Python 画图全攻略：从基础到进阶，代码+运行结果一次看够

Python 能成为数据可视化的“顶流”，离不开强大的绘图库。本文用 Matplotlib（基础）+ Seaborn（统计）+ Plotly（交互） 三大库，覆盖 8 种常见图表类型，附完整代码和运行结果描述，手把手教你画出专业级图表！

前置准备：安装绘图库

本文用到的库需提前安装（命令行执行）：

pip install matplotlib seaborn plotly # 安装三个库

一、Matplotlib：最经典的基础绘图

Matplotlib 是 Python 最老牌的绘图库，适合画基础图表（折线、柱状、散点等），代码灵活但略繁琐。

1.1 折线图（趋势分析）

场景：展示数据随时间或连续变量的变化趋势（如销售额月变化、温度曲线）。

import matplotlib.pyplot as plt import numpy as np # 准备数据（2023年各月销售额，单位：万元） months = np.arange(1,13)# [1,2,...,12] sales =[50,60,55,70,80,90,85,100,110,120,130,180]# 绘制折线图 plt.figure(figsize=(10,5))# 设置画布大小（宽10，高5） plt.plot(months, sales, color='blue',# 线条颜色 marker='o',# 数据点标记（圆形） linestyle='-',# 线条样式（实线） linewidth=2,# 线条粗细 label='月销售额')# 图例标签# 添加图表标题和轴标签 plt.title('2023年各月销售额趋势图', fontsize=14, fontweight='bold') plt.xlabel('月份', fontsize=12) plt.ylabel('销售额（万元）', fontsize=12)# 添加网格和图例 plt.grid(True, linestyle='--', alpha=0.5)# 虚线网格，透明度0.5 plt.legend()# 显示图例# 显示图表（IDE中会弹出窗口，Jupyter中直接显示） plt.show()

运行结果描述：
弹出一个宽10cm、高5cm的图表窗口，横轴是1-12月，纵轴是0-200万元。蓝色实线连接各月销售额，每个数据点用圆形标记（如1月在(1,50)，12月在(12,180)）。图表标题为“2023年各月销售额趋势图”，有浅灰色虚线网格，右上角显示图例“月销售额”。整体趋势为逐月上升，12月达到峰值180万元。

1.2 柱状图（分类对比）

场景：比较不同类别的数据大小（如各城市销售额、不同产品销量）。

import matplotlib.pyplot as plt # 准备数据（2023年Q4各城市销售额） cities =['北京','上海','广州','深圳'] sales =[150,180,120,160]# 绘制柱状图 plt.figure(figsize=(8,5)) plt.bar(cities, sales, color=['#4CAF50','#2196F3','#FF9800','#E91E63'],# 自定义颜色 edgecolor='black',# 柱子边框颜色 width=0.6)# 柱子宽度# 添加数据标签（柱子顶部显示具体数值）for i, v inenumerate(sales): plt.text(i, v +5,f'{v}万元', ha='center', fontsize=10)# ha: 水平对齐# 设置标题和轴标签 plt.title('2023年Q4各城市销售额对比', fontsize=14) plt.xlabel('城市', fontsize=12) plt.ylabel('销售额（万元）', fontsize=12) plt.show()

运行结果描述：
四个彩色柱子（绿、蓝、橙、粉）分别对应北京、上海、广州、深圳。北京柱子高度150（顶部标“150万元”），上海最高180（顶部标“180万元”），广州最矮120。横轴标签为城市名，纵轴范围0-185万元。柱子带黑色边框，宽度适中，数据标签清晰。

1.3 散点图（相关分析）

场景：观察两个变量的相关性（如身高与体重、广告投入与销量）。

import matplotlib.pyplot as plt import numpy as np # 生成模拟数据（身高cm，体重kg） np.random.seed(42)# 固定随机数，结果可复现 height = np.random.normal(170,5,100)# 均值170，标准差5，100个样本 weight =0.7* height + np.random.normal(0,3,100)# 身高与体重正相关，带随机误差# 绘制散点图 plt.figure(figsize=(8,6)) plt.scatter(height, weight, color='red',# 点颜色 alpha=0.6,# 透明度（0.6避免重叠看不清） s=30,# 点大小 edgecolor='black')# 点边框颜色# 添加拟合直线（显示相关性） m, b = np.polyfit(height, weight,1)# 1次多项式拟合（直线） plt.plot(height, m*height + b, color='blue', linewidth=2, label='拟合直线')# 设置标题和标签 plt.title('身高与体重相关性分析', fontsize=14) plt.xlabel('身高（cm）', fontsize=12) plt.ylabel('体重（kg）', fontsize=12) plt.legend() plt.show()

运行结果描述：
红色散点大致呈“从左下到右上”的趋势（正相关），大部分点分布在蓝色拟合直线附近（如身高170cm时，体重约120kg）。点的透明度0.6，重叠部分不会完全遮挡。拟合直线方程约为 weight = 0.7*height + b，说明身高每增加1cm，体重约增加0.7kg。

二、Seaborn：统计图表的“懒人神器”

Seaborn 基于 Matplotlib，专为统计分析设计，能一键生成复杂图表（如直方图、箱线图、热力图），代码更简洁。

2.1 直方图（分布分析）

场景：观察数据的分布规律（如成绩分布、年龄分布）。

import seaborn as sns import matplotlib.pyplot as plt import numpy as np # 生成模拟数据（班级数学成绩，均值75，标准差10，100人） np.random.seed(42) scores = np.random.normal(75,10,100)# 用Seaborn绘制直方图（带核密度曲线） plt.figure(figsize=(8,5)) sns.histplot(scores, bins=15,# 分15个区间 kde=True,# 显示核密度曲线（平滑的分布趋势） color='#FF5722',# 直方图颜色 edgecolor='black')# 边框颜色# 设置标题和标签 plt.title('班级数学成绩分布直方图', fontsize=14) plt.xlabel('分数', fontsize=12) plt.ylabel('人数', fontsize=12) plt.show()

运行结果描述：
直方图由15个橙色柱子组成，横轴是分数（50-100分），纵轴是人数。柱子高度最高处对应分数75（均值），说明大部分学生成绩集中在70-80分。橙色曲线是核密度曲线（平滑的分布趋势），与直方图形状一致，呈现“钟形”正态分布特征。

2.2 箱线图（数据分布细节）

场景：展示数据的中位数、四分位数、异常值（如不同班级成绩的稳定性）。

import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 补充缺失的numpy导入# 设置中文字体（解决中文显示问题） plt.rcParams['font.sans-serif']=['SimHei']# 使用黑体（Windows常用） plt.rcParams['axes.unicode_minus']=False# 正常显示负号（避免负数符号乱码）# 生成模拟数据（3个班级的数学成绩） np.random.seed(42) data ={'班级':['A']*50+['B']*50+['C']*50,'成绩': np.concatenate([ np.random.normal(75,8,50),# A班：均值75，波动大 np.random.normal(80,5,50),# B班：均值80，波动小 np.random.normal(70,10,50)# C班：均值70，波动大])} df = pd.DataFrame(data)# 绘制箱线图（修复palette警告） plt.figure(figsize=(10,6)) sns.boxplot( x='班级', y='成绩', data=df, palette='Set2',# 颜色主题 width=0.6,# 箱子宽度 showfliers=True,# 显示异常值 hue='班级',# 关键修改：将x变量赋值给hue以避免警告 legend=False# 关闭重复的图例（因为hue和x是同一变量）)# 设置标题和标签（中文已正常显示） plt.title('不同班级数学成绩箱线图', fontsize=14) plt.xlabel('班级', fontsize=12) plt.ylabel('成绩', fontsize=12) plt.show()

运行结果描述：
三个颜色不同的箱子（A班绿、B班黄、C班粉）对应三个班级。每个箱子中间的横线是中位数（A班约75，B班约80，C班约70），箱子上下边缘是四分位数（中间50%数据的范围）。B班的箱子最矮（高度小），说明成绩波动小（更稳定）；C班的箱子最高且有更多异常值（上下的小圆圈），说明成绩差异大。

2.3 热力图（关联矩阵）

场景：展示多个变量的相关性（如特征间的相关系数矩阵）。

import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np # 生成模拟数据（5个变量的相关系数矩阵） np.random.seed(42) corr_matrix = np.round(np.random.rand(5,5),2)# 生成0-1的随机数，保留2位小数 np.fill_diagonal(corr_matrix,1)# 对角线设为1（变量与自身完全相关） corr_matrix =(corr_matrix + corr_matrix.T)/2# 确保对称（相关系数矩阵是对称的）# 变量名（模拟特征） features =['特征1','特征2','特征3','特征4','特征5']# 绘制热力图 plt.figure(figsize=(10,8)) sns.heatmap(corr_matrix, annot=True,# 显示每个格子的数值 cmap='coolwarm',# 颜色主题（蓝-白-红） xticklabels=features,# x轴标签 yticklabels=features,# y轴标签 linewidths=0.5,# 格子边框宽度 vmin=-1, vmax=1)# 颜色范围（相关系数范围-1到1） plt.title('变量间相关系数热力图', fontsize=14) plt.show()

运行结果描述：
图表是5x5的格子矩阵，每个格子颜色从蓝色（负相关）到红色（正相关）。例如，特征1和特征2的格子标“0.85”（红色，强正相关），特征3和特征5标“-0.32”（蓝色，弱负相关）。对角线全为1（黑色，因为数值1在颜色范围中间）。格子边缘有细白线分隔，数值清晰标注。

三、Plotly：交互式图表的“天花板”

前面的图表是静态的，而 Plotly 能生成可交互的图表（鼠标悬停看细节、缩放、拖动），适合做网页可视化或演示。

3.1 交互式折线图（动态查看）

import plotly.express as px import pandas as pd # 准备数据（2023年各月销售额） data ={'月份':[1,2,3,4,5,6,7,8,9,10,11,12],'销售额':[50,60,55,70,80,90,85,100,110,120,130,180]} df = pd.DataFrame(data)# 绘制交互式折线图 fig = px.line(df, x='月份', y='销售额', title='2023年各月销售额（交互式）', labels={'销售额':'销售额（万元）'},# 轴标签 template='plotly_white')# 白色背景模板# 自定义线条样式 fig.update_traces(line=dict(color='blue', width=2, dash='solid'), marker=dict(size=8, color='red'))# 线条蓝色，数据点红色# 显示图表（自动在浏览器打开，支持缩放、悬停） fig.show()

运行结果描述：
浏览器自动打开一个网页，显示折线图。鼠标悬停在数据点上，会弹出提示框显示具体月份和销售额（如悬停12月点，显示“月份:12，销售额:180万元”）。可以用鼠标拖动缩放（如只看1-6月），双击恢复原图。线条是蓝色实线，数据点是红色圆形，标题和轴标签清晰。

3.2 3D散点图（多维数据展示）

场景：展示三个变量的关系（如x、y、z坐标的空间分布）。

import plotly.express as px import pandas as pd import numpy as np # 生成模拟数据（x, y, z坐标，颜色用类别区分） np.random.seed(42) df = pd.DataFrame({'x': np.random.rand(100),'y': np.random.rand(100),'z': np.random.rand(100),'类别': np.random.choice(['A','B','C'],100)# 随机分为3类})# 绘制3D散点图 fig = px.scatter_3d(df, x='x', y='y', z='z', color='类别',# 颜色按类别区分 size_max=10,# 点最大大小 opacity=0.7,# 透明度 title='3D散点图示例')# 自定义视角（初始显示角度） fig.update_layout(scene=dict( xaxis_title='X轴', yaxis_title='Y轴', zaxis_title='Z轴')) fig.show()

运行结果描述：
浏览器显示一个3D坐标系，100个彩色点（A类红、B类蓝、C类绿）分布在空间中。鼠标拖动可旋转视角，滚轮缩放，悬停点显示坐标和类别（如“x:0.5, y:0.3, z:0.8, 类别:A”）。点的透明度0.7，重叠部分可部分看到下层点。

四、图表美化技巧（通用）

无论用哪个库，好的图表都需要“颜值+信息”兼顾。以下是通用美化技巧：

五、总结：如何选择绘图库？

• Matplotlib：适合基础图表（折线、柱状），代码灵活，适合需要精细调整的场景。
• Seaborn：适合统计图表（直方图、箱线图、热力图），代码简洁，自动优化样式。
• Plotly：适合交互式图表（网页展示、动态演示），支持缩放、悬停、3D等高级功能。

掌握这些图表，你已经能覆盖90%的数据可视化需求！动手跑一遍代码，调整参数（如颜色、线条样式），很快就能画出属于自己的专业图表～