折線圖（plot）

繪圖庫介紹

Python中繪制折線圖的全面指南_python繪制折線圖-CSDN博客https://blog.csdn.net/2301_81064905/article/details/139689644

核心作用	說明
趨勢分析	揭示數據隨時間推移的上升/下降趨勢、周期性波動或轉折點
變化對比	在單一圖表中對比多個變量（如不同產品銷量）的變化軌跡
異常檢測	快速識別數據中的突變點（如系統故障、市場異動）
連續性表達	強調數據在連續維度（時間、順序）上的演變過程
預測參考	基于歷史趨勢推斷未來走向（需結合統計模型）

場景分類	具體案例	圖表特點
時間序列分析	? 股票價格波動 ? 月度銷售額變化 ? 年度氣溫趨勢	X軸為時間單位 Y軸為連續數值
性能監控	? 服務器CPU使用率 ? 網站日活用戶數 ? 應用程序響應延遲	常需實時更新 突出異常閾值
科學實驗	? 化學試劑濃度變化 ? 物理實驗測量值 ? 生物種群數量追蹤	強調變量間關系 需誤差線輔助
商業決策	? 不同渠道獲客成本對比 ? 產品迭代的用戶留存率 ? 營銷活動ROI趨勢	多線對比 標注關鍵節點
健康管理	? 患者體溫監測 ? 運動心率變化 ? 血糖水平記錄	個人數據跟蹤 關聯事件標記

?基礎參數（Underlying Parameter）

plt.plot(x, y, fmt, **kwargs)
#或者
ax.plot(x, y, fmt, **kwargs)

參數	描述	示例
x	X軸數據 (可迭代對象)	[1, 2, 3, 4]
y	Y軸數據 (可迭代對象)	[5, 3, 8, 2]
fmt	格式字符串 (顏色-標記-線型)	'ro--'?(紅色圓圈虛線)

顏色 (Color)

代碼	顏色	示例
'b'	藍色	'b'
'g'	綠色	'g'
'r'	紅色	'r'
'c'	青色	'c'
'm'	品紅	'm'
'y'	黃色	'y'
'k'	黑色	'k'
'w'	白色	'w'

?標記 (Marker)

代碼	標記	示例
'.'	點	'.'
'o'	圓圈	'o'
's'	正方形	's'
'D'	菱形	'D'
'^'	上三角	'^'
'v'	下三角	'v'
'+'	加號	'+'
'x'	叉號	'x'
'*'	星號	'*'

線型 (Linestyle)

代碼	線型	示例
'-'	實線	'-'
'--'	虛線	'--'
'-.'	點劃線	'.-'
':'	點線	':'

?如果想實現更加精細的控制可以用下述的參數。

線條控制（Line Control）

• color?/?c: 線條顏色 (名稱或十六進制)

• linestyle?/?ls: 線型樣式

• linewidth?/?lw: 線寬 (浮點數)

• alpha: 透明度 (0-1)

標記控制（Mark Control）

• marker: 標記樣式

• markersize?/?ms: 標記大小

• markeredgecolor?/?mec: 標記邊緣顏色

• markerfacecolor?/?mfc: 標記填充顏色

其他控制(Other Controls）

• label: 圖例標簽

• visible: 是否顯示 (True/False)

• zorder: 繪圖順序 (數值越大越靠前)

特殊參數(Special Parameters)

• data: 指定數據來源對象 (如DataFrame)

• scalex,?scaley: 是否自動縮放坐標軸 (默認為True)

返回值(Returned Value)

plot()?函數返回一個包含?Line2D?對象的列表，每個對象代表繪制的一條線。這些對象可用于后續的圖形操作。

示例代碼

import matplotlib.pyplot as plt
import numpy as np# 設置中文顯示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus'] = False    # 用來正常顯示負號# 創建數據
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']
sales = [85, 70, 92, 88, 78, 95, 105, 112, 98, 120, 135, 150]# 創建圖表和坐標軸
fig, ax = plt.subplots(figsize=(12, 8))  # 增加高度以容納表格# 繪制折線圖
line, = ax.plot(months, sales, marker='o', linestyle='-', color='#1f77b4',linewidth=2, markersize=8, label='月銷售額')# 添加數據點標簽
for i, (m, s) in enumerate(zip(months, sales)):ax.annotate(f'{s}萬',  # 標簽文本xy=(i, s),  # 數據點位置xytext=(0, 10),  # 文本位置偏移量textcoords='offset points',ha='center',  # 水平居中fontsize=9,color='dimgray')# 添加最高點注解
max_index = sales.index(max(sales))
ax.annotate('年度最高銷售額',xy=(max_index, sales[max_index]),xytext=(max_index-1, sales[max_index]-20),arrowprops=dict(arrowstyle='->', color='red', connectionstyle="arc3"),fontsize=10,bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="red", alpha=0.8),color='red')# 添加趨勢線（線性回歸）
x = np.arange(len(months))
fit = np.polyfit(x, sales, 1)
trend_line = np.polyval(fit, x)
ax.plot(months, trend_line, 'r--', label='銷售趨勢')# 添加標題和標簽
ax.set_title('2023年公司月度銷售額分析', fontsize=16, pad=20)
ax.set_xlabel('月份', fontsize=12, labelpad=10)
ax.set_ylabel('銷售額 (萬元)', fontsize=12, labelpad=10)# 設置網格線
ax.grid(True, linestyle='--', alpha=0.7)# 設置Y軸范圍
ax.set_ylim(60, 160)# 添加圖例
ax.legend(loc='upper left', frameon=True, shadow=True)# 修正后的數據表格 - 使用更合理的布局
# 準備表格數據
table_data = [['月份'] + months,['銷售額(萬)'] + [str(s) for s in sales]
]# 創建表格
table = plt.table(cellText=table_data,cellLoc='center',loc='bottom',bbox=[0, -0.25, 1, 0.15]  # 調整表格位置和大小
)# 設置表格樣式
table.auto_set_font_size(False)
table.set_fontsize(10)
table.scale(1, 1.5)  # 增加行高# 設置表頭樣式
for i in range(2):table[(0, i)].set_facecolor('#f0f0f0')table[(0, i)].set_text_props(weight='bold')# 設置最高值單元格樣式
table[(1, max_index+1)].set_facecolor('#ffdddd')
table[(1, max_index+1)].set_text_props(color='red', weight='bold')# 調整布局
plt.subplots_adjust(bottom=0.2)  # 為表格留出適當空間# 添加腳注
plt.figtext(0.5, 0.01, '數據來源: 公司財務部 | 制圖日期: 2023-12-31 | 單位: 萬元',ha='center', fontsize=9, color='gray')
# 保存圖表為圖片
plt.savefig('line_chart.png',dpi=300,bbox_inches='tight',facecolor='white',  # 設置背景色edgecolor='none'    # 去除邊框
)# 顯示圖表
plt.show()

散點圖（scatter）

繪圖庫介紹

建筑兔零基礎自學python記錄8|學畫散點圖/Scatter plot-CSDN博客https://blog.csdn.net/tzcnancy/article/details/145395941

核心作用	說明
相關性分析	直觀展示變量間的正相關/負相關/無相關關系
分布模式識別	發現數據聚類、離群點或非線性模式
異常值檢測	快速定位偏離主體分布的異常數據點
變量關系探索	為回歸分析、聚類等建模提供前期洞察
多維數據映射	通過顏色/大小添加第三、第四維度信息

場景分類	具體案例	圖表特點
科學研究	? 身高與體重的關系 ? 藥物劑量與療效關聯 ? 基因表達相關性	常配合回歸線 使用顏色區分實驗組
商業分析	? 廣告投入與銷售額 ? 用戶年齡與消費金額 ? 產品特性偏好	氣泡大小表示交易量 多組數據對比
金融風控	? 收入與信用評分 ? 交易頻率與金額 ? 欺詐行為識別	突出異常點 劃分風險區域
工業制造	? 溫度與產品良率 ? 壓力與材料強度 ? 設備參數優化	標注控制邊界 顯示誤差范圍
地理信息	? 城市人口與GDP ? 氣候站溫濕度分布 ? 疫情傳播熱點	結合地圖坐標 熱力圖疊加

?函數簽名(Function Signature)

plt.scatter(x, y,                     # 必需：點的坐標s=None,                   # 點的大小c=None,                   # 點的顏色marker=None,              # 點的形狀cmap=None,                # 顏色映射norm=None,                # 顏色歸一化vmin=None, vmax=None,     # 顏色范圍限制alpha=None,               # 透明度linewidths=None,          # 邊緣線寬edgecolors=None,          # 邊緣顏色plotnonfinite=False,      # 是否繪制非有限值data=None,                # 數據源**kwargs                  # 其他屬性
)

必需參數(Required Parameter)

參數	類型	說明
x, y	array-like	點的 x 和 y 坐標數據（長度必須相同）

?主要可選參數(Main Selectable Parameters)

參數	類型	默認值	說明
s	scalar or array	None?(20)	點的大小（以點為單位，是面積的平方）
c	color or array	None?('b')	點的顏色（單一顏色或數值數組）
marker	str	'o'	點的形狀（'o',?'s',?'^',?'D'?等）
alpha	scalar	None	透明度（0-1，0完全透明）
linewidths	scalar or array	None?(1.5)	點邊緣的線寬
edgecolors	color or array	'face'	點邊緣的顏色（'face'表示與填充色相同）

顏色映射參數(Color Mapping Parameters)

參數	說明
cmap	顏色映射對象或名稱（如?'viridis',?'jet',?'coolwarm'）
norm	歸一化對象（用于將數值映射到 [0,1] 區間）
vmin, vmax	與?norm?結合使用，定義顏色映射的數據范圍

其他參數(Other Parameters)

參數	說明
plotnonfinite	是否繪制 NaN 或 inf 值（默認 False）
data	數據源對象（可使用列名代替數據數組）
label	用于圖例的標簽
zorder	繪圖順序（數值越大越靠上）

示例代碼

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.font_manager as fm
from scipy.stats import pearsonr# 在繪圖代碼前添加字體設置
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei', 'Arial']  # 優先使用支持符號的字體
plt.rcParams['axes.unicode_minus'] = False  # 解決負號顯示問題# ==================== 解決中文顯示問題 ====================
# 方法1：嘗試使用系統自帶的中文字體
try:# Windows 系統常用中文字體路徑font_path = 'C:/Windows/Fonts/simhei.ttf'  # 黑體# font_path = 'C:/Windows/Fonts/msyh.ttc'  # 微軟雅黑chinese_font = fm.FontProperties(fname=font_path)plt.rcParams['font.family'] = 'sans-serif'font_entry = fm.findfont(fm.FontProperties(fname=font_path))plt.rcParams['font.sans-serif'] = [fm.get_font(font_entry).family_name]use_custom_font = True
except:# 方法2：嘗試使用Matplotlib內置的中文支持plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'KaiTi', 'FangSong', 'STXihei', 'sans-serif']plt.rcParams['axes.unicode_minus'] = False  # 解決負號顯示問題use_custom_font = False# 方法3：如果上述方法都不行，使用英文標題
use_english = False  # 設為True則使用英文標題# ==================== 創建模擬數據 ====================
# 設置隨機種子確保結果可復現
np.random.seed(42)# 生成數據點數量
n = 150# 創建正相關數據
positive_x = np.random.randn(n) * 2
positive_y = positive_x * 1.5 + np.random.randn(n) * 1.5# 創建負相關數據
negative_x = np.random.randn(n) * 2 + 8
negative_y = negative_x * (-1.2) + np.random.randn(n) * 1.8 + 15# 創建無相關數據
random_x = np.random.randn(n) * 2 + 4
random_y = np.random.randn(n) * 3 + 8# 組合所有數據
all_x = np.concatenate([positive_x.ravel(), negative_x.ravel(), random_x.ravel()])
all_y = np.concatenate([positive_y.ravel(), negative_y.ravel(), random_y.ravel()])
categories = np.array(['正相關'] * n + ['負相關'] * n + ['無相關'] * n)
sizes = np.abs(np.random.randn(3 * n) * 30 + 20)  # 點的大小
colors = np.random.rand(3 * n)  # 點的顏色值# ==================== 創建散點圖 ====================
plt.figure(figsize=(14, 10))# 繪制不同類別的散點
for i, category in enumerate(['正相關', '負相關', '無相關']):idx = categories == categoryplt.scatter(all_x[idx], all_y[idx],s=sizes[idx],c=colors[idx],alpha=0.7,  # 透明度edgecolor='black',  # 點邊緣顏色linewidths=0.5,  # 點邊緣寬度label=category,  # 圖例標簽cmap='viridis')  # 顏色映射# ==================== 添加注解和裝飾 ====================# 添加標題和坐標軸標簽
if use_english or not use_custom_font:plt.title('Scatter Plot with Detailed Annotations', fontsize=18, pad=20)plt.xlabel('X Variable', fontsize=14)plt.ylabel('Y Variable', fontsize=14)
else:plt.title('帶詳細注解的散點圖示例', fontsize=18, pad=20)plt.xlabel('X 變量', fontsize=14)plt.ylabel('Y 變量', fontsize=14)# 添加網格線
plt.grid(True, linestyle='--', alpha=0.3)# 添加圖例
plt.legend(title='相關類型' if not use_english else 'Correlation Type',loc='upper right',frameon=True,shadow=True,fancybox=True)# 計算并顯示相關系數
corr_pos, _ = pearsonr(positive_x, positive_y)
corr_neg, _ = pearsonr(negative_x, negative_y)
corr_rand, _ = pearsonr(random_x, random_y)if use_english or not use_custom_font:plt.text(-7, 25, f'Positive Correlation: r = {corr_pos:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(5, 25, f'Negative Correlation: r = {corr_neg:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(0, -5, f'No Correlation: r = {corr_rand:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))# 添加解釋性文本plt.text(-7, 22, '? Points show clear upward trend\n? Strong positive relationship',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(5, 22, '? Points show clear downward trend\n? Strong negative relationship',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(0, -8, '? Points are randomly scattered\n? No discernible relationship',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))
else:plt.text(-7, 25, f'正相關: r = {corr_pos:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(5, 25, f'負相關: r = {corr_neg:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))plt.text(0, -5, f'無相關: r = {corr_rand:.2f}',fontsize=12, bbox=dict(facecolor='white', alpha=0.8))# 添加解釋性文本plt.text(-7, 22, '? 點呈現明顯上升趨勢\n? 強正相關關系',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(5, 22, '? 點呈現明顯下降趨勢\n? 強負相關關系',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))plt.text(0, -8, '? 點隨機分布\n? 無明顯相關關系',fontsize=10, bbox=dict(facecolor='lightyellow', alpha=0.7))# 添加趨勢線
z_pos = np.polyfit(positive_x, positive_y, 1)
p_pos = np.poly1d(z_pos)
plt.plot(positive_x, p_pos(positive_x), "r--", linewidth=1.5)z_neg = np.polyfit(negative_x, negative_y, 1)
p_neg = np.poly1d(z_neg)
plt.plot(negative_x, p_neg(negative_x), "b--", linewidth=1.5)# 添加顏色條
scatter = plt.scatter([], [], c=[], cmap='viridis')  # 創建用于顏色條的空散點圖
cbar = plt.colorbar(scatter, shrink=0.8)
if use_english or not use_custom_font:cbar.set_label('Color Value', rotation=270, labelpad=15)
else:cbar.set_label('顏色值', rotation=270, labelpad=15)# 添加尺寸圖例（氣泡大小表示）
sizes_legend = [30, 60, 90]
for size in sizes_legend:plt.scatter([], [], s=size, c='gray', alpha=0.6, edgecolor='black',label=f'{size} px' if use_english or not use_custom_font else f'{size} 像素')
plt.legend(title='點尺寸' if not use_english else 'Point Size',loc='lower right',frameon=True,labelspacing=1.5,handletextpad=1.5)# 添加腳注
plt.figtext(0.5, 0.01,'數據來源: 模擬數據 | 制圖日期: 2023-10-15 | 點的大小和顏色代表額外維度信息'if not use_english and use_custom_fontelse 'Data Source: Simulated Data | Date: 2023-10-15 | Size and color represent additional dimensions',ha='center', fontsize=9, color='gray')# 調整布局
plt.tight_layout(pad=3.0)
plt.subplots_adjust(bottom=0.1)  # 為腳注留出空間# ==================== 保存和顯示圖表 ====================
plt.savefig('scatter_diagram.png', dpi=300, bbox_inches='tight')  # 保存高分辨率圖片
plt.show()

柱狀圖/條形圖（bar/barh)

繪圖庫介紹

Python可視化 --柱形圖_python 柱狀圖-CSDN博客https://blog.csdn.net/m0_73299799/article/details/136437184

最全Python繪制條形圖（柱狀圖）_數據分析-CSDN專欄https://download.csdn.net/blog/column/10599192/113642589

核心作用	關鍵說明	適用場景
類別比較	清晰對比不同分類項目的數值差異	產品銷量對比、部門績效評估
分布展示	顯示離散數據的頻率分布情況	用戶年齡分布、故障類型統計
趨勢分析	展示數據隨時間變化的趨勢（離散時間點）	月度銷售額、季度增長率
排名呈現	直觀顯示項目的排序位置	城市GDP排名、熱門商品排行
構成分析	展示整體中各部分的組成關系	收入來源構成、時間分配比例

函數簽名（Function Signature）

ax.bar(x,                # 條形的x坐標height,            # 條形的高度（y值）width=0.8,         # 條形的寬度（默認0.8）bottom=None,       # 條形的底部基準（用于堆疊圖）align='center',    # 條形對齊方式：'center' 或 'edge'**kwargs           # 其他樣式參數（顏色、邊框等）
)ax.barh(y, width, height=0.8, left=None, *, align='center', **kwargs
)

關鍵參數詳解

bar函數

參數	類型	說明
x	float 或 array-like	條形的中心位置（若?align='center'）或左側邊緣（若?align='edge'）
height	float 或 array-like	條形的高度（y軸方向的值）
width	float 或 array-like	條形的寬度（默認0.8）。值范圍建議?[0, 1]，避免重疊
bottom	float 或 array-like	條形的起始高度（y軸基準），用于堆疊圖（默認從0開始）
align	{'center', 'edge'}	對齊方式： -?'center'：條形中心位于?x?坐標處 -?'edge'：條形左側邊緣位于?x?坐標處

barh函數?

參數	說明	示例值
y	條形在 y 軸的位置（類別）	[0, 1, 2]
width	條形的長度（數值）	[30, 50, 20]
height	條形的粗細（高度）	0.5
left	條形起始的 x 坐標（用于堆疊）	[0, 30, 80]
align	對齊方式	'center'?或?'edge'
color	條形顏色	'skyblue',?['r','g','b']
edgecolor	邊框顏色	'black'
linewidth	邊框寬度	1.5
alpha	透明度	0.7
label	圖例標簽	'Sales'
xerr/yerr	誤差線	數組或標量

常用樣式參數 (**kwargs)?

bar函數

參數	說明
color	填充顏色（支持顏色名、十六進制碼、RGB元組） 例：color='skyblue'、color=['r','g','b']
edgecolor	邊框顏色（默認：'black'）
linewidth	邊框寬度（默認：1.0）
alpha	透明度（0透明 ~?1不透明）
label	圖例標簽（用于ax.legend()）
tick_label	替換x軸刻度的標簽（長度需與x一致） 例：tick_label=['A','B','C']

返回值

返回一個?BarContainer?對象，包含所有條形（Rectangle?實例），可通過它進一步調整樣式。?

柱狀圖和條形圖對比

特征	柱狀圖 (Column Chart)	條形圖 (Bar Chart)
方向	垂直 (↑)	水平 (→)
坐標軸	x軸=分類，y軸=數值	y軸=分類，x軸=數值
最佳場景	時間序列、少量類別	長文本標簽、大量類別、排名
Matplotlib函數	ax.bar()	ax.barh()
閱讀順序	從左到右	從上到下
數據限制	類別名過長時標簽會重疊	處理長類別名更友好

示例代碼

import matplotlib.pyplot as plt
import numpy as np# 設置中文字體支持
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False# 創建數據
categories = ['蘋果', '香蕉', '橙子', '葡萄', '芒果']
values_bar = [35, 28, 42, 25, 38]
values_barh = [120, 95, 150, 80, 130]
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFBE0B', '#FB5607']# 創建畫布
fig = plt.figure(figsize=(14, 10), facecolor='#f8f9fa')
fig.suptitle('水果銷售數據分析', fontsize=20, fontweight='bold', color='#2a4d69')# 創建柱狀圖
ax1 = fig.add_subplot(2, 2, 1)
bars = ax1.bar(categories, values_bar, color=colors, edgecolor='white', linewidth=2, alpha=0.9)
ax1.set_title('水果銷售額柱狀圖', fontsize=14, pad=20, color='#2a4d69')
ax1.set_ylabel('銷售額 (萬元)', fontsize=12)
ax1.set_ylim(0, 50)
ax1.grid(axis='y', linestyle='--', alpha=0.7)# 添加數據標簽
for bar in bars:height = bar.get_height()ax1.annotate(f'{height}',xy=(bar.get_x() + bar.get_width() / 2, height),xytext=(0, 3),  # 3 points vertical offsettextcoords="offset points",ha='center', va='bottom',fontsize=10, fontweight='bold')# 添加箭頭注解
ax1.annotate('橙子銷量最高',xy=(2, 42),xytext=(3, 45),arrowprops=dict(arrowstyle='->', color='#2a4d69', lw=1.5, connectionstyle="arc3,rad=0.2"),fontsize=10, color='#2a4d69', bbox=dict(boxstyle="round,pad=0.3", fc='white', ec='#2a4d69', alpha=0.8))# 創建水平條形圖
ax2 = fig.add_subplot(2, 2, 2)
bars_h = ax2.barh(categories, values_barh, color=colors, edgecolor='white', linewidth=2, alpha=0.9)
ax2.set_title('水果銷量條形圖', fontsize=14, pad=20, color='#2a4d69')
ax2.set_xlabel('銷量 (噸)', fontsize=12)
ax2.set_xlim(0, 170)
ax2.grid(axis='x', linestyle='--', alpha=0.7)# 添加數據標簽
for bar in bars_h:width = bar.get_width()ax2.annotate(f'{width}',xy=(width, bar.get_y() + bar.get_height() / 2),xytext=(5, 0),  # 向右偏移5點textcoords="offset points",ha='left', va='center',fontsize=10, fontweight='bold')# 添加圓圈注解
ax2.annotate('芒果銷量突出',xy=(130, 4),xytext=(140, 3.5),arrowprops=dict(arrowstyle='->', color='#2a4d69', lw=1.5),fontsize=10, color='#2a4d69',bbox=dict(boxstyle="circle,pad=0.3", fc='#FB5607', ec='white', alpha=0.7))# 創建堆疊柱狀圖
ax3 = fig.add_subplot(2, 2, 3)
quarter = ['第一季度', '第二季度', '第三季度', '第四季度']
fruit_a = [20, 35, 30, 25]
fruit_b = [15, 25, 20, 30]
fruit_c = [10, 20, 25, 15]bottom = np.zeros(len(quarter))
fruits = [fruit_a, fruit_b, fruit_c]
fruit_names = ['蘋果', '香蕉', '橙子']for i, fruit in enumerate(fruits):bars = ax3.bar(quarter, fruit, bottom=bottom, color=colors[i],edgecolor='white', linewidth=1, alpha=0.9, label=fruit_names[i])bottom += fruit# 在每段上添加標簽for j, bar in enumerate(bars):height = bar.get_height()if height > 0:  # 僅當高度大于0時添加標簽ax3.annotate(f'{height}',xy=(bar.get_x() + bar.get_width() / 2, bar.get_y() + height / 2),ha='center', va='center',color='white', fontsize=9, fontweight='bold')ax3.set_title('季度水果銷量堆疊圖', fontsize=14, pad=20, color='#2a4d69')
ax3.set_ylabel('銷量 (噸)', fontsize=12)
ax3.legend(loc='upper right')
ax3.grid(axis='y', linestyle='--', alpha=0.7)# 添加區域注解
ax3.annotate('香蕉銷量顯著增長',xy=(1, 45),xytext=(0.5, 60),arrowprops=dict(arrowstyle='fancy', color='#4ECDC4', lw=1.5, connectionstyle="arc3,rad=0.3"),fontsize=10, color='#2a4d69',bbox=dict(boxstyle="round,pad=0.3", fc='#4ECDC4', ec='#2a4d69', alpha=0.3))# 創建分組條形圖
ax4 = fig.add_subplot(2, 2, 4)
x = np.arange(len(quarter))
width = 0.25# 創建分組數據
bars1 = ax4.bar(x - width, fruit_a, width, color=colors[0], label='蘋果', alpha=0.9)
bars2 = ax4.bar(x, fruit_b, width, color=colors[1], label='香蕉', alpha=0.9)
bars3 = ax4.bar(x + width, fruit_c, width, color=colors[2], label='橙子', alpha=0.9)ax4.set_title('季度水果銷量對比', fontsize=14, pad=15, color='#2a4d69')
ax4.set_xticks(x)
ax4.set_xticklabels(quarter)
ax4.legend()
ax4.grid(axis='y', linestyle='--', alpha=0.7)# 添加數據標簽
for bars in [bars1, bars2, bars3]:for bar in bars:height = bar.get_height()ax4.annotate(f'{height}',xy=(bar.get_x() + bar.get_width() / 2, height),xytext=(0, 3),textcoords="offset points",ha='center', va='bottom',fontsize=9)# 添加連接線注解
ax4.annotate('橙子銷量在第三季度最高',xy=(2.25, 25),xytext=(2.1, 40),arrowprops=dict(arrowstyle='->', color='#45B7D1', lw=1.5, connectionstyle="arc3,rad=0.3"),fontsize=10, color='#2a4d69',bbox=dict(boxstyle="round,pad=0.3", fc='#45B7D1', ec='#2a4d69', alpha=0.3))# 添加圖例說明
fig.text(0.5, 0.02, '數據來源: 2023年水果市場銷售報告 | 可視化: Matplotlib',ha='center', fontsize=10, color='#4b86b4', alpha=0.7)# 調整布局
plt.tight_layout(rect=(0, 0.03, 1, 0.95))  # 將方括號改為圓括號
plt.subplots_adjust(wspace=0.3, hspace=0.3)# 保存為圖片
plt.savefig('bar_Graph.png', dpi=300, bbox_inches='tight', facecolor=fig.get_facecolor())# 添加自定義水印
fig.text(0.5, 0.5, '可視化示例',fontsize=60, color='gray', alpha=0.1,ha='center', va='center', rotation=30)plt.show()

餅圖/環形圖（pie）

繪圖庫介紹

python畫圖|餅圖繪制教程_python畫餅圖-CSDN博客https://blog.csdn.net/weixin_44855046/article/details/141863459

核心作用	關鍵說明	優勢
比例可視化	直觀顯示部分在整體中的占比	一眼看懂構成關系
重點突出	強調關鍵組成部分的主導地位	聚焦核心要素
簡單對比	快速比較2-5個部分的相對大小	避免復雜數據處理
整體意識	強化"100%"的整體概念	自然傳達完整性

函數簽名（Function Signature）

ax.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6,shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True,wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False,*, normalize=True, data=None
)

核心參數詳解

參數	類型	說明	默認值
x	數組	每個扇形的數值（自動歸一化計算百分比）	必填
explode	數組	扇形偏移中心的距離（比例值，如?[0, 0.1, 0]）	None
labels	列表	每個扇形的標簽文本	None
colors	列表	扇形顏色（支持顏色名或 HEX）	當前色彩循環
autopct	字符串/函數	顯示百分比的格式（如?'%1.1f%%'）	None
pctdistance	浮點數	百分比文本離圓心的距離（半徑比例）	0.6
labeldistance	浮點數	標簽文本離圓心的距離（半徑比例）	1.1
startangle	浮點數	起始繪制角度（0 表示正東方向，逆時針旋轉）	0
radius	浮點數	餅圖半徑	1
wedgeprops	字典	扇形屬性（如邊緣顏色、線寬：{'edgecolor': 'black', 'linewidth': 2}）	None
textprops	字典	文本屬性（如字體大小、顏色：{'fontsize': 12, 'color': 'red'}）	None
rotatelabels	布爾值	是否旋轉標簽至對應扇形角度	False
shadow	布爾值	是否添加陰影效果	False

?返回值

返回三個對象組成的元組：

1. wedges: 扇形對象列表（matplotlib.patches.Wedge）

2. texts: 標簽文本對象列表（Text）

3. autotexts: 百分比文本對象列表（若?autopct=None?則為空列表）

餅圖和環形圖對比

特性	餅狀圖	環形圖	嵌套環形圖
結構	實心圓	空心圓	多層同心空心圓
中心區域	無特殊用途	可放置匯總數據	通常留空
數據維度	單層數據	單層數據	多層數據
比例表示	扇形面積	弧長	弧長
Matplotlib參數	默認	wedgeprops={'width':x}	多pie()調用+不同radius
視覺重心	整體比例	部分與整體關系	跨數據集比較

示例代碼

import matplotlib.pyplot as plt# 設置中文字體支持
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 創建1行3列的子圖布局，調整寬度比例
fig, axes = plt.subplots(1, 3, figsize=(20, 7),gridspec_kw={'width_ratios': [1, 1, 1.2]})  # 增加第三個子圖寬度# -------------------- 第一個子圖：基礎餅圖 --------------------
ax1 = axes[0]
labels1 = ['蘋果', '香蕉', '橙子', '葡萄']
sizes1 = [30, 25, 20, 25]
colors1 = ['#FF9999', '#66B3FF', '#99FF99', '#FFCC99']
explode = (0.05, 0, 0, 0)wedges1, texts1, autotexts1 = ax1.pie(sizes1,explode=explode,labels=labels1,colors=colors1,autopct='%1.1f%%',startangle=90,shadow=True,textprops={'fontsize': 10}
)for autotext in autotexts1:autotext.set_color('white')autotext.set_fontweight('bold')ax1.set_title('基礎餅圖', fontsize=14, pad=15)
ax1.axis('equal')# -------------------- 第二個子圖：環形圖 --------------------
ax2 = axes[1]
labels2 = ['蘋果', '香蕉', '橙子', '葡萄', '其他']
sizes2 = [25, 30, 15, 20, 10]
colors2 = ['#FF6B6B', '#4ECDC4', '#FFE66D', '#6A0572', '#1A535C']wedges2, texts2, autotexts2 = ax2.pie(sizes2,colors=colors2,startangle=90,wedgeprops=dict(width=0.4, edgecolor='w'),autopct=lambda p: f'{p:.1f}%' if p > 5 else '',pctdistance=0.85
)centre_circle = plt.Circle((0,0), 0.3, fc='white')
ax2.add_artist(centre_circle)
ax2.text(0, 0, '水果總銷量', ha='center', va='center', fontsize=12)ax2.set_title('環形圖', fontsize=14, pad=15)
ax2.axis('equal')# -------------------- 第三個子圖：嵌套環形圖 --------------------
ax3 = axes[2]# 數據
inner_labels = ['蘋果', '香蕉', '其他']
inner_sizes = [40, 35, 25]
outer_labels = ['紅富士', '青蘋果', '進口蕉', '本地蕉', '橙子', '葡萄', '草莓']
outer_sizes = [15, 25, 20, 15, 10, 10, 5]# 顏色
inner_colors = ['#FF6B6B','#4ECDC4','#1A535C']
outer_colors = ['#FF9999', '#FF6B6B', '#88D8C0', '#4ECDC4', '#FFE66D', '#6A0572', '#1A535C']# 繪制外環（縮小尺寸）
wedges_outer, _, autotexts_outer = ax3.pie(outer_sizes,radius=1.0,  # 縮小半徑colors=outer_colors,wedgeprops=dict(width=0.3, edgecolor='w'),  # 減小環寬startangle=90,pctdistance=0.85,autopct=lambda p: f'{p:.1f}%' if p > 4 else ''
)# 繪制內環
wedges_inner, _, autotexts_inner = ax3.pie(inner_sizes,radius=1.0 - 0.3,  # 相應縮小內環半徑colors=inner_colors,wedgeprops=dict(width=0.3, edgecolor='w'),startangle=90,pctdistance=0.75,autopct='%1.1f%%'
)# 添加中心文字
ax3.text(0, 0, '水果分類', ha='center', va='center', fontsize=12, weight='bold')# 優化圖例：放在下方并分兩列顯示
legend = ax3.legend(wedges_outer + wedges_inner,outer_labels + inner_labels,title="水果種類",loc='upper center',bbox_to_anchor=(-0.68, 0),  # 放在下方ncol=3,  # 分三列顯示fontsize=9
)
legend.get_title().set_fontsize(10)  # 圖例標題字號ax3.set_title('嵌套環形圖', fontsize=14, pad=15)
ax3.axis('equal')# -------------------- 整體設置和保存 --------------------
plt.suptitle('水果銷售數據可視化分析', fontsize=18, weight='bold')# 調整子圖間距和整體布局
plt.tight_layout()
plt.subplots_adjust(top=0.85, bottom=0.2, wspace=0.3)  # 增加底部空間和子圖間距# 保存圖像（提高DPI）
plt.savefig('pie_charts_comparison.png', dpi=300, bbox_inches='tight')
plt.savefig('pie_charts_comparison.pdf', bbox_inches='tight')  # PDF格式更清晰print("圖像已保存為 'pie_charts_comparison.png' 和 'pie_charts_comparison.pdf'")# 顯示圖像
plt.show()

直方圖(hist)

繪圖庫介紹

Python繪圖-5直方圖_python繪制直方圖-CSDN博客https://blog.csdn.net/2202_75971130/article/details/135192791

作用	說明
1. 展示數據分布	揭示數據集中在哪些區間、分散程度如何（如單峰、雙峰、左偏/右偏）。
2. 識別中心趨勢	通過最高柱子的位置快速定位數據密集區（眾數所在區間）。
3. 分析離散程度	柱子寬度和分散情況反映數據波動范圍（越分散說明數據差異越大）。
4. 檢測異常值	遠離主分布區的孤立柱子可能暗示異常值。
5. 判斷分布形狀	對稱（正態分布）、左偏（數據集中在右側）、右偏（數據集中在左側）、多峰等。
6. 比較不同數據集	疊加多個直方圖可對比不同群體的分布差異（如A/B測試結果）。

函數簽名（Function Signature）

n, bins, patches = ax.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False, **kwargs
)

核心參數詳解?

參數	默認值	類型	說明	常用值/示例
x	必填	數組	輸入數據	[1, 2, 3, 4, 5]
bins	'auto'	int/序列/str	分箱數量或邊界	10（分10箱） [0,5,10,20]（自定義邊界） 'sturges'（自動計算）
range	None	元組	數據范圍限制	(0, 100)（僅統計0-100）
density	False	bool	歸一化處理	True（面積=1的概率密度）
weights	None	數組	數據點權重	[0.1, 0.2, 0.3, ...]
cumulative	False	bool/int	累積分布	True（正向累積） -1（反向累積）
bottom	None	標量/數組	基線位置	10（所有柱子從y=10開始）
histtype	'bar'	str	直方圖類型	'bar'（傳統柱狀） 'step'（線框） 'stepfilled'（填充線框）
align	'mid'	str	柱子對齊方式	'mid'（居中） 'left'（左對齊） 'right'（右對齊）
orientation	'vertical'	str	方向	'vertical'（垂直） 'horizontal'（水平）
rwidth	None	float	柱子相對寬度	0.8（占bin寬80%）
log	False	bool	對數坐標	True（y軸對數化）
color	None	str/列表	顏色	'skyblue' ['r','g','b']
label	None	str	圖例標簽	'Male'
stacked	False	bool	堆疊顯示	True（多組數據堆疊）
alpha	1.0	float	透明度	0.7（半透明效果）

?返回值

• n: 數組，每個 bin 的頻數（或密度值）。

• bins: 數組，bin 的邊界值（長度為?len(n)+1）。

• patches: 直方圖矩形對象列表（用于自定義樣式）。

直方圖和柱狀圖對比?

特征	直方圖 (Histogram)	柱狀圖 (Bar Chart)
數據性質	連續數值數據	分類數據（或離散數值）
X軸含義	數值區間（Bin）	類別標簽（如國家、產品）
柱子間距	無間距（表示連續區間）	有間距（強調獨立性）
柱子寬度	可不等寬（由數據分布決定）	通常等寬
排序	按數值大小自動排序	任意排序（可按需調整）
統計目標	展示數據分布/頻率	比較各類別數量大小
數學基礎	概率密度估計	分類計數
空值處理	空區間高度=0（必須顯示所有區間）	缺失類別可省略
坐標軸	僅數值軸	一軸數值，另一軸分類
示例場景	年齡分布、考試成績分布	各國GDP對比、月度銷售額

?經驗法則

1. 當X軸是數值范圍且需看分布形狀?→ 直方圖

2. 當X軸是類別標簽且需比較大小?→ 柱狀圖

3. 當數據量<10時優先用柱狀圖，>30時優先用直方圖

?示例代碼

import numpy as np
import matplotlib.pyplot as plt# 設置中文字體支持（如果需要顯示中文）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'WenQuanYi Zen Hei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False# 生成示例數據（模擬學生考試成績）
np.random.seed(42)
math_scores = np.random.normal(loc=75, scale=12, size=200)  # 數學成績
physics_scores = np.random.normal(loc=68, scale=15, size=200)  # 物理成績# 創建圖表和坐標軸
fig, ax = plt.subplots(figsize=(12, 8))# 繪制雙直方圖（比較兩科成績）
n1, bins1, patches1 = ax.hist(math_scores, bins=12, color='skyblue', alpha=0.7,edgecolor='navy', label='數學成績')
n2, bins2, patches2 = ax.hist(physics_scores, bins=12, color='salmon', alpha=0.7,edgecolor='darkred', label='物理成績')# 添加標題和標簽
ax.set_title('數學與物理成績分布對比', fontsize=16, pad=20)
ax.set_xlabel('考試分數', fontsize=14)
ax.set_ylabel('學生人數', fontsize=14)# 添加網格線
ax.grid(axis='y', linestyle='--', alpha=0.6)# 添加圖例
ax.legend(fontsize=12)# 添加柱子頂部的頻數注解
def add_count_annotations(patches, counts, bins, offset=3):for i, patch in enumerate(patches):bin_center = (bins[i] + bins[i+1]) / 2height = counts[i]if height > 0:  # 只標注有值的柱子ax.annotate(f'{int(height)}',xy=(bin_center, height),xytext=(0, offset),textcoords='offset points',ha='center',va='bottom',fontsize=10)add_count_annotations(patches1, n1, bins1)
add_count_annotations(patches2, n2, bins2, offset=5)  # 物理成績的注解稍高# 添加統計信息注解
math_mean = np.mean(math_scores)
physics_mean = np.mean(physics_scores)
ax.axvline(math_mean, color='blue', linestyle='--', linewidth=2)
ax.axvline(physics_mean, color='red', linestyle='--', linewidth=2)ax.annotate(f'數學平均分: {math_mean:.1f}',xy=(math_mean, np.max(n1)*0.8),xytext=(math_mean - 15, np.max(n1)*0.8 + 6),arrowprops=dict(arrowstyle='->', color='blue', connectionstyle="arc3"),fontsize=12, color='blue', weight='bold')ax.annotate(f'物理平均分: {physics_mean:.1f}',xy=(physics_mean, np.max(n2)*0.7),xytext=(physics_mean + 5.8, np.max(n2)*0.7 + 5),arrowprops=dict(arrowstyle='->', color='red'),fontsize=12, color='red', weight='bold')# 添加差異說明注解
ax.annotate('數學成績整體高于物理成績\n且分布更為集中',xy=(80, 25),xytext=(90, 30),arrowprops=dict(arrowstyle='fancy', color='green', connectionstyle="angle3,angleA=0,angleB=90"),fontsize=12, color='green', bbox=dict(boxstyle="round,pad=0.3", fc='lightyellow', ec='olive', alpha=0.8))# 保存高分辨率圖片
plt.tight_layout()
plt.savefig('histogram_with_annotations.png', dpi=300, bbox_inches='tight')
plt.savefig('histogram_with_annotations.pdf', bbox_inches='tight')  # 矢量圖版本print("圖片已保存為 'histogram_with_annotations.png' 和 'histogram_with_annotations.pdf'")# 顯示圖表
plt.show()

箱線圖(boxplot)

繪圖庫介紹

Python繪圖-7箱圖_python 箱線圖-CSDN博客https://blog.csdn.net/2202_75971130/article/details/136337160

作用	說明
1. 展示數據分布	用5個統計量（最小值、Q1、中位數、Q3、最大值）概括數據分布位置和范圍。
2. 識別異常值	超出上下須（1.5×IQR范圍）的點被單獨標記，快速定位異常值。
3. 分析偏態與對稱性	中位數在箱體的位置反映數據偏斜方向（左偏/右偏）。
4. 比較多組數據	并排箱線圖可高效對比多組數據的分布差異（如不同類別/時間）。
5. 檢測數據離散度	箱體長度（IQR）和須的長度反映數據波動范圍（IQR越小，數據越集中）。

函數簽名（Function Signature）

plt.boxplot(x,notch=None,sym=None,vert=None,whis=None,positions=None,widths=None,patch_artist=None,bootstrap=None,usermedians=None,conf_intervals=None,meanline=None,showmeans=None,showcaps=None,showbox=None,showfliers=None,boxprops=None,labels=None,flierprops=None,medianprops=None,meanprops=None,capprops=None,whiskerprops=None,manage_ticks=True,autorange=False,zorder=None
)

?核心參數詳解表

參數	類型	默認值	說明	示例
x	Array/Sequence	(必填)	輸入數據（一維數組或數組序列）	x=[data1, data2]
notch	bool	False	是否繪制缺口箱線圖（展示中位數置信區間）	notch=True
sym	str	'b+'	離群點標記樣式	sym='rs'（紅色方塊）
vert	bool	True	箱線圖方向（True=垂直，False=水平）	vert=False
whis	float	1.5	定義須線長度的IQR倍數	whis=2.0
positions	array-like	[1,2..n]	箱線圖的定位坐標	positions=[1,3,5]
widths	float/array	0.5	箱體寬度（標量或每個箱體寬度數組）	widths=0.3
patch_artist	bool	False	是否用顏色填充箱體	patch_artist=True
labels	list/str	None	分組標簽	labels=['A','B']
showmeans	bool	False	是否顯示均值標記	showmeans=True
meanline	bool	False	是否用線（而非點）表示均值	meanline=True
showcaps	bool	True	是否顯示須線末端橫杠	showcaps=False
showbox	bool	`True``	是否顯示箱體	showbox=False
showfliers	bool	True	是否顯示離群值	showfliers=False
boxprops	dict	None	箱體樣式屬性	boxprops=dict(facecolor='red')
whiskerprops	dict	None	須線樣式屬性	whiskerprops=dict(linestyle='--')
capprops	dict	None	須線末端橫杠樣式屬性	capprops=dict(linewidth=2)
medianprops	dict	None	中位數線樣式屬性	medianprops=dict(color='gold')
meanprops	dict	None	均值標記樣式屬性	meanprops=dict(marker='D')
flierprops	dict	None	離群點樣式屬性	flierprops=dict(marker='x')
zorder	float	None	繪圖層級（控制疊放順序）	zorder=10

示例代碼

import matplotlib.pyplot as plt
import numpy as np
import os# 設置中文顯示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False# 創建輸出目錄
output_dir = 'output'
os.makedirs(output_dir, exist_ok=True)# 生成更真實的示例數據（模擬產品測試分數）
np.random.seed(42)
product_A = np.random.normal(85, 12, 200)
product_B = np.random.normal(92, 8, 200)
product_C = np.random.normal(78, 15, 200)
product_D = np.random.normal(88, 10, 200)
data = [product_A, product_B, product_C, product_D]# 創建圖形和子圖
plt.figure(figsize=(12, 8))
ax = plt.subplot(111)# 繪制箱線圖
box = plt.boxplot(data,patch_artist=True,showmeans=True,  # 顯示均值點meanprops={'marker': 'D', 'markerfacecolor': 'gold', 'markeredgecolor': 'black'},labels=['產品A', '產品B', '產品C', '產品D'])# 設置箱體顏色
colors = ['#FF9999', '#66B2FF', '#99FF99', '#FFCC99']
for patch, color in zip(box['boxes'], colors):patch.set_facecolor(color)patch.set_alpha(0.8)  # 添加透明度# 設置箱線樣式
for element in ['whiskers', 'caps', 'medians']:plt.setp(box[element], color='black', linewidth=1.5)# 添加注釋
for i, d in enumerate(data):# 計算關鍵統計量median = np.median(d)q1 = np.percentile(d, 25)q3 = np.percentile(d, 75)iqr = q3 - q1mean = np.mean(d)upper_bound = q3 + 1.5 * iqrlower_bound = q1 - 1.5 * iqr# 標注中位數plt.annotate(f'中位數: {median:.1f}',xy=(i + 1, median),xytext=(i + 1.2, median + 3),fontsize=10,arrowprops=dict(arrowstyle="->", color='black', alpha=0.7))# 標注平均值plt.annotate(f'平均值: {mean:.1f}',xy=(i + 1, mean),xytext=(i + 1.2, mean - 5),fontsize=9,color='darkblue',arrowprops=dict(arrowstyle="->", color='darkblue', alpha=0.5))# 標注IQR范圍plt.text(i + 1.1, (q1 + q3) / 2, f'IQR: {iqr:.1f}',fontsize=9, color='darkgreen',verticalalignment='center')# 添加整體標題和說明
plt.title('四種產品質量測試分數分布對比', fontsize=16, pad=20, fontweight='bold')
plt.xlabel('產品型號', fontsize=12, labelpad=10)
plt.ylabel('測試分數', fontsize=12, labelpad=10)# 添加網格線
plt.grid(axis='y', linestyle='--', alpha=0.5)# 添加圖例
from matplotlib.patches import Patchlegend_elements = [Patch(facecolor=colors[0], label='產品A'),Patch(facecolor=colors[1], label='產品B'),Patch(facecolor=colors[2], label='產品C'),Patch(facecolor=colors[3], label='產品D'),plt.Line2D([0], [0], marker='D', color='w', markerfacecolor='gold', markersize=10, label='平均值'),plt.Line2D([0], [0], color='black', lw=2, label='中位數')
]
ax.legend(handles=legend_elements, loc='upper right', fontsize=10)# 添加數據來源說明
plt.figtext(0.5, 0.01, '數據來源: 2023年產品質量測試報告 | 注: 箱線圖基于200個樣本數據',ha='center', fontsize=9, color='gray')# 調整布局
plt.tight_layout()
plt.subplots_adjust(bottom=0.1)  # 為底部文本留出空間# 保存圖片到文件 (多種格式)
png_path = os.path.join(output_dir, 'boxplot_with_annotations.png')
pdf_path = os.path.join(output_dir, 'boxplot_with_annotations.pdf')
svg_path = os.path.join(output_dir, 'boxplot_with_annotations.svg')# 保存為PNG (適合網頁使用)
plt.savefig(png_path, dpi=300, bbox_inches='tight')
# 保存為PDF (適合印刷和高質量打印)
plt.savefig(pdf_path, format='pdf', bbox_inches='tight')
# 保存為SVG (矢量格式，可編輯)
plt.savefig(svg_path, format='svg', bbox_inches='tight')print(f"圖表已保存至: {png_path}")
print(f"圖表已保存至: {pdf_path}")
print(f"圖表已保存至: {svg_path}")# 顯示圖形
plt.show()

熱力圖（heatmap）

繪圖庫介紹

用 Python 繪制熱力圖（Heatmap）詳解：從數據到可視化全流程（第三天）_python heatmap-CSDN博客https://blog.csdn.net/2401_84301183/article/details/146536553

類別	具體作用/場景	說明/示例
核心作用	直觀展示數據密度/強度分布	用顏色深淺（暖色表高值，冷色表低值）快速揭示數據集中高低值區域及分布模式。
	揭示模式、趨勢和異常	識別熱點（高值聚集）、冷點（低值聚集）、梯度變化、異常值。
	高效比較多變量/類別間關系	矩陣熱力圖中通過顏色比較行、列代表的類別/變量間關系強度（如相關性、頻率）。
	簡化高維數據表達	將二維（如坐標+值）或三維（如行類+列類+值）數據壓縮到平面視圖，用顏色編碼。
	空間效率高	在有限空間內展示大量數據點或關系對比，優于重疊散點圖或多條形圖。
主要實現場景	地理空間數據分析 (Geospatial)	應用領域：?人口、犯罪、交通、房產、疾病、天氣、商業選址等。 示例：?人口密度圖、交通擁堵熱圖、疫情分布圖、商場客流量熱圖。
	網站和用戶行為分析 (Web & UX)	應用領域：?網頁/App設計優化、用戶體驗研究。 示例：?點擊熱圖（分析按鈕點擊）、滾動熱圖（分析頁面瀏覽深度）、鼠標移動熱圖（分析瀏覽路徑）、眼動追蹤熱圖（分析視覺焦點）。
	數據分析和統計學 (Data Analysis & Statistics)	應用領域：?探索性數據分析、模型評估、關系挖掘。 示例：?相關性矩陣（展示變量間相關系數）、混淆矩陣（評估分類模型性能）、缺失值模式熱圖、聚類結果熱圖（展示基因表達模式等）。

函數簽名（Function Signature）

sns.heatmap(data,                   # 必需參數：二維數據（數組、DataFrame）vmin=None,              # 顏色映射最小值vmax=None,              # 顏色映射最大值cmap=None,              # 顏色方案（如 'viridis', 'coolwarm', 'RdBu_r'）center=None,            # 顏色中心值（常用于有正負的數據）robust=False,           # 抗異常值縮放（使用分位數替代極值）annot=None,             # 是否在格子中顯示數值（True/False 或 同shape數組）fmt='.2g',             # 數值格式（如 '.1f' 保留1位小數）annot_kws=None,         # 注釋文本樣式（字典，如 {'size':10}）linewidths=0,           # 格子邊框寬度linecolor='white',      # 邊框顏色cbar=True,              # 是否顯示顏色條cbar_kws=None,          # 顏色條設置（字典，如 {'label':'Score'}）square=False,           # 是否強制為正方形xticklabels='auto',     # X軸標簽（True/False/列表/'auto'）yticklabels='auto',     # Y軸標簽（同上）mask=None,              # 遮蓋部分數據（True位置不顯示）ax=None,                # 指定繪圖的Axes對象**kwargs                # 其他matplotlib參數
)

核心參數詳解表

參數	默認值	數據類型	說明
data	-	2D array/DataFrame	必需參數，輸入矩陣數據
vmin	None	float	顏色映射最小值
vmax	None	float	顏色映射最大值
cmap	None	str/Colormap	顏色映射方案（如 'viridis', 'coolwarm', 'RdBu_r'）
center	None	float	顏色中心值（用于有正負值的數據）
annot	None	bool/array	是否在格子中顯示數值（True 或同形數組）
fmt	'.2g'	str	數值格式（如 '.2f'=兩位小數，'d'=整數）
linewidths	0	float	格子邊框寬度（0=無邊框）
linecolor	'white'	str	邊框顏色
cbar	True	bool	是否顯示顏色條
cbar_kws	None	dict	顏色條參數（如 {'label': 'Score'}）
square	False	bool	是否強制為正方形
xticklabels	'auto'	bool/list/'auto'	X軸標簽控制（True=顯示，False=隱藏）
yticklabels	'auto'	bool/list/'auto'	Y軸標簽控制
mask	None	bool array	遮蓋部分數據（True位置留白）
robust	False	bool	是否使用分位數抗異常值
annot_kws	None	dict	注釋文本樣式（如 {'size':10, 'color':'black'}）
ax	None	matplotlib Axes	指定繪圖的坐標軸

示例代碼

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.colors import LinearSegmentedColormap# 設置中文支持（如果需要）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'Microsoft YaHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False# 創建示例數據
def generate_sample_data():# 創建日期范圍dates = pd.date_range(start='2023-01-01', end='2023-01-15')# 創建時間范圍times = [f"{hour:02d}:00" for hour in range(8, 18)]# 創建隨機數據np.random.seed(42)data = np.random.rand(len(dates), len(times)) * 100# 添加一些模式使數據更有趣for i in range(len(dates)):# 周末模式if dates[i].weekday() >= 5:  # 周六和周日data[i, :] *= 0.7  # 周末值較低# 中午高峰模式data[i, 4:7] *= 1.5  # 中午12點到下午2點# 創建DataFramedf = pd.DataFrame(data, index=dates.strftime('%Y-%m-%d'), columns=times)return df# 創建自定義顏色映射
def create_custom_colormap():colors = ["#2a9d8f", "#e9c46a", "#f4a261", "#e76f51"]return LinearSegmentedColormap.from_list("custom_cmap", colors)# 繪制熱力圖并添加注解
def plot_heatmap_with_annotations(df):# 創建圖形plt.figure(figsize=(14, 10))# 創建自定義顏色映射custom_cmap = create_custom_colormap()# 繪制熱力圖ax = sns.heatmap(df,cmap=custom_cmap,annot=True,  # 顯示數值注解fmt=".1f",  # 數值格式（保留一位小數）annot_kws={"size": 9, "color": "black"},  # 注解文本樣式linewidths=0.5,  # 單元格之間的線條寬度linecolor="white",  # 線條顏色cbar_kws={"label": "活動強度", "shrink": 0.8}  # 顏色條設置)# 設置標題和標簽plt.title("每日活動強度熱力圖 (2023年1月1日-15日)", fontsize=16, pad=20)plt.xlabel("時間", fontsize=12)plt.ylabel("日期", fontsize=12)# 旋轉x軸標簽plt.xticks(rotation=45, ha='right')# 添加網格線（在熱力圖后面）ax.set_facecolor('#f0f0f0')ax.grid(which='major', axis='both', linestyle='-', color='white', linewidth=0.5)# 調整布局plt.tight_layout()# 保存圖表save_path = "heatmap_with_annotations.png"plt.savefig(save_path, dpi=300, bbox_inches='tight')# 顯示圖表plt.show()return save_path# 主程序
if __name__ == "__main__":# 生成示例數據data_df = generate_sample_data()print("生成的熱力圖數據示例:")print(data_df.head())# 繪制并保存熱力圖saved_path = plot_heatmap_with_annotations(data_df)print(f"\n熱力圖已保存至: {saved_path}")

小提琴圖（violinplot）

繪圖庫介紹

用python繪制小提琴圖的基本流程及其操作_python 小提琴圖-CSDN博客https://blog.csdn.net/weixin_70682362/article/details/148018533

作用類別	核心作用描述	典型實現場景	對比優勢
分布形態可視化	直觀展示連續數據的整體分布形狀、概率密度（哪里密集、哪里稀疏）	1. 觀察單個變量的數據分布特征（單峰、雙峰、多峰、對稱、偏態）。 2. 數據探索階段了解數據的基本形態。	優于箱線圖：清晰揭示分布形狀（如多峰性、不對稱性），箱線圖僅顯示摘要統計。
集中趨勢比較	顯示數據分布的中心位置（通常結合箱線圖元素顯示中位數/四分位數）	1. 比較不同類別/分組數據的中心趨勢（如中位數）差異。 2. 觀察不同實驗條件下結果的中心位置變化。	結合密度與統計量：既看密度集中區域，也看具體中位數位置。
離散程度比較	通過“小提琴”的寬度變化展示數據分布的離散程度（寬=分散，窄=集中）	1. 比較不同類別/分組數據的變異性或一致性（如評估不同生產工藝的穩定性）。 2. 識別方差差異顯著的組別。	優于箱線圖：寬度變化直觀體現數據點在整個值域上的疏密程度，而不僅是IQR。
分布對稱性/偏度分析	通過形狀的對稱性判斷數據分布是左偏（負偏）、右偏（正偏）還是對稱	1. 分析數據是否符合對稱分布假設（如某些統計檢驗前提）。 2. 識別收入、響應時間等常見偏態數據的偏斜方向。	優于直方圖/密度圖：在多組比較時，并排小提琴圖更易對比不同組的偏斜情況。
多組分布對比	將多個組/類別的分布并排或疊加顯示，便于直接比較其形態、中心和離散度差異	1. 比較不同產品/型號的性能指標分布。 2. 分析不同營銷策略下客戶購買金額的分布差異。 3. 評估不同治療方法下患者康復時間的分布。 4. 對比不同地區的氣溫分布模式。 5. 分析不同用戶群（如新/老用戶）使用時長/消費頻率的分布。	核心優勢：最擅長同時比較多個組的完整分布特征，信息量遠大于僅比較均值或中位數。
異常值檢測 (輔助)	結合箱線圖元素（通常內嵌），可識別潛在的異常值點	1. 在觀察整體分布的同時，輔助查看是否存在顯著偏離主體的極端值。	結合優勢：密度形態提供上下文，箱線圖元素標記異常點。
數據清洗/驗證	揭示數據分布中意想不到的模式或問題（如雙峰可能暗示數據混合了不同群體）	1. 數據質量檢查：發現分布異常（如預期單峰卻出現雙峰，可能需檢查數據來源或分組）。 2. 識別數據子群或潛在分段。	揭示隱藏信息：能提示數據背后可能存在的未考慮因素或分組。

函數簽名（Function Signature）

seaborn.violinplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, bw='scott', cut=2, scale='area', scale_hue=True, gridsize=100,width=0.8, inner='box', split=False, dodge=True, orient=None,linewidth=None, color=None, palette=None, saturation=0.75,ax=None, **kwargs
)

核心參數詳解表

參數	類型	默認值	說明
x	字符串/數組	None	X軸變量（分類數據）
y	字符串/數組	None	Y軸變量（數值數據）
hue	字符串	None	分組變量（次級分類維度）
data	DataFrame	None	數據源（需配合x/y/hue使用）
order	列表	None	指定x變量順序（如['Mon','Tue','Wed']）
hue_order	列表	None	指定hue分組順序（如['Male','Female']）
bw	字符串/浮點數	'scott'	核密度估計帶寬： 'scott'/'silverman'（自動計算） 數值（值越小越貼合數據）
scale	字符串	'area'	小提琴寬度縮放方式： 'area'（面積相同） 'count'（寬度與樣本量成正比） 'width'（最大寬度相同）
inner	字符串	'box'	內部顯示元素： 'box'（微型箱線圖） 'quartiles'（四分位線） 'point'/'stick'（點/線） None（不顯示）
split	布爾值	False	當使用hue時： True（左右對稱合并） False（獨立顯示）
dodge	布爾值	True	當使用hue時： True（并排顯示） False（重疊顯示）
orient	字符串	None	方向： 'v'（垂直） 'h'（水平） None（自動推斷）
palette	字符串/列表	None	配色方案（如'viridis'/'Set2'）
color	顏色值	None	統一設置所有小提琴顏色
width	浮點數	0.8	小提琴最大寬度（0~1）
linewidth	浮點數	1	輪廓線寬度（像素）
cut	浮點數	2	數據范圍外的延伸倍數（0=不延伸）
gridsize	整數	100	密度曲線平滑度（值越大越平滑）

示例代碼

pip install seaborn matplotlib numpy

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np# 設置中文字體支持（如果需要顯示中文）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用黑體顯示中文
plt.rcParams['axes.unicode_minus'] = False    # 正常顯示負號# 創建示例數據（替代seaborn內置數據集）
np.random.seed(42)
data = {'Day': np.repeat(['Mon', 'Tue', 'Wed', 'Thu'], 100),'Sales': np.hstack([  # 修改為np.hstacknp.random.normal(120, 20, 100),np.random.normal(80, 15, 100),np.random.normal(150, 30, 100),np.random.normal(95, 25, 100)])
}# 創建圖形
plt.figure(figsize=(10, 6))
ax = sns.violinplot(x='Day',y='Sales',data=data,hue='Day',  # 新增hue參數inner='quartile',palette='Pastel1',legend=False  # 隱藏圖例
)# 添加標題和標簽
plt.title('每日銷售額分布', fontsize=14)
plt.xlabel('星期', fontsize=12)
plt.ylabel('銷售額 (萬元)', fontsize=12)# 計算并添加中位數注釋
medians = [np.median(data['Sales'][data['Day'] == day]) for day in ['Mon', 'Tue', 'Wed', 'Thu']]
vertical_offset = np.mean(medians) * 0.05  # 偏移量for i, median in enumerate(medians):ax.text(x=i,y=median + vertical_offset,s=f'中位: {median:.1f}',ha='center',  # 水平居中va='bottom',  # 垂直底部對齊fontsize=10,color='black',weight='bold')# 添加特殊注釋
ax.annotate('最高銷售額區間',xy=(2, 200),xytext=(2.5, 220),arrowprops=dict(arrowstyle='->', color='red', linewidth=1.5),fontsize=12,color='darkred',bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="gray", lw=1))# 添加網格線
plt.grid(axis='y', linestyle='--', alpha=0.7)# 保存高清圖像（支持多種格式：png, jpg, svg, pdf）
plt.savefig('violin_plot.png',dpi=300,           # 高分辨率bbox_inches='tight',  # 緊湊布局facecolor='white')    # 背景色# 顯示圖像（可選）
plt.tight_layout()
plt.show()print("圖像已保存為 violin_plot.png")

3D曲面圖(

繪圖庫介紹

Python繪制3D曲面圖-CSDN博客https://blog.csdn.net/weixin_41923961/article/details/83998917

維度	描述	典型實現場景
核心作用	可視化三維空間中的連續表面	理解復雜數學函數、物理現象的空間分布。
	揭示變量間的非線性關系	分析兩個自變量（X, Y）對因變量（Z）的共同影響（尤其非線性關系）。
	展示空間數據的分布、趨勢和模式	地理高程、物理場（溫度/壓力/電勢）、濃度分布的空間變化。
	識別關鍵特征點（峰值、谷值、鞍點）	定位最大值、最小值、轉折點或急劇變化區域。
實現場景	數學與函數可視化	繪制二元函數圖像（如?Z = sin(X2+Y2)），分析函數形狀。
	地理信息系統	地形圖、數字高程模型、坡度分析、洪水模擬。
	物理學與工程學	? 電磁場：電勢/磁場分布 ? 力學：應力分布、振動模態 ? 流體力學：流速/壓力場 ? 熱力學：溫度場分布
	化學與材料科學	? 分子建模：電子云密度、勢能面 ? 材料表征：表面粗糙度、成分濃度分布
	氣象與海洋學	? 氣象：大氣壓力/溫度場 ? 海洋：海水溫度/鹽度垂直剖面
	醫學與生物科學	? 醫學：器官3D重建（CT/MRI） ? 生物學：蛋白質結構表面、藥物擴散模擬
	計算機圖形學	渲染復雜3D模型表面（如游戲場景、角色）
	數據分析	? 優化算法：損失函數曲面 ? 響應面分析：多變量對輸出的影響

函數簽名（Function Signature）

ax.plot_surface(X, Y, Z, cmap=None,           # 顏色映射rstride=1,           # 行方向步長cstride=1,           # 列方向步長color=None,          # 固定顏色edgecolor=None,      # 網格線顏色alpha=1.0,           # 透明度shade=True,          # 是否啟用陰影antialiased=True,    # 抗鋸齒norm=None,            # 數據歸一化vmin=None, vmax=None # 顏色映射范圍**kwargs)

核心參數詳解表

參數	說明
X, Y, Z	必需，均為 2D 數組（形狀相同）。通常用?numpy.meshgrid()?生成
cmap	顏色映射（如?'viridis',?'plasma',?'coolwarm'），需配合?facecolors?或?Z?值使用
rstride,?cstride	網格采樣步長（減少可提升性能）。例如?rstride=5?表示每隔5行繪制
color	固定曲面顏色（字符串或 RGB 元組），與?cmap?互斥
edgecolor	網格線顏色（默認?'k'?黑色），設為?'none'?可隱藏網格
alpha	透明度（0.0 透明 ~ 1.0 不透明）
shade	是否用光照效果增強立體感（默認為?True）
antialiased	是否啟用抗鋸齒（默認為?True）
vmin,?vmax	顏色映射的數據范圍（配合?cmap?使用）

示例代碼

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D# 創建數據
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))  # 生成曲面數據 (二維sinc函數)# 創建圖形和3D坐標軸
fig = plt.figure(figsize=(12, 10))
ax = fig.add_subplot(111, projection='3d')# 繪制曲面圖
surf = ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.8,rstride=2, cstride=2, antialiased=True)# 添加顏色條
fig.colorbar(surf, shrink=0.5, aspect=10, label='Z Value')# 添加全局標題
plt.suptitle('3D Surface Plot with Annotations', fontsize=16)# 添加軸標簽
ax.set_xlabel('X Axis', fontsize=12, labelpad=15)
ax.set_ylabel('Y Axis', fontsize=12, labelpad=15)
ax.set_zlabel('Z Axis', fontsize=12, labelpad=15)# 添加點注解
point = (0, 0, 1)  # 要注解的點 (x, y, z)
ax.scatter(*point, color='red', s=100, label='Global Max')
ax.text(point[0], point[1], point[2] + 0.2,'Global Maximum',color='red',fontsize=12,ha='center')# 添加指向局部最小值的箭頭注解
min_point = (-3.5, 3.5, Z[35, 35])
ax.scatter(*min_point, color='blue', s=80)
ax.annotate('Local Minimum',xy=(min_point[0], min_point[1]),  # 目標點xytext=(-50, 30),                 # 文本位置偏移textcoords='offset points',arrowprops=dict(arrowstyle='->', lw=1.5, color='blue'),fontsize=10,color='blue')# 添加圖例
ax.legend(loc='upper right', fontsize=10)# 調整視角
ax.view_init(elev=25, azim=-45)  # 仰角25度，方位角-45度# 添加圖形框注釋
fig.text(0.05, 0.02,'Generated by Matplotlib | Function: sin(sqrt(x2 + y2))',fontsize=9, color='gray')# 保存高分辨率圖片
plt.savefig('3d_surface_plot.png', dpi=300, bbox_inches='tight')# 顯示圖形
plt.tight_layout()
plt.show()

地理地圖（Folium/Geopandas）

繪圖庫介紹

Python繪制地圖神器folium介紹及安裝使用教程-CSDN博客https://blog.csdn.net/python2021_/article/details/123652555

函數簽名（Function Signature）

示例代碼

交互式圖表（Plotly/Bokeh）

繪圖庫介紹

函數簽名（Function Signature）

示例代碼

網絡圖（NetworkX）

繪圖庫介紹

函數簽名（Function Signature）

示例代碼

金融圖表（mplfinance）

繪圖庫介紹

函數簽名（Function Signature）

示例代碼

科學可視化（Mayavi）

繪圖庫介紹

函數簽名（Function Signature）

示例代碼

詞云（WordCloud）

繪圖庫介紹

函數簽名（Function Signature）

示例代碼

甘特圖（Plotly）

繪圖庫介紹

函數簽名（Function Signature）

示例代碼