Python 数据可视化实战：Matplotlib 与 Seaborn | 极客日志

PythonAI算法

Python 数据可视化实战：Matplotlib 与 Seaborn

Python 数据可视化核心在于使用 Matplotlib 和 Seaborn 库将数据转化为直观图形。内容涵盖环境配置、基础图形（折线、柱状、散点、饼图）绘制、统计可视化（热力、箱线、小提琴图）及电商实战案例。涉及图形美化、多图组合布局、中文显示处理及高清保存技巧。提供避坑指南与最佳实践，帮助开发者高效完成数据分析与报告生成。

steve发布于 2026/3/290 浏览

前言

数据可视化是数据分析中最核心的环节之一，它能将枯燥的数字转化为直观的图形，帮助我们快速发现数据规律、洞察业务问题。本文将从基础到进阶，全面讲解 Python 中两大主流可视化库（Matplotlib、Seaborn）的使用方法，所有代码均可直接运行，配套详细注释和效果展示。

1. 环境准备：可视化库安装与基础配置

1.1 库安装

首先确保安装以下核心库，执行以下命令：

pip install matplotlib seaborn pandas numpy

1.2 基础配置

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

# 设置全局字体，解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei'] # 黑体
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题

# 设置图形风格和大小
sns.set_style("whitegrid") # 网格风格
plt.rcParams['figure.figsize'] = (10, 6) # 默认图形大小

# 构造示例数据：月度销售额
months = ['1 月', '2 月', '3 月', '4 月', '5 月', '6 月']
sales = [120, 150, 130, 180, 200, 220]

# 创建画布
fig, ax = plt.subplots()

# 绘制折线图
ax.plot(months, sales, color='#FF6B6B', linewidth=2, marker='o', markersize=8)

# 添加标题和标签
ax.set_title('2024 年上半年销售额趋势', fontsize=16, pad=20)
ax.set_xlabel('月份', fontsize=12)
ax.set_ylabel('销售额（万元）', fontsize=12)

# 添加数值标签
for x, y in zip(months, sales):
    ax.text(x, y+5, f'{y}', ha='center', fontsize=10)

# 保存图片（高清）
plt.savefig('sales_trend.png', dpi=300, bbox_inches='tight')
plt.show()

# 构造示例数据：各产品销量
products = ['产品 A', '产品 B', '产品 C', '产品 D']
sales_2023 = [80, 100, 90, 70]
sales_2024 = [95, 110, 85, 88]

# 计算柱子位置
x = np.arange(len(products))
width = 0.35

# 绘制分组柱状图
fig, ax = plt.subplots()
rects1 = ax.bar(x - width/2, sales_2023, width, label='2023 年', color='#4ECDC4')
rects2 = ax.bar(x + width/2, sales_2024, width, label='2024 年', color='#FFE66D')

# 添加标题和标签
ax.set_title('2023-2024 年各产品销量对比', fontsize=16, pad=20)
ax.set_xlabel('产品类型', fontsize=12)
ax.set_ylabel('销量（件）', fontsize=12)
ax.set_xticks(x)
ax.set_xticklabels(products)
ax.legend()

# 添加数值标签
def autolabel(rects):
    for rect in rects:
        height = rect.get_height()
        ax.annotate(f'{height}', xy=(rect.get_x() + rect.get_width() / 2, height), xytext=(0, 3), textcoords="offset points", ha='center', va='bottom', fontsize=10)

autolabel(rects1)
autolabel(rects2)
plt.savefig('product_sales.png', dpi=300, bbox_inches='tight')
plt.show()

# 构造示例数据：广告投入与销售额
np.random.seed(42)
ad_spend = np.random.uniform(10, 50, 50)
sales = 2 * ad_spend + np.random.normal(0, 8, 50)

# 绘制散点图
fig, ax = plt.subplots()
scatter = ax.scatter(ad_spend, sales, c='#FF6B6B', alpha=0.7, s=60)

# 添加趋势线
z = np.polyfit(ad_spend, sales, 1)
p = np.poly1d(z)
ax.plot(ad_spend, p(ad_spend), "k--", linewidth=2, label=f'趋势线：y={z[0]:.2f}x+{z[1]:.2f}')

# 添加标题和标签
ax.set_title('广告投入与销售额相关性分析', fontsize=16, pad=20)
ax.set_xlabel('广告投入（万元）', fontsize=12)
ax.set_ylabel('销售额（万元）', fontsize=12)
ax.legend()
plt.savefig('ad_sales_corr.png', dpi=300, bbox_inches='tight')
plt.show()

# 构造示例数据：用户来源渠道
channels = ['抖音', '小红书', '公众号', '朋友圈', '其他']
user_counts = [45, 25, 15, 10, 5]
colors = ['#FF9999', '#66B2FF', '#99FF99', '#FFCC99', '#FF99CC']
explode = (0.1, 0, 0, 0, 0)

# 绘制饼图
fig, ax = plt.subplots()
wedges, texts, autotexts = ax.pie(user_counts, explode=explode, labels=channels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=90)

# 美化文字
for autotext in autotexts:
    autotext.set_color('white')
    autotext.set_fontsize(10)

ax.set_title('用户来源渠道分布', fontsize=16, pad=20)
ax.axis('equal')
plt.savefig('user_channel.png', dpi=300, bbox_inches='tight')
plt.show()

# 构造示例数据：鸢尾花数据集
iris = sns.load_dataset('iris')
corr = iris.iloc[:, :-1].corr()

# 绘制热力图
fig, ax = plt.subplots(figsize=(8, 6))
heatmap = sns.heatmap(corr, annot=True, cmap='RdBu_r', vmin=-1, vmax=1, square=True, ax=ax)
ax.set_title('鸢尾花特征相关性热力图', fontsize=16, pad=20)
plt.savefig('corr_heatmap.png', dpi=300, bbox_inches='tight')
plt.show()

# 构造示例数据：不同地区的用户消费金额
data = pd.DataFrame({
    '地区': ['华北']*30 + ['华东']*30 + ['华南']*30,
    '消费金额': np.concatenate([
        np.random.normal(500, 80, 30),
        np.random.normal(600, 100, 30),
        np.random.normal(550, 90, 30)
    ])
})

# 绘制箱线图
fig, ax = plt.subplots()
boxplot = sns.boxplot(x='地区', y='消费金额', data=data, palette='Set2', ax=ax)
ax.set_title('不同地区用户消费金额分布', fontsize=16, pad=20)
ax.set_xlabel('地区', fontsize=12)
ax.set_ylabel('消费金额（元）', fontsize=12)
plt.savefig('consume_boxplot.png', dpi=300, bbox_inches='tight')
plt.show()

# 使用上述消费金额数据绘制小提琴图
fig, ax = plt.subplots()
violin = sns.violinplot(x='地区', y='消费金额', data=data, palette='Pastel1', inner='quartile', ax=ax)
ax.set_title('不同地区用户消费金额分布（小提琴图）', fontsize=16, pad=20)
ax.set_xlabel('地区', fontsize=12)
ax.set_ylabel('消费金额（元）', fontsize=12)
plt.savefig('consume_violin.png', dpi=300, bbox_inches='tight')
plt.show()

# 构造电商用户行为数据
np.random.seed(42)
dates = pd.date_range(start='2024-01-01', end='2024-01-31', freq='D')
user_data = pd.DataFrame({
    '日期': np.repeat(dates, 100),
    '用户 ID': np.random.randint(10000, 99999, 3100),
    '行为类型': np.random.choice(['浏览', '加购', '下单', '支付'], 3100, p=[0.6, 0.2, 0.15, 0.05]),
    '消费金额': np.where(
        np.random.choice(['浏览', '加购', '下单', '支付'], 3100, p=[0.6, 0.2, 0.15, 0.05]) == '支付',
        np.random.uniform(50, 1000, 3100),
        0
    ),
    '用户等级': np.random.choice(['普通', 'VIP', 'SVIP'], 3100, p=[0.7, 0.2, 0.1])
})

# 数据概览
print("数据前 5 行：")
print(user_data.head())
print("\n数据基本信息：")
print(user_data.info())
print("\n数据统计描述：")
print(user_data.describe())

# 1. 每日行为类型统计
daily_behavior = user_data.groupby(['日期', '行为类型']).size().unstack(fill_value=0)

# 2. 各用户等级消费金额统计
level_consume = user_data.groupby('用户等级')['消费金额'].agg(['sum', 'mean', 'count']).round(2)
level_consume.columns = ['总消费金额', '平均消费金额', '支付用户数']

print("每日用户行为类型统计（前 5 行）：")
print(daily_behavior.head())
print("\n各用户等级消费金额统计：")
print(level_consume)

# 保存表格为 CSV（可选）
daily_behavior.to_csv('daily_behavior.csv')
level_consume.to_csv('level_consume.csv')

用户等级	总消费金额	平均消费金额	支付用户数
普通	12568.78	452.46	28
VIP	8956.32	688.95	13
SVIP	6789.21	848.65	8

# 创建 2x2 子图布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))

# 子图 1：每日各行为类型数量趋势
daily_behavior.plot(kind='line', ax=ax1, marker='o', linewidth=1.5)
ax1.set_title('每日用户行为类型趋势', fontsize=14)
ax1.set_xlabel('日期')
ax1.set_ylabel('行为次数')
ax1.legend(loc='upper right')
ax1.tick_params(axis='x', rotation=45)

# 子图 2：行为类型占比饼图
behavior_count = user_data['行为类型'].value_counts()
ax2.pie(behavior_count.values, labels=behavior_count.index, autopct='%1.1f%%', colors=['#FF9999', '#66B2FF', '#99FF99', '#FFCC99'])
ax2.set_title('用户行为类型占比', fontsize=14)

# 子图 3：各用户等级消费金额对比
level_consume['总消费金额'].plot(kind='bar', ax=ax3, color=['#4ECDC4', '#FF6B6B', '#FFE66D'])
ax3.set_title('各用户等级总消费金额', fontsize=14)
ax3.set_xlabel('用户等级')
ax3.set_ylabel('消费金额（元）')

# 添加数值标签
for x, y in enumerate(level_consume['总消费金额']):
    ax3.text(x, y+200, f'{y}', ha='center', fontsize=10)

# 子图 4：各用户等级平均消费金额
level_consume['平均消费金额'].plot(kind='barh', ax=ax4, color=['#9999FF', '#FF99CC', '#FFB366'])
ax4.set_title('各用户等级平均消费金额', fontsize=14)
ax4.set_xlabel('平均消费金额（元）')
ax4.set_ylabel('用户等级')

# 添加数值标签
for x, y in enumerate(level_consume['平均消费金额']):
    ax4.text(y+20, x, f'{y}', va='center', fontsize=10)

# 整体标题
fig.suptitle('2024 年 1 月电商用户行为分析报告', fontsize=18, y=0.98)

# 调整子图间距
plt.tight_layout()
plt.savefig('ecommerce_analysis.png', dpi=300, bbox_inches='tight')
plt.show()

# 自定义颜色方案
my_colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7']

# 自定义样式
plt.style.use('ggplot')

fig, ax = plt.subplots()
ax.bar(['A', 'B', 'C', 'D', 'E'], [10, 20, 15, 25, 18], color=my_colors)

# 添加网格
ax.grid(True, axis='y', alpha=0.3, linestyle='--')

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# 调整刻度字体
ax.tick_params(axis='both', labelsize=11)
ax.set_title('自定义样式示例', fontsize=16)
plt.show()

# 不等比例子图布局
fig = plt.figure(figsize=(15, 10))

# 创建子图：1 行 2 列，第一个子图占 1 列，第二个子图占 1 列
ax1 = plt.subplot2grid((2, 2), (0, 0), colspan=1)
ax2 = plt.subplot2grid((2, 2), (0, 1), colspan=1)
ax3 = plt.subplot2grid((2, 2), (1, 0), colspan=2)

# 子图 1：折线图
ax1.plot([1,2,3,4], [10,20,15,25], color=my_colors[0], linewidth=2)
ax1.set_title('子图 1：折线图')

# 子图 2：散点图
ax2.scatter([1,2,3,4], [5,15,10,20], color=my_colors[1], s=50)
ax2.set_title('子图 2：散点图')

# 子图 3：柱状图
ax3.bar([1,2,3,4], [8,18,13,23], color=my_colors[2])
ax3.set_title('子图 3：柱状图（跨列）')

plt.suptitle('不等比例子图布局示例', fontsize=18)
plt.tight_layout()
plt.show()

Python 数据可视化实战：Matplotlib 与 Seaborn

前言

1. 环境准备：可视化库安装与基础配置

1.1 库安装

1.2 基础配置

2. Matplotlib 核心：基础图形绘制

2.1 折线图：展示数据趋势

2.2 柱状图：对比分类数据

2.3 散点图：展示变量相关性

2.4 饼图：展示占比分布

3. Seaborn 进阶：统计可视化

3.1 热力图：展示数据相关性矩阵

3.2 箱线图：分析数据分布与异常值

3.3 小提琴图：结合箱线图与核密度图

4. 实战案例：电商用户行为数据可视化分析

4.1 数据准备

4.2 数据统计表格

4.3 多维度可视化分析

5. 高级技巧：图形美化与多图组合

5.1 自定义颜色与样式

5.2 多图组合与子图布局

6. 总结：可视化避坑指南与最佳实践

6.1 避坑指南

6.2 最佳实践

关键点回顾

更多推荐文章

相关免费在线工具

Python 数据可视化实战：Matplotlib 与 Seaborn

前言

1. 环境准备：可视化库安装与基础配置

1.1 库安装

1.2 基础配置

2. Matplotlib 核心：基础图形绘制

2.1 折线图：展示数据趋势

2.2 柱状图：对比分类数据

2.3 散点图：展示变量相关性

2.4 饼图：展示占比分布

3. Seaborn 进阶：统计可视化

3.1 热力图：展示数据相关性矩阵

3.2 箱线图：分析数据分布与异常值

3.3 小提琴图：结合箱线图与核密度图

4. 实战案例：电商用户行为数据可视化分析

4.1 数据准备

4.2 数据统计表格

4.3 多维度可视化分析

5. 高级技巧：图形美化与多图组合

5.1 自定义颜色与样式

5.2 多图组合与子图布局

6. 总结：可视化避坑指南与最佳实践

6.1 避坑指南

6.2 最佳实践

关键点回顾

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具