Python 绘图：Matplotlib、Seaborn 和 Plotly 的常见图表与代码

出来的图显示销售额逐月上升，12月达到峰值。

柱状图

比较不同类别的数据，比如各城市销售额。

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 in enumerate(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()

上海最高，广州最低，柱子颜色可以自定义。

散点图

看两个变量的相关性，比如身高和体重。

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()

点大致沿拟合线分布，正相关。

Seaborn

Seaborn 封装了更多统计图形，几行代码就能出漂亮的图。

直方图

看数据分布，比如成绩集中在哪个区间。

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()

成绩主要集中在70-80分，形状接近正态。

箱线图

比较不同组的分布情况，包括中位数和异常值。

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()

B班成绩最稳定，C班波动大，还有异常值。

热力图

展示变量间的相关性矩阵。

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()

特征1和2正相关0.85，特征3和5负相关-0.32，对角线为1。

Plotly

Plotly 生成的图能够交互，支持悬停、缩放、旋转，适合放在网页里。

交互式折线图

鼠标悬停看数值，缩放查看局部。

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'))

# 显示图表（自动在浏览器打开，支持缩放、悬停）
fig.show()

悬停和缩放效果直接可用。

3D 散点图

三个维度的散点分布，可以旋转视角。

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()

拖动鼠标旋转，观察点的分布。

几个通用的美化技巧

怎么选

日常用得最多的还是折线、柱状、散点这三种 Matplotlib 图，因为可以完全控制外观。做统计分析的时候 Seaborn 的直方图、箱线图、热力图能省很多事。如果需要给老板或用户看交互效果，就用 Plotly。实际项目中我常常混着用，比如用 Seaborn 画箱线图，然后调用 Matplotlib 的接口调整尺寸和标题。