Python 数据可视化的 3 个核心步骤与实战指南

第三步是在第二步的基础上，为了使图形更加清晰明了做的修饰工作。具体参数都可以在制图函数中找到。

可视化作图基础：Matplotlib

导入包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Figure 和 Subplot

Matplotlib 的图形都位于 Figure（画布）中，Subplot 创建图像空间。不能通过 figure 绘图，必须用 add_subplot 创建一个或多个 subplot。

figsize 可以指定图像尺寸。

# 创建画布
fig = plt.figure()
print(fig) # <Figure size 432x288 with 0 Axes>

# 创建 subplot，221 表示这是 2 行 2 列表格中的第 1 个图像
ax1 = fig.add_subplot(221)

# 现在更习惯使用以下方法创建画布和图像，2,2 表示这是一个 2*2 的画布，可以放置 4 个图像
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)
# plt.subplot 的 sharex 和 sharey 参数可以指定所有的 subplot 使用相同的 x，y 轴刻度

利用 Figure 的 subplots_adjust 方法可以调整间距。

subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)

颜色 color，标记 marker，和线型 linestyle

Matplotlib 的 plot 函数接受一组 X 和 Y 坐标，还可以接受一个表示颜色和线型的字符串缩写：'g--'，表示颜色是绿色 (green)，线型是 '--' 虚线。也可以使用参数明确的指定。

线型图还可以加上一些标记（marker），来突出显示数据点的位置。标记也可以放在格式字符串中，但标记类型和线型必须放在颜色后面。

plt.plot(np.random.randn(30), color='g', linestyle='--', marker='o')

刻度，标签和图例

plt 的 xlim, xticks 和 xticklabels 方法分别控制图表的范围和刻度位置和刻度标签。

调用方法时不带参数，则返回当前的参数值；调用时带参数，则设置参数值。

plt.plot(np.random.randn(30), color='g', linestyle='--', marker='o')
plt.xlim() # 不带参数调用，显示当前参数
# (-1.4500000000000002, 30.45)

plt.plot(np.random.randn(30), color='g', linestyle='--', marker='o')
plt.xlim([0, 15]) # 横轴刻度变成 0-15
# (0, 15)

设置标题，轴标签，刻度以及刻度标签

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.plot(np.random.randn(1000).cumsum())
ticks = ax.set_xticks([0, 250, 500, 750, 1000]) # 设置刻度值
labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five']) # 设置刻度标签
ax.set_title('My first Plot') # 设置标题
ax.set_xlabel('Stage') # 设置轴标签

添加图例

图例 legend 是另一种用于标识图标元素的重要工具。可以在添加 subplot 的时候传入 label 参数。

fig = plt.figure(figsize=(12, 5))
ax = fig.add_subplot(111)
ax.plot(np.random.randn(1000).cumsum(), 'k', label='one') # 传入 label 参数，定义 label 名称
ax.plot(np.random.randn(1000).cumsum(), 'k--', label='two')
ax.plot(np.random.randn(1000).cumsum(), 'k.', label='three')
# 图形创建完后，只需要调用 legend 参数将 label 调出来即可
ax.legend(loc='best') # 要求不是很严格的话，建议使用 loc='best' 参数来让它自己选择最佳位置

注解

除标准的图表对象之外，我们还可以自定义添加一些文字注解或者箭头。

注解可以通过 text, arrow 和 annotate 等函数进行添加。text 函数可以将文本绘制在指定的 x，y 坐标位置，还可以进行自定义格式。

plt.plot(np.random.randn(1000).cumsum())
plt.text(600, 10, 'test ', family='monospace', fontsize=10)
# 中文注释在默认环境下并不能正常显示，需要修改配置文件，使其支持中文字体

保存图表到文件

利用 plt.savefig 可以将当前图表保存到文件。例如，要将图表保存为 png 文件，可以执行。

文件类型是根据扩展名而定的。其他参数还有：

• fname：含有文件路径的字符串，扩展名指定文件类型。
• dpi：分辨率，默认 100。
• facecolor, edgcolor：图像的背景色，默认 'w' 白色。
• format：显示设置文件格式 ('png', 'pdf', 'svg', 'ps', 'jpg' 等)。
• bbox_inches：图表需要保留的部分。如果设置为'tight'，则将尝试剪除图像周围的空白部分。

plt.savefig('./plot.jpg') # 保存图像为 plot 名称的 jpg 格式图像

Pandas 中的绘图函数

Matplotlib 作图基础

Matplotlib 是最基础的绘图函数，也是相对较低级的工具。组装一张图表需要单独调用各个基础组件才行。Pandas 中有许多基于 Matplotlib 的高级绘图方法，原本需要多行代码才能搞定的图表，使用 Pandas 只需要短短几行。

我们使用的就调用了 Pandas 中的绘图包。

import matplotlib.pyplot as plt

线型图

Series 和 DataFrame 都有一个用于生成各类图表的 plot 方法。默认情况下，它们生成的是线型图。

s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))
s.plot() # Series 对象的索引 index 会传给 matplotlib 用作绘制 x 轴

df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=['A', 'B', 'C', 'D'])
df.plot() # plot 会自动为不同变量改变颜色，并添加图例

Series.plot 方法的参数

• label：用于图表的标签。
• style：风格字符串，如 'g--'。
• alpha：图像的填充不透明度（0-1）。
• kind：图表类型（bar, line, hist, kde 等）。
• xticks：设定 x 轴刻度值。
• yticks：设定 y 轴刻度值。
• xlim, ylim：设定轴界限，如 [0, 10]。
• grid：显示轴网格线，默认关闭。
• rot：旋转刻度标签。
• use_index：将对象的索引用作刻度标签。
• logy：在 Y 轴上使用对数标尺。

DataFrame.plot 方法的参数

DataFrame 除了 Series 中的参数外，还有一些独有的选项。

• subplots：将各个 DataFrame 列绘制到单独的 subplot 中。
• sharex, sharey：共享 x，y 轴。
• figsize：控制图像大小。
• title：图像标题。
• legend：添加图例，默认显示。
• sort_columns：以字母顺序绘制各列，默认使用当前顺序。

柱状图

在生成线型图的代码中加上 kind='bar' 或者 kind='barh'，可以生成柱状图或水平柱状图。

fig, axes = plt.subplots(2, 1)
data = pd.Series(np.random.rand(10), index=list('abcdefghij'))
data.plot(kind='bar', ax=axes[0], rot=0, alpha=0.3)
data.plot(kind='barh', ax=axes[1], grid=True)

柱状图有一个非常实用的方法：利用 value_counts 图形化显示 Series 或者 DF 中各值的出现频率。

比如 df.value_counts().plot(kind='bar')。

总结

Python 可视化的基础语法就到这里，其他图形的绘制方法大同小异。重点是遵循三个步骤的思路来进行思考、选择、应用。多多练习可以更加熟练。

在实际项目中，建议结合业务需求选择合适的图表类型，注重数据的准确性与图表的可读性。对于复杂的交互式需求，可以考虑引入 Bokeh 或 Plotly 等库。