一、主流绘图库概览

1. 核心工具对比

库名称	特点	适用场景
Matplotlib	基础绘图库，高度可定制	科学绘图、论文图表
Seaborn	基于Matplotlib，统计图表优化	数据分布、关系可视化
Plotly	交互式可视化，支持网页输出	仪表盘、动态数据展示
Pandas	内置简易绘图接口	快速数据探索

2. 环境准备

pip install matplotlib seaborn plotly pandas

---

二、Matplotlib基础与进阶

1. 基础绘图模板

import matplotlib
import matplotlib.pyplot as plt
import numpy as np
# 设置中文字体
matplotlib.rcParams['font.family'] = 'SimHei'  # 使用黑体字体，根据实际情况修改
# 生成数据
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)# 创建画布
plt.figure(figsize=(8, 4), dpi=100)# 绘制曲线
plt.plot(x, y, color='#FF6B6B',  # 十六进制颜色linestyle='--', linewidth=2,marker='o',markersize=5,label='sin(x)')# 添加标注
plt.title("正弦函数曲线", fontsize=14, fontfamily='SimHei')  # 解决中文显示
plt.xlabel("X轴", fontsize=12)
plt.ylabel("Y轴", fontsize=12)
plt.legend(loc='upper right')  # 图例位置# 网格与样式
plt.grid(True, linestyle=':', alpha=0.7)
plt.tight_layout()  # 自动调整布局# 显示/保存
plt.savefig('sine_curve.png', bbox_inches='tight')  # 透明背景可加参数transparent=True
plt.show()

 

2. 多子图布局

fig, axes = plt.subplots(2, 2, figsize=(10, 8))  # 2行2列# 第一个子图
axes[0,0].plot(x, np.sin(x), label='正弦')
axes[0,0].set_title('正弦曲线')# 第二个子图
axes[0,1].scatter(x, np.cos(x), c='green', marker='^')
axes[0,1].set_title('余弦散点')# 第三个子图（直方图）
axes[1,0].hist(np.random.randn(1000), bins=30, edgecolor='black', alpha=0.7)# 第四个子图（填充图）
axes[1,1].fill_between(x, np.sin(x), np.cos(x), where=(np.sin(x) > np.cos(x)), color='skyblue', alpha=0.4)plt.tight_layout()

 

---

三、Seaborn高效统计绘图

1. 分布可视化

import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset('tips')# 联合分布图
sns.jointplot(x='total_bill', y='tip', data=tips, kind='hex',  # 可选 'reg'、'kde'marginal_kws={'color': '#4ECDC4'})# 分类箱线图
plt.figure(figsize=(8,5))
sns.boxplot(x='day', y='total_bill', hue='sex', data=tips, palette='Pastel1')
plt.title('每日消费分布')

 

 

2. 热力图与聚类

# 相关性热力图
corr = tips.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', linewidths=0.5, fmt='.2f')# 聚类图
sns.clustermap(corr, cmap='viridis', figsize=(6,6), method='ward')

 

import plotly.express as px# 散点图矩阵
fig = px.scatter_matrix(iris, dimensions=["sepal_length", "sepal_width", "petal_length", "petal_width"],color="species")
fig.show()# 3D曲面图
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))fig = px.surface(x=x, y=y, z=Z, color_continuous_scale='Viridis')
fig.update_layout(title='3D曲面图')
fig.show()

 

---

四、Plotly交互式可视化

import plotly.graph_objects as go
import numpy as np# 生成3D数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))fig = go.Figure(data=[go.Surface(z=Z,colorscale='Viridis',contours={  # 添加等高线"z": {"show": True, "usecolormap": True}})
])# 添加控件按钮
fig.update_layout(title='3D动态曲面图',scene=dict(xaxis_title='X轴',yaxis_title='Y轴',zaxis_title='Z值',camera=dict(  # 预设视角eye=dict(x=1.5, y=1.5, z=0.1))),updatemenus=[  # 添加视角切换按钮dict(type="buttons",buttons=[dict(label="俯视",method="relayout",args=[{"scene.camera.eye": {"x": 0, "y": 0, "z": 2.5}}]),dict(label="侧视",method="relayout",args=[{"scene.camera.eye": {"x": 2, "y": 2, "z": 0.1}}])],direction="left",pad={"r": 10, "t": 10},showactive=True,x=0.1,xanchor="left",y=1.1,yanchor="top")]
)fig.show()