本文介绍了 Python 数据可视化的三大核心步骤：确定问题选择图形、转换数据应用函数、参数设置美化图表。内容涵盖 Matplotlib 基础用法、Pandas 集成绘图、常见图表类型（折线图、柱状图、散点图等）及参数配置技巧。通过详细代码示例讲解了 Figure、Subplot、样式定制及图片保存等操作，旨在帮助开发者掌握从数据处理到图表生成的完整流程，提升数据分析结果的呈现质量。
在科研与数据分析工作中，Python 实现可视化的三个核心步骤通常包括：
Python 中最基本的作图库是 Matplotlib。它是一个基础的 Python 可视化库，通常作为入门首选，随后进行纵向与横向拓展。
Seaborn 是一个基于 Matplotlib 的高级可视化效果库，主要针对数据挖掘和机器学习中的变量特征选取。它可以用短小的代码绘制描述更多维度数据的可视化效果图。
本文主要使用 Matplotlib 进行案例分析。
业务场景可能很复杂，但经过拆分后，我们要找到通过图形表达的具体问题。分析思维的训练可以参考《麦肯锡方法》和《金字塔原理》中的方法。
在 Python 中，我们可以总结为以下四种基本视觉元素来展现图形：
数据间存在分布、构成、比较、联系以及变化趋势等关系。对应不一样的关系，选择相应的图形进行展示。
数据分析和建模方面的大量编程工作都是用在数据准备的基础上的：加载、清理、转换以及重塑。可视化步骤也需要对数据进行整理，转换成需要的格式再套用可视化方法完成作图。
merge, concat, combine_first (类似于数据库中的全外连接)。reshape；轴向旋转：pivot (类似 Excel 数据透视表)。drop_duplicates。map。fillna, replace。rename。将分类变量转换为'哑变量矩阵'的 get_dummies 函数以及在 DataFrame 中对某列数据取限定值等等。
函数则根据第一步中选择好的图形，去找 Python 中对应的函数。
原始图形画完后，可以根据需求修改颜色 (color)，线型 (linestyle)，标记 (marker) 或者其他图表装饰项标题 (Title)，轴标签 (xlabel, ylabel)，轴刻度 (set_xticks)，还有图例 (legend) 等，让图形更加直观。
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。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
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)
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')
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)
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
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
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
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：
plt.savefig('./plot.jpg') # 保存图像为 plot 名称的 jpg 格式图像
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
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
'g--'。[0, 10]。DataFrame 除了 Series 中的参数外，还有一些独有的选项。
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')。
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。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online