Python數(shù)據(jù)可視化完全指南之Matplotlib+Seaborn+Plotly用法詳解

更新時間：2026年05月27日 09:26:59 作者：生當鼎食死封侯

本文詳細介紹了Python數(shù)據(jù)可視化的三大主流庫：Matplotlib、Seaborn與Plotly,涵蓋折線圖、柱狀圖、散點圖等多種圖表類型及美化技巧,希望幫助大家全面掌握數(shù)據(jù)可視化技能,提升數(shù)據(jù)呈現(xiàn)效果

前言

數(shù)據(jù)本身不會說話，但好的可視化能讓數(shù)據(jù)"開口"。一個精心設(shè)計的圖表，勝過千言萬語的數(shù)據(jù)描述。

Python 生態(tài)中有三個主流的可視化庫，它們各有定位：

庫	一句話特點	最佳場景
Matplotlib	靈活但需要更多代碼	自定義圖表、學(xué)術(shù)論文
Seaborn	美觀且代碼簡潔	統(tǒng)計分析、EDA
Plotly	交互式、Web 友好	儀表盤、在線報告

本文將通過大量實際運行的圖表，帶你全面掌握 Python 數(shù)據(jù)可視化。

第一章：Matplotlib —— Python 可視化的基石

1.1 快速入門

Matplotlib 是 Python 可視化生態(tài)的根基。幾乎所有高級可視化庫都在它之上構(gòu)建。

pip install matplotlib

import matplotlib.pyplot as plt
import numpy as np

# 設(shè)置中文字體（Windows）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

Figure 與 Axes 概念

Matplotlib 有兩個核心概念：

Figure：整個畫布（窗口）
Axes：畫布上的一個子圖（包含坐標軸、數(shù)據(jù)區(qū)域）

創(chuàng)建圖表有兩種風格：

# 方法1: 面向?qū)ο箫L格（推薦）
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y)
ax.set_title('標題')
ax.set_xlabel('X軸')
plt.show()

# 方法2: pyplot 風格（簡單快捷）
plt.figure(figsize=(10, 6))
plt.plot(x, y)
plt.title('標題')
plt.show()

1.2 折線圖：展示趨勢變化

折線圖是使用最廣泛的圖表類型，特別適合展示數(shù)據(jù)隨時間的變化趨勢。

運行效果：

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x), label='sin(x)', linewidth=2, color='#e74c3c')
ax.plot(x, np.cos(x), label='cos(x)', linewidth=2, color='#3498db')
ax.plot(x, np.sin(x) * np.exp(-x/5), label='sin(x)·e^(-x/5)',
        linewidth=2, color='#2ecc71', linestyle='--')
ax.set_title('三角函數(shù)折線圖', fontsize=16, fontweight='bold')
ax.legend(fontsize=11)
ax.grid(True, alpha=0.3)
ax.fill_between(x, np.sin(x), alpha=0.1)  # 填充區(qū)域
plt.tight_layout()
plt.savefig('折線圖.png', dpi=150)

折線圖樣式參數(shù)速查：

參數(shù)	可選值	說明
`linestyle`	`'-'`, `'--'`, `'-.'`, `':'`	線型
`linewidth`	數(shù)值	線寬
`color`	顏色名/十六進制/RGB元組	顏色
`marker`	`'o'`, `'s'`, `'^'`, `'*'`, `'+'`	數(shù)據(jù)點標記
`alpha`	0~1	透明度

1.3 柱狀圖：對比分類數(shù)據(jù)

柱狀圖適合比較不同類別之間的數(shù)值差異。

運行效果：

categories = ['Python', 'JavaScript', 'Java', 'Go', 'Rust', 'TypeScript']
values_2024 = [68, 62, 48, 35, 28, 38]
values_2025 = [72, 58, 42, 45, 42, 52]

x_pos = np.arange(len(categories))
width = 0.35

fig, ax = plt.subplots(figsize=(10, 6))
bars1 = ax.bar(x_pos - width/2, values_2024, width, label='2024年', color='#3498db')
bars2 = ax.bar(x_pos + width/2, values_2025, width, label='2025年', color='#e74c3c')

# 添加數(shù)值標簽
for bar in bars1:
    ax.text(bar.get_x() + bar.get_width()/2., bar.get_height() + 0.5,
            f'{int(bar.get_height())}', ha='center', fontsize=10)

ax.set_title('編程語言流行度對比', fontsize=16, fontweight='bold')
ax.set_xticks(x_pos)
ax.set_xticklabels(categories)
ax.legend()
ax.grid(axis='y', alpha=0.3)

柱狀圖變體：

# 水平柱狀圖
ax.barh(y_pos, values, height=0.6)

# 堆疊柱狀圖
ax.bar(categories, values1, label='A')
ax.bar(categories, values2, bottom=values1, label='B')

# 分組柱狀圖（上面示例）
ax.bar(x - width/2, values1, width, label='A')
ax.bar(x + width/2, values2, width, label='B')

1.4 散點圖：發(fā)現(xiàn)數(shù)據(jù)關(guān)聯(lián)

散點圖展示兩個變量之間的關(guān)系，是探索性數(shù)據(jù)分析（EDA）中最常用的圖表。

運行效果：

np.random.seed(42)
n = 200
fig, ax = plt.subplots(figsize=(10, 8))

# 三類數(shù)據(jù)點
ax.scatter(x1, y1, alpha=0.6, s=50, c='#e74c3c', label='A類')
ax.scatter(x2, y2, alpha=0.6, s=50, c='#3498db', label='B類')
ax.scatter(x3, y3, alpha=0.6, s=50, c='#2ecc71', label='C類')

ax.set_title('三類數(shù)據(jù)散點圖', fontsize=16, fontweight='bold')
ax.legend(fontsize=11)
ax.grid(True, alpha=0.2)

散點圖高級參數(shù)：

參數(shù)	說明	示例
`s`	點的大小	`s=50` 或 `s=array_of_sizes`
`c`	點的顏色	`c='red'` 或 `c=array_of_values`
`cmap`	顏色映射	`cmap='viridis'`
`alpha`	透明度	`alpha=0.6`
`edgecolors`	邊框顏色	`edgecolors='white'`
`marker`	標記形狀	`marker='o'`, `'s'`, `'^'`

1.5 餅圖：展示占比關(guān)系

運行效果：

languages = ['Python', 'JavaScript', 'Java', 'Go', 'Rust', '其他']
shares = [30, 25, 18, 12, 8, 7]
colors = ['#3498db', '#f39c12', '#e74c3c', '#2ecc71', '#9b59b6', '#95a5a6']
explode = (0.05, 0.02, 0.02, 0.02, 0.02, 0.02)  # 突出顯示某塊

fig, ax = plt.subplots(figsize=(9, 9))
wedges, texts, autotexts = ax.pie(
    shares, labels=languages, colors=colors, explode=explode,
    autopct='%1.1f%%', shadow=True, startangle=90
)
ax.set_title('編程語言市場份額 (2025)', fontsize=16, fontweight='bold')

建議：餅圖類別不宜超過 6 個。超過 6 個建議使用水平柱狀圖替代。

1.6 子圖布局：一圖多表

運行效果：

fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 子圖1: 正弦曲線
axes[0, 0].plot(x, np.sin(x), color='#e74c3c', linewidth=2)
axes[0, 0].set_title('sin(x)', fontsize=13)
axes[0, 0].grid(True, alpha=0.3)

# 子圖2: 余弦曲線
axes[0, 1].plot(x, np.cos(x), color='#3498db', linewidth=2)
axes[0, 1].set_title('cos(x)', fontsize=13)

# 子圖3: 直方圖
axes[1, 0].hist(data, bins=30, color='#2ecc71', edgecolor='white')
axes[1, 0].set_title('正態(tài)分布直方圖')

# 子圖4: 水平柱狀圖
axes[1, 1].barh(brands, sales, color=['#e74c3c', '#3498db', ...])
axes[1, 1].set_title('手機品牌銷量')

fig.suptitle('子圖布局示例', fontsize=18, fontweight='bold')
plt.tight_layout()

子圖布局方法對比：

方法	適用場景	示例
`plt.subplots(nrows, ncols)`	規(guī)則網(wǎng)格	`subplots(2, 3)` → 2行3列
`fig.add_subplot(1,2,1)`	不規(guī)則布局	手動添加每個子圖
`plt.subplot2grid((3,3), (0,0), colspan=2)`	跨行/列布局	精確控制每個子圖位置
`gridspec.GridSpec`	最靈活	完全自定義布局

1.7 熱力圖：矩陣可視化

運行效果：

np.random.seed(42)
data = np.random.rand(10, 10)

fig, ax = plt.subplots(figsize=(10, 8))
im = ax.imshow(data, cmap='RdYlBu_r', aspect='auto')

# 添加數(shù)值標注
for i in range(10):
    for j in range(10):
        ax.text(j, i, f'{data[i, j]:.2f}', ha='center', va='center',
                fontsize=8, color='black' if data[i, j] > 0.5 else 'white')

plt.colorbar(im, ax=ax, shrink=0.8, label='相關(guān)系數(shù)')
ax.set_title('特征相關(guān)性熱力圖', fontsize=16, fontweight='bold')

常用顏色映射（colormap）：

類型	名稱	適用場景
順序型	`'viridis'`, `'Blues'`, `'Greens'`	連續(xù)數(shù)值，從低到高
發(fā)散型	`'RdYlBu'`, `'coolwarm'`, `'seismic'`	有中間值的正負數(shù)據(jù)
分類型	`'Set1'`, `'Set2'`, `'tab10'`	不同類別區(qū)分
灰度	`'gray'`, `'Greys'`	黑白打印

1.8 面積圖與箱線圖

面積圖

運行效果：

months = ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月']
product_a = [30, 35, 42, 48, 55, 62, 58, 65, 70, 72, 78, 85]
product_b = [20, 25, 28, 35, 40, 38, 42, 48, 52, 55, 60, 65]
product_c = [10, 12, 15, 18, 22, 25, 28, 30, 35, 38, 42, 48]

fig, ax = plt.subplots(figsize=(12, 6))
ax.stackplot(months, product_a, product_b, product_c,
             labels=['產(chǎn)品A', '產(chǎn)品B', '產(chǎn)品C'],
             colors=['#3498db', '#e74c3c', '#2ecc71'], alpha=0.8)
ax.set_title('三款產(chǎn)品月度銷量趨勢', fontsize=16, fontweight='bold')
ax.legend(loc='upper left')

面積圖適合展示部分與整體的關(guān)系隨時間的變化。stackplot 是堆疊面積圖，每個系列在前一個之上疊加。

箱線圖

運行效果：

data_groups = {
    'A組 (初級)': np.random.normal(60, 10, 100),
    'B組 (中級)': np.random.normal(72, 12, 100),
    'C組 (高級)': np.random.normal(85, 8, 100),
    'D組 (專家)': np.random.normal(92, 5, 100),
}

fig, ax = plt.subplots(figsize=(10, 6))
bp = ax.boxplot(data_groups.values(), tick_labels=data_groups.keys(),
                patch_artist=True, notch=True)

colors = ['#3498db', '#2ecc71', '#f39c12', '#e74c3c']
for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

箱線圖解讀指南：

1.9 雷達圖：多維度對比

運行效果：

categories = ['攻擊力', '防御力', '速度', '智力', '耐力', '運氣']
player_stats = {
    '戰(zhàn)士': [90, 85, 60, 40, 95, 50],
    '法師': [45, 35, 55, 98, 40, 70],
    '刺客': [80, 30, 95, 70, 45, 65],
}

angles = np.linspace(0, 2 * np.pi, len(categories), endpoint=False).tolist()
angles += angles[:1]  # 閉合

fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True))
for name, stats in player_stats.items():
    values = stats + stats[:1]
    ax.fill(angles, values, alpha=0.15)
    ax.plot(angles, values, linewidth=2, label=name)

ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories, fontsize=12)
ax.set_ylim(0, 100)
ax.set_title('游戲角色屬性雷達圖', fontsize=16, pad=20)
ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))

1.10 圖表美化技巧

配色方案

# Matplotlib 內(nèi)置顏色
colors = {
    'blue': '#1f77b4',
    'orange': '#ff7f0e',
    'green': '#2ca02c',
    'red': '#d62728',
    'purple': '#9467bd',
    'brown': '#8c564b',
    'pink': '#e377c2',
    'gray': '#7f7f7f',
    'olive': '#bcbd22',
    'cyan': '#17becf',
}

# Seaborn 調(diào)色板（更美觀）
import seaborn as sns
palette = sns.color_palette('Set2', 6)

字體設(shè)置

plt.rcParams['font.size'] = 12        # 默認字體大小
plt.rcParams['axes.titlesize'] = 16   # 標題大小
plt.rcParams['axes.labelsize'] = 14   # 軸標簽大小
plt.rcParams['legend.fontsize'] = 11  # 圖例大小
plt.rcParams['xtick.labelsize'] = 10  # X軸刻度大小

保存圖表

plt.savefig('chart.png', dpi=150, bbox_inches='tight', transparent=False)
# dpi: 分辨率 (150=高清, 300=印刷級)
# bbox_inches='tight': 自動裁剪空白
# transparent=True: 透明背景

第二章：Seaborn —— 統(tǒng)計圖表專家

2.1 Seaborn 與 Matplotlib 的關(guān)系

Seaborn 是基于 Matplotlib 的高級封裝，提供了：

更美觀的默認樣式
更簡潔的 API
更好的統(tǒng)計圖表支持
與 Pandas DataFrame 無縫集成

pip install seaborn

import seaborn as sns
import matplotlib.pyplot as plt

# 設(shè)置 Seaborn 樣式
sns.set_theme(style='whitegrid', palette='Set2', font_scale=1.2)

2.2 分布圖

直方圖 + 核密度估計 (KDE)

tips = sns.load_dataset('tips')

fig, axes = plt.subplots(1, 3, figsize=(16, 5))

# 直方圖
sns.histplot(data=tips, x='total_bill', bins=20, kde=True, ax=axes[0])
axes[0].set_title('總賬單分布 (直方圖+KDE)')

# KDE 圖
sns.kdeplot(data=tips, x='total_bill', hue='time', fill=True, ax=axes[1])
axes[1].set_title('按用餐時間的KDE')

# ECDF 圖
sns.ecdfplot(data=tips, x='total_bill', hue='day', ax=axes[2])
axes[2].set_title('經(jīng)驗累積分布函數(shù)')
plt.tight_layout()

運行效果：

箱線圖 + 小提琴圖

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 箱線圖
sns.boxplot(data=tips, x='day', y='total_bill', hue='sex', ax=axes[0])
axes[0].set_title('按日期和性別的賬單分布')

# 小提琴圖（顯示分布形狀）
sns.violinplot(data=tips, x='day', y='total_bill', hue='sex',
               split=True, ax=axes[1])
axes[1].set_title('小提琴圖 - 分布形狀')
plt.tight_layout()

運行效果：

蜂群圖 + 箱線圖組合

fig, ax = plt.subplots(figsize=(10, 6))
sns.boxplot(data=tips, x='day', y='total_bill', color='white', ax=ax)
sns.swarmplot(data=tips, x='day', y='total_bill', color='black',
              alpha=0.6, size=4, ax=ax)
ax.set_title('箱線圖 + 蜂群圖')

運行效果：

2.3 分類圖

柱狀圖

fig, axes = plt.subplots(1, 3, figsize=(18, 5))
# 柱狀圖（帶置信區(qū)間）
sns.barplot(data=tips, x='day', y='total_bill', hue='sex', ax=axes[0])
axes[0].set_title('柱狀圖 (帶95%置信區(qū)間)')
# 計數(shù)圖
sns.countplot(data=tips, x='day', hue='sex', ax=axes[1])
axes[1].set_title('計數(shù)圖')
# 點圖（展示均值和置信區(qū)間）
sns.pointplot(data=tips, x='day', y='total_bill', hue='sex',
              dodge=True, ax=axes[2])
axes[2].set_title('點圖')
plt.tight_layout()

運行效果：

2.4 關(guān)系圖

散點圖矩陣

iris = sns.load_dataset('iris')
sns.pairplot(iris, hue='species', palette='Set2', diag_kind='kde')
plt.suptitle('鳶尾花數(shù)據(jù)集散點圖矩陣', y=1.02)

運行效果：

回歸散點圖

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 線性回歸
sns.regplot(data=tips, x='total_bill', y='tip', ax=axes[0],
            scatter_kws={'alpha': 0.5})
axes[0].set_title('線性回歸擬合')

# 多項式回歸
sns.regplot(data=tips, x='total_bill', y='tip', order=2, ax=axes[1],
            scatter_kws={'alpha': 0.5}, line_kws={'color': 'red'})
axes[1].set_title('多項式回歸擬合')
plt.tight_layout()

運行效果：

聯(lián)合分布圖

g = sns.jointplot(data=tips, x='total_bill', y='tip', kind='reg',
                  height=8, color='#3498db')
g.fig.suptitle('聯(lián)合分布圖', y=1.02)

運行效果：

2.5 矩陣圖

# 熱力圖（相關(guān)系數(shù)矩陣）
fig, ax = plt.subplots(figsize=(10, 8))
corr = tips[['total_bill', 'tip', 'size']].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', center=0,
            square=True, linewidths=1, ax=ax)
ax.set_title('特征相關(guān)系數(shù)熱力圖')

# 聚類熱力圖
g = sns.clustermap(corr, cmap='coolwarm', annot=True, figsize=(8, 8))

運行效果：

第三章：Plotly —— 交互式可視化

3.1 交互式圖表的優(yōu)勢

Plotly 是一個支持交互的可視化庫。與 Matplotlib 生成的靜態(tài)圖片不同，Plotly 的圖表可以在瀏覽器中：

縮放：鼠標滾輪放大/縮小
懸停：鼠標懸停顯示數(shù)據(jù)詳情
平移：拖拽移動視圖
選擇：框選/套索選擇數(shù)據(jù)點
導(dǎo)出：直接保存為 PNG

pip install plotly

3.2 基礎(chǔ)交互圖

import plotly.express as px
import plotly.graph_objects as go
import pandas as pd
import numpy as np

# Plotly Express - 最簡潔的 API
df = px.data.gapminder().query("year == 2007")
fig = px.scatter(df, x='gdpPercap', y='lifeExp',
                 size='pop', color='continent',
                 hover_name='country',
                 log_x=True, size_max=60,
                 title='2007年各國GDP vs 預(yù)期壽命')
fig.show()

運行效果：

折線圖

df = px.data.stocks()
fig = px.line(df, x='date', y=['GOOG', 'AAPL', 'MSFT'],
              title='科技股股價走勢',
              labels={'value': '股價', 'date': '日期', 'variable': '公司'})
fig.update_layout(hovermode='x unified')
fig.show()

運行效果：

3D 散點圖

df = px.data.iris()
fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_length',
                     color='species', size='petal_width',
                     title='鳶尾花 3D 散點圖')
fig.update_layout(margin=dict(l=0, r=0, b=0, t=40))
fig.show()

運行效果：

3.3 子圖與布局

from plotly.subplots import make_subplots

fig = make_subplots(
    rows=2, cols=2,
    subplot_titles=('折線圖', '柱狀圖', '散點圖', '面積圖'),
    vertical_spacing=0.12, horizontal_spacing=0.1
)

x = np.linspace(0, 10, 100)

# 折線圖
fig.add_trace(go.Scatter(x=x, y=np.sin(x), name='sin(x)'), row=1, col=1)

# 柱狀圖
fig.add_trace(go.Bar(x=['A', 'B', 'C'], y=[30, 50, 20], name='分類'), row=1, col=2)

# 散點圖
fig.add_trace(go.Scatter(x=np.random.randn(100), y=np.random.randn(100),
                         mode='markers', name='散點'), row=2, col=1)

# 面積圖
fig.add_trace(go.Scatter(x=x, y=np.exp(-x/3), fill='tozeroy', name='衰減'), row=2, col=2)

fig.update_layout(title_text='Plotly 子圖布局', height=700, showlegend=True)
fig.show()

運行效果：

三庫對比與選擇指南

特性	Matplotlib	Seaborn	Plotly
交互性	靜態(tài)	靜態(tài)	完全交互
代碼量	多	少	中等
自定義能力	最強	中等	強
默認美觀度	一般	很好	很好
學(xué)習(xí)曲線	中等	低	低
Pandas集成	一般	優(yōu)秀	良好
輸出格式	PNG/PDF/SVG	PNG/PDF/SVG	HTML/PNG
適合場景	論文/報告	EDA/分析	儀表盤/Web
3D支持	有	無	優(yōu)秀
動畫支持	有	無	優(yōu)秀