No15: 数据可视化：Matplotlib 与 Seaborn 的高级用法
Matplotlib 是 Python 中最受欢迎的数据可视化软件包之一，支持跨平台运行，它是 Python 常用的 2D 绘图库，同时它也提供了一部分 3D 绘图接口。Matplotlib 通常与 NumPy、Pandas 一起使用，是数据分析中不可或缺的重要工具之一。Matplotlib 是 Python 中类似 MATLAB 的绘图工具，如果您熟悉 MATLAB，那么可以很快的熟悉它。Matplotlib 提供了一套面向对象绘图的 API，它可以轻松地配合 Python GUI 工具包（比如 PyQt，WxPython、Tkinter）在应用程序中嵌入图形。与此同时，它也支持以脚本的形式在 Python、IPython Shell、Jupyter Notebook 以及 Web 应用的服务器中使用
Seaborn 是基于 Python 且非常受欢迎的图形可视化库，在 Matplotlib 的基础上，进行了更高级的封装，使得作图更加方便快捷。即便是没有什么基础的人，也能通过极简的代码，做出具有分析价值而又十分美观的图形。Seaborn 可以实现 Python 环境下的绝大部分探索性分析的任务，图形化的表达帮助你对数据进行分析，而且对 Python 的其他库（比如 Numpy/Pandas/Scipy）有很好的支持。
本文将介绍Matplotlib和Seaborn的部分高级用法。
核心概念
1. Artist层对象控制（PathEffect应用）
通过控制Artist对象实现高级视觉效果，如路径特效：
import matplotlib.pyplot as plt
from matplotlib.patheffects import Stroke, Normaltext = plt.text(0.5, 0.5, 'PathEffect', path_effects=[Stroke(linewidth=3, foreground='red'), Normal()],fontsize=30, ha='center')
plt.show()
2. 多子图布局（GridSpec/SubplotSpec）
创建复杂布局：
fig = plt.figure(figsize=(10, 6))
gs = fig.add_gridspec(3, 3)
ax1 = fig.add_subplot(gs[0, :])
ax2 = fig.add_subplot(gs[1:, 0])
ax3 = fig.add_subplot(gs[1:, 1:])
3. Seaborn的FacetGrid参数化映射
多维度数据可视化：
import seaborn as sns
import matplotlib.pyplot as plt# 加载Seaborn内置的tips数据集
tips = sns.load_dataset('tips')# 创建FacetGrid对象，并按行（smoker）和列（time）划分子图
g = sns.FacetGrid(tips, row='smoker', col='time', margin_titles=True)# 在每个子图中绘制散点图，横轴为'total_bill'，纵轴为'tip'
g.map(sns.scatterplot, 'total_bill', 'tip')# 显示图表
plt.show()
4. 矢量图形与栅格化混合渲染
优化复杂图表性能：
plt.rcParams['svg.fonttype'] = 'none' # 保留矢量文本
ax.plot(x, y, rasterized=True) # 栅格化大数据点
实战案例
地理空间数据可视化（结合Cartopy）
import cartopy.crs as ccrsfig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree())
ax.coastlines()
ax.set_extent([-20, 60, -40, 40])
plt.show()
动态数据流实时更新
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation# 初始化数据
x = [] # 存储 x 坐标
y = [] # 存储 y 坐标# 创建绘图环境
fig, ax = plt.subplots()
ax.set_xlim(0, 2 * np.pi) # 设置 x 轴范围
ax.set_ylim(-1.5, 1.5) # 设置 y 轴范围
line, = ax.plot([], [], lw=2) # 创建空的 Line2D 对象# 更新函数
def update(frame):x.append(frame) # 添加新的 x 值y.append(np.sin(frame)) # 添加对应的 y 值 (sin 函数)line.set_data(x, y) # 更新线条数据if frame > 2 * np.pi: # 限制 x 轴范围ax.set_xlim(frame - 2 * np.pi, frame)ax.figure.canvas.draw() # 更新绘图区域return line,# 创建动画
ani = animation.FuncAnimation(fig, update, frames=np.linspace(0, 10 * np.pi, 500), interval=50
)# 显示动画
plt.show()# 如果需要保存动画为文件，可以使用以下代码：
# ani.save('sine_wave_animation.mp4', writer='ffmpeg', fps=30)
扩展思考
可视化陷阱案例
- 截断坐标轴：柱状图从非零基线开始
- 误导性双轴：不同量级数据使用不同刻度
- 三维饼图：透视变形导致比例误判
学术级图表渲染
import matplotlib.pyplot as plt# 使用系统默认的 serif 字体
plt.rcParams.update({"font.family": "serif","font.serif": ["Times New Roman", "DejaVu Serif", "Liberation Serif"], # 替代 Palatino
})# 使用 MathJax 渲染
plt.rcParams['text.usetex'] = False
plt.rcParams['mathtext.fontset'] = 'cm' # 使用 Computer Modern 字体# 绘制公式
plt.title(r'$\mathcal{F}(x) = \int_{-\infty}^\infty f(x) e^{-2\pi i x} dx$')
plt.show()
##运行代码前记得安装依赖包，本文在python3.11.5环境通过运行
# 安装依赖
!pip install matplotlib seaborn cartopy通过掌握这些高级技巧，您将能创建出兼具专业性和艺术性的数据可视化作品。下期我们将探讨三维数据可视化与交互式图表开发！
