()filename = f'sales_{chart_name}.{format}'plt.savefig(filename, dpi=dpi, bbox_inches='tight', facecolor='white', edgecolor='none')plt.close()print(f"  ✅ {filename} 已保存")print("📁 所有图表已导出完成")def demo_sales_visualization():"""销售可视化完整演示"""print("🚀 销售趋势图表制作项目演示")print("=" * 50)# 创建可视化管理器viz_manager = SalesVisualizationManager()# 生成示例数据viz_manager.generate_sales_data(days=365)# 数据概览print(f"\n📋 数据概览:")print(f"数据形状: {viz_manager.sales_data.shape}")print(f"日期范围: {viz_manager.sales_data['Date'].min()} 到 {viz_manager.sales_data['Date'].max()}")print(f"产品种类: {viz_manager.sales_data['Product'].nunique()}种")print(f"销售地区: {viz_manager.sales_data['Region'].nunique()}个")# 创建各类分析图表viz_manager.create_time_series_charts()viz_manager.create_product_analysis_charts()viz_manager.create_regional_analysis_charts()viz_manager.create_comprehensive_dashboard()print(f"\n🎉 销售趋势图表制作项目演示完成！")print("📊 你已经学会了创建专业的数据可视化图表")if __name__ == "__main__":demo_sales_visualization()

可视化最佳实践

图表选择指南

# 可视化最佳实践指南
print("📚 可视化最佳实践")
print("=" * 30)def choose_chart_type(data_type, purpose):"""根据数据类型和目的选择合适的图表类型参数:data_type: 数据类型purpose: 分析目的"""chart_guide = {('时间序列', '趋势分析'): '线图',('分类数据', '比较大小'): '柱状图',('分类数据', '部分整体'): '饼图',('两个连续变量', '相关关系'): '散点图',('单个连续变量', '分布形状'): '直方图',('多个数值变量', '综合比较'): '雷达图',('二维数据', '模式识别'): '热力图',('分类统计', '分布比较'): '箱线图'}return chart_guide.get((data_type, purpose), '根据具体情况选择')# 图表选择示例
scenarios = [('时间序列', '趋势分析', '股价变化、销售趋势'),('分类数据', '比较大小', '各产品销量对比'),('分类数据', '部分整体', '市场份额分析'),('两个连续变量', '相关关系', '身高体重关系'),('单个连续变量', '分布形状', '考试成绩分布'),('多个数值变量', '综合比较', '员工能力评估'),('二维数据', '模式识别', '地区产品销售'),('分类统计', '分布比较', '不同组别的数据分布')
]print("📊 图表类型选择指南:")
for data_type, purpose, example in scenarios:chart_type = choose_chart_type(data_type, purpose)print(f"  {data_type} + {purpose} → {chart_type}")print(f"    示例: {example}")print()

设计原则

# 可视化设计原则
print("🎨 可视化设计原则")
print("=" * 25)principles = [{'principle': '简洁性原则','description': '去除不必要的装饰，突出数据本身','good_practice': ['使用简洁的配色', '避免3D效果', '减少图表垃圾'],'bad_practice': ['过多的颜色', '复杂的背景', '无关的装饰元素']},{'principle': '准确性原则', 'description': '确保图表准确反映数据','good_practice': ['从0开始的y轴', '合适的比例尺', '清晰的标签'],'bad_practice': ['截断的y轴', '误导的比例', '模糊的标签']},{'principle': '可读性原则','description': '确保观众能够轻松理解图表','good_practice': ['清晰的字体', '合适的大小', '有效的颜色对比'],'bad_practice': ['太小的字体', '低对比度', '难以区分的颜色']},{'principle': '一致性原则','description': '在同一报告中保持视觉风格统一','good_practice': ['统一的配色方案', '一致的字体', '相同的图例位置'],'bad_practice': ['混乱的颜色使用', '不同的字体样式', '随意的布局']}
]for principle in principles:print(f"🔵 {principle['principle']}")print(f"   {principle['description']}")print(f"   ✅ 好的做法: {', '.join(principle['good_practice'])}")print(f"   ❌ 避免: {', '.join(principle['bad_practice'])}")print()