数据可视化基础与实战：Python Matplotlib Seaborn Plotly 详解

常用函数包括 plot() (折线), bar() (条形), hist() (直方), scatter() (散点) 等。

2.2 Seaborn：统计图形增强

Seaborn 基于 Matplotlib，提供了更高级的接口和默认样式，特别适合统计分析。

安装：

pip install seaborn

基本示例：

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

x = np.arange(0, 10, 0.1)
y = np.sin(x)

sns.lineplot(x=x, y=y)
plt.title("Sin Curve")
plt.show()

常用函数如 lineplot(), barplot(), heatmap() 等，代码更简洁。

2.3 Plotly：交互式图表

Plotly 专注于生成可交互的网页端图表，支持缩放、悬停提示等功能。

安装：

pip install plotly

基本示例：

import plotly.express as px
import numpy as np

x = np.arange(0, 10, 0.1)
y = np.sin(x)

fig = px.line(x=x, y=y, title="Sin Curve", labels={"x": "x", "y": "y"})
fig.show()

支持 line(), bar(), histogram(), scatter() 等多种交互式图表。

三、实战：常见图表绘制

下面我们通过具体案例演示如何使用这三套库绘制主流图表。

3.1 折线图 (Line Chart)

适用于展示随时间变化的趋势。

# Matplotlib
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(0, 10, 0.1)
y = np.sin(x)
plt.plot(x, y)
plt.title("Sin Curve")
plt.show()

# Seaborn
import seaborn as sns
sns.lineplot(x=x, y=y)
plt.title("Sin Curve")
plt.show()

# Plotly
import plotly.express as px
fig = px.line(x=x, y=y, title="Sin Curve")
fig.show()

3.2 条形图 (Bar Chart)

用于比较不同类别的数值大小。

# Matplotlib
categories = ["A", "B", "C", "D"]
values = [10, 20, 15, 25]
plt.bar(categories, values)
plt.title("Bar Chart")
plt.show()

# Seaborn
import pandas as pd
data = pd.DataFrame({"Category": categories, "Value": values})
sns.barplot(x="Category", y="Value", data=data)
plt.title("Bar Chart")
plt.show()

# Plotly
fig = px.bar(data, x="Category", y="Value", title="Bar Chart")
fig.show()

3.3 直方图 (Histogram)

展示数据的频率分布情况。

# Matplotlib
data = np.random.randn(1000)
plt.hist(data, bins=30)
plt.title("Histogram")
plt.show()

# Seaborn
sns.histplot(data, bins=30)
plt.title("Histogram")
plt.show()

# Plotly
fig = px.histogram(x=data, bins=30, title="Histogram")
fig.update_layout(xaxis_title="Value", yaxis_title="Frequency")
fig.show()

3.4 散点图 (Scatter Plot)

分析两个变量之间的相关性。

# Matplotlib
x = np.random.rand(100)
y = np.random.rand(100)
plt.scatter(x, y)
plt.title("Scatter Plot")
plt.show()

# Seaborn
data = pd.DataFrame({"x": x, "y": y})
sns.scatterplot(x="x", y="y", data=data)
plt.title("Scatter Plot")
plt.show()

# Plotly
fig = px.scatter(data, x="x", y="y", title="Scatter Plot")
fig.show()

3.5 饼图 (Pie Chart)

显示各部分占总体的比例。

# Matplotlib
plt.pie(values, labels=categories, autopct="%1.1f%%")
plt.title("Pie Chart")
plt.show()

# Seaborn (需配合 matplotlib)
plt.pie(data["Value"], labels=data["Category"], autopct="%1.1f%%")
plt.title("Pie Chart")
plt.show()

# Plotly
fig = px.pie(data, values="Value", names="Category", title="Pie Chart")
fig.show()

3.6 热力图 (Heatmap)

展示矩阵数据的相关性或密度。

# Matplotlib
data = np.random.rand(10, 10)
plt.imshow(data, cmap="coolwarm")
plt.colorbar()
plt.title("Heatmap")
plt.show()

# Seaborn
sns.heatmap(data, cmap="coolwarm")
plt.title("Heatmap")
plt.show()

# Plotly
fig = px.imshow(data, cmap="coolwarm", title="Heatmap")
fig.show()

四、设计原则与最佳实践

4.1 图表选择策略

• 数值型数据：折线图、直方图、散点图。
• 分类型数据：条形图、饼图。
• 时序数据：折线图、面积图。
• 关系数据：散点图、气泡图、热力图。

4.2 标注规范

• 标题：简明扼要，直接说明图表内容。
• 坐标轴：必须包含单位或明确含义。
• 图例：多系列数据时务必添加，位置不宜遮挡数据。
• 数据标注：关键数值可直接标注在图表上，便于阅读。

五、实战项目：数据可视化系统开发

为了巩固所学，我们尝试构建一个简单的桌面可视化应用。

5.1 需求分析

• 读取 CSV 文件。
• 支持多种图表类型切换。
• 配置图表属性（标题、轴标签）。
• 导出为图片格式。

5.2 环境搭建

pip install pandas matplotlib seaborn plotly tkinter

5.3 核心代码实现

数据读取模块

import pandas as pd

def read_data(file_path):
    try:
        df = pd.read_csv(file_path)
        return df
    except Exception as e:
        print(f"读取数据文件失败：{e}")
        return None

图表生成逻辑

import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import pandas as pd

def generate_chart(df, chart_type, title, x_label, y_label, legend, **kwargs):
    try:
        if chart_type == "line":
            fig = px.line(df, x=kwargs["x_column"], y=kwargs["y_column"], 
                          title=title, labels={kwargs["x_column"]: x_label, kwargs["y_column"]: y_label})
        elif chart_type == "bar":
            fig = px.bar(df, x=kwargs["x_column"], y=kwargs["y_column"], 
                         title=title, labels={kwargs["x_column"]: x_label, kwargs["y_column"]: y_label})
        elif chart_type == "histogram":
            fig = px.histogram(df, x=kwargs["x_column"], 
                               title=title, labels={kwargs["x_column"]: x_label, "count": y_label})
        elif chart_type == "scatter":
            fig = px.scatter(df, x=kwargs["x_column"], y=kwargs["y_column"], 
                             title=title, labels={kwargs["x_column"]: x_label, kwargs["y_column"]: y_label})
        elif chart_type == "pie":
            fig = px.pie(df, values=kwargs["values_column"], names=kwargs["names_column"], title=title)
        elif chart_type == "heatmap":
            corr = df.corr()
            fig = px.imshow(corr, cmap="coolwarm", title=title)
        else:
            print("不支持的图表类型")
            return

        if legend:
            fig.update_layout(legend_title_text="Legend")
        fig.show()
    except Exception as e:
        print(f"生成图表失败：{e}")

用户界面 (Tkinter)

import tkinter as tk
from tkinter import filedialog, messagebox
import pandas as pd
import os
from data_reader import read_data
from chart_generator import generate_chart

class DataVisualizationApp:
    def __init__(self, root):
        self.root = root
        self.root.title("数据可视化系统")
        
        # 文件选择
        self.file_label = tk.Label(root, text="数据文件：")
        self.file_label.grid(row=0, column=0, padx=10, pady=10, sticky=tk.W)
        self.file_entry = tk.Entry(root, width=50)
        self.file_entry.grid(row=0, column=1, padx=10, pady=10)
        self.browse_button = tk.Button(root, text="浏览", command=self.browse_file)
        self.browse_button.grid(row=0, column=2, padx=10, pady=10)
        
        # 图表类型
        self.chart_type_label = tk.Label(root, text="图表类型：")
        self.chart_type_label.grid(row=1, column=0, padx=10, pady=10, sticky=tk.W)
        self.chart_type_var = tk.StringVar(value="line")
        self.chart_type_menu = tk.OptionMenu(root, self.chart_type_var, "line", "bar", "histogram", "scatter", "pie", "heatmap")
        self.chart_type_menu.grid(row=1, column=1, padx=10, pady=10, sticky=tk.W)
        
        # 属性配置
        self.title_label = tk.Label(root, text="标题：")
        self.title_label.grid(row=2, column=0, padx=10, pady=10, sticky=tk.W)
        self.title_entry = tk.Entry(root, width=50)
        self.title_entry.grid(row=2, column=1, padx=10, pady=10)
        
        self.x_label_label = tk.Label(root, text="X 轴标签：")
        self.x_label_label.grid(row=3, column=0, padx=10, pady=10, sticky=tk.W)
        self.x_label_entry = tk.Entry(root, width=50)
        self.x_label_entry.grid(row=3, column=1, padx=10, pady=10)
        
        self.y_label_label = tk.Label(root, text="Y 轴标签：")
        self.y_label_label.grid(row=4, column=0, padx=10, pady=10, sticky=tk.W)
        self.y_label_entry = tk.Entry(root, width=50)
        self.y_label_entry.grid(row=4, column=1, padx=10, pady=10)
        
        self.legend_var = tk.BooleanVar()
        self.legend_checkbox = tk.Checkbutton(root, text="显示图例", variable=self.legend_var)
        self.legend_checkbox.grid(row=5, column=0, columnspan=3, padx=10, pady=10, sticky=tk.W)
        
        # 操作按钮
        self.generate_button = tk.Button(root, text="生成图表", command=self.generate_chart)
        self.generate_button.grid(row=6, column=0, columnspan=3, padx=10, pady=10)
        
        self.export_label = tk.Label(root, text="导出路径：")
        self.export_label.grid(row=7, column=0, padx=10, pady=10, sticky=tk.W)
        self.export_entry = tk.Entry(root, width=50)
        self.export_entry.grid(row=7, column=1, padx=10, pady=10)
        self.browse_export_button = tk.Button(root, text="浏览", command=self.browse_export_path)
        self.browse_export_button.grid(row=7, column=2, padx=10, pady=10)
        self.export_button = tk.Button(root, text="导出图表", command=self.export_chart)
        self.export_button.grid(row=8, column=0, columnspan=3, padx=10, pady=10)

    def browse_file(self):
        file_path = filedialog.askopenfilename(filetypes=[("CSV 文件", "*.csv")])
        if file_path:
            self.file_entry.delete(0, tk.END)
            self.file_entry.insert(0, file_path)

    def browse_export_path(self):
        export_path = filedialog.asksaveasfilename(defaultextension=".png", 
                                                   filetypes=[("PNG 文件", "*.png"), ("JPEG 文件", "*.jpeg"), ("SVG 文件", "*.svg")])
        if export_path:
            self.export_entry.delete(0, tk.END)
            self.export_entry.insert(0, export_path)

    def generate_chart(self):
        file_path = self.file_entry.get()
        if not file_path:
            messagebox.showerror("错误", "请选择数据文件")
            return
        
        df = read_data(file_path)
        if df is None:
            return

        chart_type = self.chart_type_var.get()
        title = self.title_entry.get()
        x_label = self.x_label_entry.get()
        y_label = self.y_label_entry.get()
        legend = self.legend_var.get()
        
        kwargs = {}
        # 根据图表类型获取列名输入
        if chart_type in ["line", "bar", "scatter"]:
            x_column = input("请输入 X 轴列名：")
            y_column = input("请输入 Y 轴列名：")
            kwargs["x_column"] = x_column
            kwargs["y_column"] = y_column
        elif chart_type == "histogram":
            x_column = input("请输入 X 轴列名：")
            kwargs["x_column"] = x_column
        elif chart_type == "pie":
            values_column = input("请输入数值列名：")
            names_column = input("请输入名称列名：")
            kwargs["values_column"] = values_column
            kwargs["names_column"] = names_column
            
        generate_chart(df, chart_type, title, x_label, y_label, legend, **kwargs)

    def export_chart(self):
        file_path = self.file_entry.get()
        if not file_path:
            messagebox.showerror("错误", "请选择数据文件")
            return
        
        df = read_data(file_path)
        if df is None:
            return

        export_path = self.export_entry.get()
        if not export_path:
            messagebox.showerror("错误", "请选择导出路径")
            return

        chart_type = self.chart_type_var.get()
        title = self.title_entry.get()
        x_label = self.x_label_entry.get()
        y_label = self.y_label_entry.get()
        legend = self.legend_var.get()
        
        kwargs = {}
        if chart_type in ["line", "bar", "scatter"]:
            x_column = input("请输入 X 轴列名：")
            y_column = input("请输入 Y 轴列名：")
            kwargs["x_column"] = x_column
            kwargs["y_column"] = y_column
        elif chart_type == "histogram":
            x_column = input("请输入 X 轴列名：")
            kwargs["x_column"] = x_column
        elif chart_type == "pie":
            values_column = input("请输入数值列名：")
            names_column = input("请输入名称列名：")
            kwargs["values_column"] = values_column
            kwargs["names_column"] = names_column
            
        try:
            if chart_type == "line":
                fig = px.line(df, x=kwargs["x_column"], y=kwargs["y_column"], title=title)
            elif chart_type == "bar":
                fig = px.bar(df, x=kwargs["x_column"], y=kwargs["y_column"], title=title)
            elif chart_type == "histogram":
                fig = px.histogram(df, x=kwargs["x_column"], title=title)
            elif chart_type == "scatter":
                fig = px.scatter(df, x=kwargs["x_column"], y=kwargs["y_column"], title=title)
            elif chart_type == "pie":
                fig = px.pie(df, values=kwargs["values_column"], names=kwargs["names_column"], title=title)
            elif chart_type == "heatmap":
                corr = df.corr()
                fig = px.imshow(corr, cmap="coolwarm", title=title)
            
            fig.write_image(export_path)
            messagebox.showinfo("成功", "图表已导出")
        except Exception as e:
            print(f"导出图表失败：{e}")

if __name__ == "__main__":
    root = tk.Tk()
    app = DataVisualizationApp(root)
    root.mainloop()

5.4 测试数据

使用以下 CSV 内容进行测试：

name,age,gender,score
张三，18，男，85
李四，20，女，90
王五，19，男，88
赵六，21，女，92
钱七，18，男，87

保存为 test_data.csv 后运行程序即可体验。

总结

数据可视化是数据分析的关键环节。通过本章学习，你应掌握了 Matplotlib、Seaborn 和 Plotly 的基本用法，理解了图表选择与设计的原则，并通过实战项目初步具备了开发可视化系统的能力。建议在实际工作中多尝试不同的图表组合，找到最适合表达数据故事的方式。