【零基礎學AI】第6講：數據可視化基礎

在這里插入圖片描述

本節課你將學到

理解數據可視化在AI中的重要作用
掌握Matplotlib的基本架構和核心概念
學會創建各種類型的圖表（線圖、柱狀圖、散點圖、餅圖等）
掌握圖表美化和自定義技巧
完成銷售趨勢圖表制作實戰項目

開始之前

什么是數據可視化？

數據可視化就是用圖形的方式展示數據，讓復雜的數字變成直觀的視覺信息。想象一下：

純數字表格：像密密麻麻的賬本，信息都在，但很難快速理解
可視化圖表：像一張清晰的地圖，一眼就能看出規律和趨勢

數據可視化的核心價值：

發現規律：肉眼很難從數字中發現的模式，在圖表中一目了然
傳達洞察：復雜的分析結果通過圖表變得容易理解
輔助決策：直觀的圖表幫助管理者快速做出決策
講述故事：數據背后的故事通過圖表生動地展現出來

為什么Matplotlib重要？

1. Python可視化的基石

Matplotlib：Python可視化的底層引擎，功能最全面
Seaborn：基于Matplotlib的高級統計圖表庫
Plotly：交互式圖表庫，底層也參考了Matplotlib設計
Pandas：內置的繪圖功能就是調用Matplotlib

2. AI項目中的關鍵應用

數據探索：在建模前理解數據分布和關系
特征分析：可視化特征重要性和相關性
模型評估：繪制ROC曲線、混淆矩陣等
結果展示：將模型預測結果可視化

3. 業界標準

科研論文：大多數機器學習論文的圖表都用Matplotlib制作
數據報告：企業級數據分析報告的標準工具
教學演示：AI課程和教程的首選可視化工具

環境要求

已完成前五講的環境配置
Matplotlib已安裝（在第1講中已安裝）
建議同時安裝Seaborn用于高級圖表

Matplotlib基礎架構

導入和基本設置

# 標準導入方式
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd# 查看Matplotlib版本
print(f"Matplotlib版本: {plt.matplotlib.__version__}")# 設置中文字體支持
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False  # 解決負號顯示問題# 設置圖表樣式
plt.style.use('default')  # 可選：'seaborn', 'ggplot', 'classic'等# 設置默認圖表大小和分辨率
plt.rcParams['figure.figsize'] = (10, 6)
plt.rcParams['figure.dpi'] = 100print("? Matplotlib環境配置完成")

Matplotlib的兩種接口

# Matplotlib提供兩種編程接口
print("🎨 Matplotlib兩種接口演示")
print("=" * 35)# 準備示例數據
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)# 方式1：pyplot接口（類似MATLAB，簡單直觀）
print("📊 方式1: pyplot接口")
plt.figure(figsize=(12, 5))plt.subplot(1, 2, 1)  # 1行2列的第1個子圖
plt.plot(x, y1, label='sin(x)', color='blue', linewidth=2)
plt.plot(x, y2, label='cos(x)', color='red', linewidth=2)
plt.title('Pyplot接口示例')
plt.xlabel('x值')
plt.ylabel('y值')
plt.legend()
plt.grid(True, alpha=0.3)# 方式2：面向對象接口（更靈活，適合復雜圖表）
print("🔧 方式2: 面向對象接口")
fig, ax = plt.subplots(1, 1, figsize=(6, 5))  # 創建圖形和軸對象ax.plot(x, y1, label='sin(x)', color='blue', linewidth=2)
ax.plot(x, y2, label='cos(x)', color='red', linewidth=2)
ax.set_title('面向對象接口示例')
ax.set_xlabel('x值')
ax.set_ylabel('y值')
ax.legend()
ax.grid(True, alpha=0.3)plt.tight_layout()  # 自動調整子圖間距
plt.show()print("💡 建議：簡單圖表用pyplot，復雜圖表用面向對象接口")

Figure和Axes概念

# 理解Figure、Axes、Axis的層次結構
print(f"\n🏗? Matplotlib架構解析")
print("=" * 30)# Figure: 整個圖形窗口
# Axes: 具體的繪圖區域（可以有多個）
# Axis: 坐標軸（x軸、y軸）# 創建復雜的圖形布局
fig = plt.figure(figsize=(15, 10))
fig.suptitle('Matplotlib架構演示', fontsize=16, fontweight='bold')# 添加多個Axes（子圖）
ax1 = fig.add_subplot(2, 3, 1)  # 2行3列的第1個
ax2 = fig.add_subplot(2, 3, 2)  # 2行3列的第2個
ax3 = fig.add_subplot(2, 3, 3)  # 2行3列的第3個
ax4 = fig.add_subplot(2, 1, 2)  # 2行1列的第2個（占據下半部分）# 在每個Axes中繪制不同類型的圖表
# 子圖1：線圖
x = np.linspace(0, 10, 50)
ax1.plot(x, np.sin(x), 'b-', linewidth=2, label='sin(x)')
ax1.set_title('線圖示例')
ax1.set_xlabel('x')
ax1.set_ylabel('sin(x)')
ax1.legend()
ax1.grid(True, alpha=0.3)# 子圖2：散點圖
np.random.seed(42)
x_scatter = np.random.randn(50)
y_scatter = np.random.randn(50)
colors = np.random.rand(50)
ax2.scatter(x_scatter, y_scatter, c=colors, alpha=0.6, s=60)
ax2.set_title('散點圖示例')
ax2.set_xlabel('X值')
ax2.set_ylabel('Y值')# 子圖3：柱狀圖
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 32]
bars = ax3.bar(categories, values, color=['red', 'green', 'blue', 'orange', 'purple'])
ax3.set_title('柱狀圖示例')
ax3.set_xlabel('類別')
ax3.set_ylabel('數值')# 在柱狀圖上添加數值標簽
for bar, value in zip(bars, values):ax3.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,str(value), ha='center', va='bottom')# 子圖4：多系列折線圖
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales_2023 = [120, 135, 148, 162, 151, 178]
sales_2024 = [125, 142, 156, 169, 163, 185]ax4.plot(months, sales_2023, marker='o', linewidth=2, label='2023年銷售')
ax4.plot(months, sales_2024, marker='s', linewidth=2, label='2024年銷售')
ax4.set_title('月度銷售對比')
ax4.set_xlabel('月份')
ax4.set_ylabel('銷售額（萬元）')
ax4.legend()
ax4.grid(True, alpha=0.3)plt.tight_layout()
plt.show()print("📋 架構總結:")
print("  - Figure: 整個圖形畫布")
print("  - Axes: 各個子圖區域") 
print("  - Axis: x軸、y軸等坐標軸")
print("  - Artists: 所有可見元素（線條、文字、圖例等）")

基本圖表類型

線圖（Line Plot）

# 線圖詳解和應用
print(f"\n📈 線圖詳解")
print("=" * 20)# 創建示例數據
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
temperature = [2, 4, 8, 14, 20, 25, 28, 27, 22, 16, 9, 4]  # 某城市月平均氣溫
rainfall = [45, 38, 52, 61, 75, 89, 102, 95, 78, 67, 55, 48]  # 月降雨量fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(18, 6))# 基礎線圖
ax1.plot(months, temperature, color='red', linewidth=2, marker='o', markersize=6)
ax1.set_title('月平均氣溫變化', fontsize=14, fontweight='bold')
ax1.set_xlabel('月份')
ax1.set_ylabel('溫度 (°C)')
ax1.grid(True, alpha=0.3)
ax1.tick_params(axis='x', rotation=45)# 多系列線圖
ax2.plot(months, temperature, color='red', linewidth=2, marker='o', markersize=6, label='氣溫 (°C)')
ax2_twin = ax2.twinx()  # 創建共享x軸的第二個y軸
ax2_twin.plot(months, rainfall, color='blue', linewidth=2, marker='s', markersize=6, label='降雨量 (mm)')ax2.set_title('氣溫與降雨量變化', fontsize=14, fontweight='bold')
ax2.set_xlabel('月份')
ax2.set_ylabel('溫度 (°C)', color='red')
ax2_twin.set_ylabel('降雨量 (mm)', color='blue')
ax2.tick_params(axis='x', rotation=45)
ax2.tick_params(axis='y', labelcolor='red')
ax2_twin.tick_params(axis='y', labelcolor='blue')# 組合圖例
lines1, labels1 = ax2.get_legend_handles_labels()
lines2, labels2 = ax2_twin.get_legend_handles_labels()
ax2.legend(lines1 + lines2, labels1 + labels2, loc='upper left')# 線型樣式展示
x = np.linspace(0, 10, 20)
ax3.plot(x, np.sin(x), '-', label='實線 solid', linewidth=2)
ax3.plot(x, np.sin(x + 0.5), '--', label='虛線 dashed', linewidth=2)
ax3.plot(x, np.sin(x + 1), '-.', label='點劃線 dashdot', linewidth=2)
ax3.plot(x, np.sin(x + 1.5), ':', label='點線 dotted', linewidth=2)ax3.set_title('線型樣式展示', fontsize=14, fontweight='bold')
ax3.set_xlabel('x值')
ax3.set_ylabel('y值')
ax3.legend()
ax3.grid(True, alpha=0.3)plt.tight_layout()
plt.show()print("📝 線圖使用場景:")
print("  - 時間序列數據（股價、氣溫、銷售趨勢等）")
print("  - 連續變量關系（函數圖像、回歸線等）")
print("  - 多組數據對比（不同年份、不同產品等）")

柱狀圖（Bar Plot）

# 柱狀圖詳解
print(f"\n📊 柱狀圖詳解")
print("=" * 20)# 準備數據
products = ['iPhone', 'Samsung', 'Huawei', 'Xiaomi', 'OPPO']
q1_sales = [45, 38, 25, 22, 18]
q2_sales = [48, 35, 28, 25, 20]
q3_sales = [52, 40, 30, 28, 22]fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基礎柱狀圖
bars1 = ax1.bar(products, q1_sales, color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7'])
ax1.set_title('Q1銷售額（單位：萬臺）', fontsize=14, fontweight='bold')
ax1.set_xlabel('品牌')
ax1.set_ylabel('銷售額')# 添加數值標簽
for bar, value in zip(bars1, q1_sales):ax1.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,f'{value}萬', ha='center', va='bottom', fontweight='bold')# 2. 分組柱狀圖
x = np.arange(len(products))  # 標簽位置
width = 0.25  # 柱子寬度bars2_1 = ax2.bar(x - width, q1_sales, width, label='Q1', color='#FF6B6B', alpha=0.8)
bars2_2 = ax2.bar(x, q2_sales, width, label='Q2', color='#4ECDC4', alpha=0.8)
bars2_3 = ax2.bar(x + width, q3_sales, width, label='Q3', color='#45B7D1', alpha=0.8)ax2.set_title('季度銷售對比', fontsize=14, fontweight='bold')
ax2.set_xlabel('品牌')
ax2.set_ylabel('銷售額（萬臺）')
ax2.set_xticks(x)
ax2.set_xticklabels(products)
ax2.legend()# 3. 堆疊柱狀圖
ax3.bar(products, q1_sales, label='Q1', color='#FF6B6B', alpha=0.8)
ax3.bar(products, q2_sales, bottom=q1_sales, label='Q2', color='#4ECDC4', alpha=0.8)# 計算Q3的底部位置
q3_bottom = [q1 + q2 for q1, q2 in zip(q1_sales, q2_sales)]
ax3.bar(products, q3_sales, bottom=q3_bottom, label='Q3', color='#45B7D1', alpha=0.8)ax3.set_title('累計銷售額', fontsize=14, fontweight='bold')
ax3.set_xlabel('品牌')
ax3.set_ylabel('累計銷售額（萬臺）')
ax3.legend()# 4. 水平柱狀圖
ax4.barh(products, q1_sales, color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7'])
ax4.set_title('Q1銷售額（水平）', fontsize=14, fontweight='bold')
ax4.set_xlabel('銷售額（萬臺）')
ax4.set_ylabel('品牌')# 添加數值標簽
for i, value in enumerate(q1_sales):ax4.text(value + 0.5, i, f'{value}萬', va='center', fontweight='bold')plt.tight_layout()
plt.show()print("📝 柱狀圖使用場景:")
print("  - 分類數據比較（銷售額、人口、得分等）")
print("  - 頻次分布（直方圖的離散版本）")
print("  - 多組數據對比（分組柱狀圖）")
print("  - 部分與整體關系（堆疊柱狀圖）")

散點圖（Scatter Plot）

# 散點圖詳解
print(f"\n🔹 散點圖詳解")
print("=" * 20)# 生成示例數據
np.random.seed(42)
n_points = 100# 數據集1：身高體重關系
height = np.random.normal(170, 10, n_points)  # 身高（cm）
weight = 0.8 * height + np.random.normal(0, 5, n_points) - 80  # 體重（kg）
gender = np.random.choice(['男', '女'], n_points)# 數據集2：廣告投入與銷售額
ad_spend = np.random.uniform(10, 100, n_points)  # 廣告投入（萬元）
sales = 2 * ad_spend + np.random.normal(0, 15, n_points) + 50  # 銷售額（萬元）
region = np.random.choice(['北區', '南區', '東區', '西區'], n_points)fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基礎散點圖
ax1.scatter(height, weight, alpha=0.6, s=50, color='blue')
ax1.set_title('身高與體重關系', fontsize=14, fontweight='bold')
ax1.set_xlabel('身高 (cm)')
ax1.set_ylabel('體重 (kg)')
ax1.grid(True, alpha=0.3)# 添加趨勢線
z = np.polyfit(height, weight, 1)  # 一次線性擬合
p = np.poly1d(z)
ax1.plot(height, p(height), "r--", alpha=0.8, linewidth=2, label=f'趨勢線: y={z[0]:.2f}x{z[1]:+.2f}')
ax1.legend()# 2. 分類散點圖（不同顏色表示不同類別）
colors = {'男': 'blue', '女': 'red'}
for g in ['男', '女']:mask = gender == gax2.scatter(height[mask], weight[mask], c=colors[g], label=g, alpha=0.6, s=50)ax2.set_title('按性別分類的身高體重關系', fontsize=14, fontweight='bold')
ax2.set_xlabel('身高 (cm)')
ax2.set_ylabel('體重 (kg)')
ax2.legend()
ax2.grid(True, alpha=0.3)# 3. 大小和顏色映射
# 點的大小表示銷售額，顏色表示地區
region_colors = {'北區': 'red', '南區': 'green', '東區': 'blue', '西區': 'orange'}
for r in ['北區', '南區', '東區', '西區']:mask = region == rax3.scatter(ad_spend[mask], sales[mask], c=region_colors[r], label=r, alpha=0.6, s=sales[mask]*2)  # 點的大小與銷售額成正比ax3.set_title('廣告投入與銷售額關系\n（點大小=銷售額，顏色=地區）', fontsize=14, fontweight='bold')
ax3.set_xlabel('廣告投入 (萬元)')
ax3.set_ylabel('銷售額 (萬元)')
ax3.legend()
ax3.grid(True, alpha=0.3)# 4. 氣泡圖（三維數據的二維展示）
# 第三個維度用顏色和大小表示
profit_margin = np.random.uniform(0.1, 0.3, n_points)  # 利潤率scatter = ax4.scatter(ad_spend, sales, c=profit_margin, s=profit_margin*1000, alpha=0.6, cmap='viridis')ax4.set_title('廣告投入、銷售額與利潤率關系\n（顏色和大小=利潤率）', fontsize=14, fontweight='bold')
ax4.set_xlabel('廣告投入 (萬元)')
ax4.set_ylabel('銷售額 (萬元)')# 添加顏色條
cbar = plt.colorbar(scatter, ax=ax4)
cbar.set_label('利潤率', rotation=270, labelpad=20)plt.tight_layout()
plt.show()print("📝 散點圖使用場景:")
print("  - 兩個連續變量關系（相關性分析）")
print("  - 異常值檢測（離群點識別）")
print("  - 聚類結果展示（不同顏色表示不同類別）")
print("  - 三維數據降維展示（顏色或大小表示第三維）")

餅圖（Pie Chart）

# 餅圖詳解
print(f"\n🥧 餅圖詳解")
print("=" * 15)# 準備數據
market_share = {'Android': 71.9,'iOS': 27.3,'Others': 0.8
}sales_by_region = {'華東': 35,'華南': 28,'華北': 22,'華中': 10,'其他': 5
}fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基礎餅圖
labels1 = list(market_share.keys())
sizes1 = list(market_share.values())
colors1 = ['#FF9999', '#66B2FF', '#99FF99']wedges1, texts1, autotexts1 = ax1.pie(sizes1, labels=labels1, colors=colors1, autopct='%1.1f%%', startangle=90)ax1.set_title('全球移動操作系統市場份額', fontsize=14, fontweight='bold')# 美化文字
for autotext in autotexts1:autotext.set_color('white')autotext.set_fontweight('bold')# 2. 突出顯示餅圖
labels2 = list(sales_by_region.keys())
sizes2 = list(sales_by_region.values())
colors2 = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7']
explode2 = (0.1, 0, 0, 0, 0)  # 突出顯示第一個扇形wedges2, texts2, autotexts2 = ax2.pie(sizes2, labels=labels2, colors=colors2,autopct='%1.1f%%', startangle=90,explode=explode2, shadow=True)ax2.set_title('各地區銷售額分布', fontsize=14, fontweight='bold')# 3. 環形圖（甜甜圈圖）
wedges3, texts3, autotexts3 = ax3.pie(sizes2, labels=labels2, colors=colors2,autopct='%1.1f%%', startangle=90,wedgeprops=dict(width=0.5))ax3.set_title('各地區銷售額分布（環形圖）', fontsize=14, fontweight='bold')# 在中心添加總計信息
total_sales = sum(sizes2)
ax3.text(0, 0, f'總銷售額\n{total_sales}%', ha='center', va='center',fontsize=12, fontweight='bold')# 4. 嵌套餅圖
# 外環：大類別
outer_labels = ['移動設備', '電腦設備']
outer_sizes = [75, 25]
outer_colors = ['#FF6B6B', '#4ECDC4']# 內環：細分類別
inner_labels = ['手機', '平板', '筆記本', '臺式機']
inner_sizes = [50, 25, 15, 10]
inner_colors = ['#FF9999', '#FFB366', '#66B2FF', '#99CCFF']# 繪制外環
ax4.pie(outer_sizes, labels=outer_labels, colors=outer_colors,radius=1, startangle=90, labeldistance=1.1)# 繪制內環
ax4.pie(inner_sizes, labels=inner_labels, colors=inner_colors,radius=0.7, startangle=90, labeldistance=0.5)ax4.set_title('設備銷售額嵌套分布', fontsize=14, fontweight='bold')plt.tight_layout()
plt.show()print("📝 餅圖使用場景:")
print("  - 部分與整體的比例關系")
print("  - 分類數據的占比展示")
print("  - 市場份額、預算分配等")
print("  ??  注意：類別過多時不適用（建議不超過7個）")

直方圖（Histogram）

# 直方圖詳解
print(f"\n📊 直方圖詳解")
print("=" * 20)# 生成示例數據
np.random.seed(42)
normal_data = np.random.normal(100, 15, 1000)  # 正態分布數據
uniform_data = np.random.uniform(50, 150, 1000)  # 均勻分布數據
exponential_data = np.random.exponential(2, 1000)  # 指數分布數據# 學生成績數據（更真實的例子）
math_scores = np.random.normal(75, 12, 200)
english_scores = np.random.normal(78, 10, 200)fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 基礎直方圖
ax1.hist(normal_data, bins=30, color='skyblue', alpha=0.7, edgecolor='black')
ax1.set_title('正態分布數據直方圖', fontsize=14, fontweight='bold')
ax1.set_xlabel('數值')
ax1.set_ylabel('頻次')
ax1.axvline(normal_data.mean(), color='red', linestyle='--', label=f'均值: {normal_data.mean():.1f}')
ax1.legend()
ax1.grid(True, alpha=0.3)# 2. 多組數據對比
ax2.hist(math_scores, bins=20, alpha=0.7, label='數學成績', color='blue')
ax2.hist(english_scores, bins=20, alpha=0.7, label='英語成績', color='red')
ax2.set_title('數學與英語成績分布對比', fontsize=14, fontweight='bold')
ax2.set_xlabel('成績')
ax2.set_ylabel('人數')
ax2.legend()
ax2.grid(True, alpha=0.3)# 3. 不同分布類型對比
ax3.hist(normal_data, bins=30, alpha=0.5, label='正態分布', density=True)
ax3.hist(uniform_data, bins=30, alpha=0.5, label='均勻分布', density=True)
ax3.set_title('不同分布類型對比（密度）', fontsize=14, fontweight='bold')
ax3.set_xlabel('數值')
ax3.set_ylabel('密度')
ax3.legend()
ax3.grid(True, alpha=0.3)# 4. 累積直方圖
counts, bins, patches = ax4.hist(math_scores, bins=20, cumulative=True, alpha=0.7, color='green', edgecolor='black')
ax4.set_title('數學成績累積分布', fontsize=14, fontweight='bold')
ax4.set_xlabel('成績')
ax4.set_ylabel('累積人數')# 添加百分位線
percentiles = [25, 50, 75]
for p in percentiles:value = np.percentile(math_scores, p)ax4.axvline(value, color='red', linestyle='--', alpha=0.7)ax4.text(value, ax4.get_ylim()[1]*0.9, f'{p}th', ha='center', va='bottom', color='red', fontweight='bold')ax4.grid(True, alpha=0.3)plt.tight_layout()
plt.show()print("📝 直方圖使用場景:")
print("  - 數據分布形狀分析（正態、偏態、雙峰等）")
print("  - 異常值檢測（分布的尾部）")
print("  - 質量控制（過程能力分析）")
print("  - A/B測試結果比較")

圖表美化和自定義

顏色和樣式設置

# 圖表美化技巧
print(f"\n🎨 圖表美化技巧")
print("=" * 25)# 準備數據
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
revenue = [120, 135, 128, 142, 156, 168]
profit = [24, 28, 25, 30, 35, 38]fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))# 1. 默認樣式 vs 美化樣式對比
# 默認樣式
ax1.plot(months, revenue, label='收入')
ax1.plot(months, profit, label='利潤')
ax1.set_title('默認樣式')
ax1.legend()# 美化樣式
ax2.plot(months, revenue, color='#2E86AB', linewidth=3, marker='o', markersize=8, markerfacecolor='white', markeredgewidth=2,markeredgecolor='#2E86AB', label='收入')
ax2.plot(months, profit, color='#A23B72', linewidth=3, marker='s', markersize=8, markerfacecolor='white', markeredgewidth=2,markeredgecolor='#A23B72', label='利潤')ax2.set_title('美化樣式', fontsize=16, fontweight='bold', pad=20)
ax2.set_xlabel('月份', fontsize=12, fontweight='bold')
ax2.set_ylabel('金額（萬元）', fontsize=12, fontweight='bold')
ax2.legend(frameon=True, fancybox=True, shadow=True, fontsize=11)
ax2.grid(True, alpha=0.3, linestyle='--')
ax2.set_facecolor('#f8f9fa')  # 設置背景色# 3. 顏色映射和漸變
x = np.linspace(0, 10, 100)
y = np.sin(x)
colors = plt.cm.viridis(np.linspace(0, 1, len(x)))  # 使用顏色映射for i in range(len(x)-1):ax3.plot(x[i:i+2], y[i:i+2], color=colors[i], linewidth=3)ax3.set_title('顏色漸變效果', fontsize=14, fontweight='bold')
ax3.set_xlabel('x值')
ax3.set_ylabel('sin(x)')
ax3.grid(True, alpha=0.3)# 4. 高級樣式設置
# 創建專業的財務圖表
ax4.plot(months, revenue, color='#1f77b4', linewidth=4, marker='o', markersize=10, label='月收入', zorder=3)# 添加填充區域
ax4.fill_between(months, revenue, alpha=0.3, color='#1f77b4')# 添加注釋
max_revenue_idx = np.argmax(revenue)
ax4.annotate(f'最高收入\n{revenue[max_revenue_idx]}萬元', xy=(months[max_revenue_idx], revenue[max_revenue_idx]),xytext=(max_revenue_idx+0.5, revenue[max_revenue_idx]+10),arrowprops=dict(arrowstyle='->', color='red', lw=2),fontsize=12, fontweight='bold',bbox=dict(boxstyle="round,pad=0.3", facecolor='yellow', alpha=0.7))# 設置坐標軸樣式
ax4.spines['top'].set_visible(False)     # 隱藏上邊框
ax4.spines['right'].set_visible(False)   # 隱藏右邊框
ax4.spines['left'].set_linewidth(2)      # 加粗左邊框
ax4.spines['bottom'].set_linewidth(2)    # 加粗下邊框ax4.set_title('專業財務圖表樣式', fontsize=14, fontweight='bold')
ax4.set_xlabel('月份', fontsize=12)
ax4.set_ylabel('收入（萬元）', fontsize=12)
ax4.grid(True, alpha=0.3, axis='y')plt.tight_layout()
plt.show()print("🎨 美化技巧總結:")
print("  - 選擇協調的顏色搭配")
print("  - 適當使用透明度和陰影")
print("  - 添加網格線但保持低調")
print("  - 使用注釋突出重點信息")
print("  - 簡化邊框，突出數據本身")

子圖和布局

# 復雜布局和子圖管理
print(f"\n📐 復雜布局設計")
print("=" * 25)# 創建綜合分析儀表板
fig = plt.figure(figsize=(20, 12))# 定義網格布局
gs = fig.add_gridspec(3, 4, hspace=0.3, wspace=0.3)# 準備各種示例數據
np.random.seed(42)
time_data = pd.date_range('2024-01-01', periods=365, freq='D')
daily_sales = np.random.normal(1000, 200, 365) + 100 * np.sin(np.arange(365) * 2 * np.pi / 365)categories = ['A', 'B', 'C', 'D', 'E']
category_values = [45, 38, 32, 28, 22]regions = ['北區', '南區', '東區', '西區']
region_data = np.random.rand(4, 6) * 100# 1. 主要趨勢圖（占據兩行）
ax_main = fig.add_subplot(gs[0:2, 0:2])
ax_main.plot(time_data, daily_sales, color='#1f77b4', linewidth=1.5, alpha=0.8)# 添加移動平均線
window = 30
rolling_mean = pd.Series(daily_sales).rolling(window=window).mean()
ax_main.plot(time_data, rolling_mean, color='red', linewidth=3, label=f'{window}天移動平均')ax_main.set_title('年度銷售趨勢分析', fontsize=16, fontweight='bold')
ax_main.set_xlabel('日期')
ax_main.set_ylabel('銷售額')
ax_main.legend()
ax_main.grid(True, alpha=0.3)# 2. 分類分析餅圖
ax_pie = fig.add_subplot(gs[0, 2])
wedges, texts, autotexts = ax_pie.pie(category_values, labels=categories, autopct='%1.1f%%', startangle=90)
ax_pie.set_title('產品類別分布', fontsize=12, fontweight='bold')# 3. 地區對比柱狀圖
ax_bar = fig.add_subplot(gs[0, 3])
bars = ax_bar.bar(regions, [sum(region_data[i]) for i in range(4)], color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4'])
ax_bar.set_title('各地區銷售總額', fontsize=12, fontweight='bold')
ax_bar.set_ylabel('銷售額')# 添加數值標簽
for bar in bars:height = bar.get_height()ax_bar.text(bar.get_x() + bar.get_width()/2., height + 5,f'{height:.0f}', ha='center', va='bottom')# 4. 熱力圖
ax_heatmap = fig.add_subplot(gs[1, 2:4])
im = ax_heatmap.imshow(region_data, cmap='YlOrRd', aspect='auto')# 設置坐標軸標簽
ax_heatmap.set_xticks(range(6))
ax_heatmap.set_xticklabels(['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun'])
ax_heatmap.set_yticks(range(4))
ax_heatmap.set_yticklabels(regions)
ax_heatmap.set_title('地區月度銷售熱力圖', fontsize=12, fontweight='bold')# 添加數值標注
for i in range(4):for j in range(6):text = ax_heatmap.text(j, i, f'{region_data[i, j]:.0f}',ha="center", va="center", color="black", fontsize=8)# 添加顏色條
cbar = plt.colorbar(im, ax=ax_heatmap, shrink=0.8)
cbar.set_label('銷售額', rotation=270, labelpad=15)# 5. 分布分析直方圖
ax_hist = fig.add_subplot(gs[2, 0])
ax_hist.hist(daily_sales, bins=30, alpha=0.7, color='skyblue', edgecolor='black')
ax_hist.set_title('銷售額分布', fontsize=12, fontweight='bold')
ax_hist.set_xlabel('銷售額')
ax_hist.set_ylabel('天數')
ax_hist.axvline(np.mean(daily_sales), color='red', linestyle='--', label=f'均值: {np.mean(daily_sales):.0f}')
ax_hist.legend()# 6. 相關性散點圖
ax_scatter = fig.add_subplot(gs[2, 1])
x_corr = np.random.normal(50, 15, 100)
y_corr = 0.7 * x_corr + np.random.normal(0, 10, 100)
ax_scatter.scatter(x_corr, y_corr, alpha=0.6, s=50)# 添加趨勢線
z = np.polyfit(x_corr, y_corr, 1)
p = np.poly1d(z)
ax_scatter.plot(x_corr, p(x_corr), "r--", alpha=0.8)ax_scatter.set_title('銷售額與廣告投入相關性', fontsize=12, fontweight='bold')
ax_scatter.set_xlabel('廣告投入')
ax_scatter.set_ylabel('銷售額')
ax_scatter.grid(True, alpha=0.3)# 7. 箱線圖
ax_box = fig.add_subplot(gs[2, 2])
box_data = [np.random.normal(0, std, 100) for std in range(1, 5)]
bp = ax_box.boxplot(box_data, labels=['Q1', 'Q2', 'Q3', 'Q4'], patch_artist=True)colors = ['lightblue', 'lightgreen', 'lightyellow', 'lightcoral']
for patch, color in zip(bp['boxes'], colors):patch.set_facecolor(color)ax_box.set_title('季度銷售分布', fontsize=12, fontweight='bold')
ax_box.set_ylabel('銷售額變化率')# 8. 綜合統計表格
ax_table = fig.add_subplot(gs[2, 3])
ax_table.axis('tight')
ax_table.axis('off')# 創建統計表格
stats_data = [['指標', '數值'],['總銷售額', f'{sum(daily_sales):.0f}萬'],['平均日銷售', f'{np.mean(daily_sales):.0f}萬'],['最高日銷售', f'{max(daily_sales):.0f}萬'],['銷售天數', f'{len(daily_sales)}天'],['增長率', '+15.3%']
]table = ax_table.table(cellText=stats_data, cellLoc='center', loc='center',colWidths=[0.4, 0.4])
table.auto_set_font_size(False)
table.set_fontsize(10)
table.scale(1, 2)# 設置表格樣式
for i in range(len(stats_data)):if i == 0:  # 標題行for j in range(2):table[(i, j)].set_facecolor('#4CAF50')table[(i, j)].set_text_props(weight='bold', color='white')else:for j in range(2):table[(i, j)].set_facecolor('#f0f0f0' if i % 2 == 0 else '#ffffff')ax_table.set_title('關鍵指標匯總', fontsize=12, fontweight='bold')# 添加總標題
fig.suptitle('銷售數據綜合分析儀表板', fontsize=20, fontweight='bold', y=0.98)plt.show()print("📊 復雜布局設計要點:")
print("  - 使用GridSpec進行精確布局控制")
print("  - 主要圖表占據更大空間")
print("  - 保持視覺平衡和邏輯關系")
print("  - 統一色彩主題和字體樣式")
print("  - 添加總標題增強整體性")

完整項目：銷售趨勢圖表制作

讓我們創建一個完整的銷售趨勢分析項目：

# sales_visualization.py - 銷售趨勢圖表制作項目
"""
使用Matplotlib創建專業的銷售趨勢分析圖表
演示數據可視化在業務分析中的應用
"""import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from datetime import datetime, timedelta
import seaborn as snsclass SalesVisualizationManager:"""銷售數據可視化管理器"""def __init__(self):"""初始化可視化管理器"""# 設置中文字體和樣式plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']plt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['figure.dpi'] = 100# 定義統一的顏色主題self.colors = {'primary': '#2E86AB','secondary': '#A23B72', 'success': '#4CAF50','warning': '#FF9800','danger': '#F44336','info': '#2196F3','light': '#F5F5F5','dark': '#333333'}# 設置默認樣式plt.style.use('default')print("📊 銷售數據可視化管理器初始化完成")def generate_sales_data(self, start_date='2023-01-01', days=365):"""生成模擬銷售數據參數:start_date: 開始日期days: 生成天數"""print(f"🎲 生成 {days} 天的銷售數據...")np.random.seed(42)# 生成日期序列date_range = pd.date_range(start=start_date, periods=days, freq='D')# 產品和地區信息products = ['iPhone', 'iPad', 'MacBook', 'AirPods', 'Apple Watch']regions = ['華東', '華南', '華北', '華中', '西部']records = []for date in date_range:for product in products:for region in regions:# 基礎銷售額（不同產品有不同基準）base_prices = {'iPhone': 5000, 'iPad': 3000, 'MacBook': 8000,'AirPods': 1500, 'Apple Watch': 2500}# 季節性因子day_of_year = date.timetuple().tm_ydayseasonal_factor = 1 + 0.3 * np.sin(2 * np.pi * day_of_year / 365)# 周末效應weekend_factor = 0.8 if date.weekday() >= 5 else 1.0# 地區系數region_factors = {'華東': 1.3, '華南': 1.2, '華北': 1.1, '華中': 0.9, '西部': 0.8}# 計算銷售額base_sales = base_prices[product]daily_sales = (base_sales * seasonal_factor * weekend_factor * region_factors[region] * np.random.normal(1, 0.2))# 確保為正數daily_sales = max(daily_sales, base_sales * 0.3)# 計算銷售數量quantity = max(1, int(daily_sales / (base_sales * 0.8) + np.random.normal(0, 0.5)))records.append({'Date': date,'Product': product,'Region': region,'Sales': round(daily_sales, 2),'Quantity': quantity,'Month': date.month,'Quarter': (date.month - 1) // 3 + 1,'Weekday': date.strftime('%A'),'IsWeekend': date.weekday() >= 5})self.sales_data = pd.DataFrame(records)print(f"? 銷售數據生成完成，共 {len(self.sales_data)} 條記錄")return self.sales_datadef create_time_series_charts(self):"""創建時間序列分析圖表"""print("📈 創建時間序列分析圖表...")# 準備時間序列數據daily_sales = self.sales_data.groupby('Date')['Sales'].sum().reset_index()monthly_sales = self.sales_data.groupby(self.sales_data['Date'].dt.to_period('M'))['Sales'].sum()weekly_sales = self.sales_data.groupby(self.sales_data['Date'].dt.to_period('W'))['Sales'].sum()fig, axes = plt.subplots(2, 2, figsize=(20, 12))fig.suptitle('銷售趨勢時間序列分析', fontsize=18, fontweight='bold')# 1. 日銷售趨勢ax1 = axes[0, 0]ax1.plot(daily_sales['Date'], daily_sales['Sales'], color=self.colors['primary'], linewidth=1, alpha=0.7)# 添加7天移動平均線daily_sales['MA7'] = daily_sales['Sales'].rolling(window=7).mean()ax1.plot(daily_sales['Date'], daily_sales['MA7'], color=self.colors['danger'], linewidth=3, label='7天移動平均')# 添加30天移動平均線daily_sales['MA30'] = daily_sales['Sales'].rolling(window=30).mean()ax1.plot(daily_sales['Date'], daily_sales['MA30'], color=self.colors['success'], linewidth=3, label='30天移動平均')ax1.set_title('日銷售額趨勢', fontsize=14, fontweight='bold')ax1.set_xlabel('日期')ax1.set_ylabel('銷售額（元）')ax1.legend()ax1.grid(True, alpha=0.3)# 2. 月度銷售趨勢ax2 = axes[0, 1]bars = ax2.bar(range(len(monthly_sales)), monthly_sales.values, color=self.colors['info'], alpha=0.8)# 添加趨勢線x_trend = range(len(monthly_sales))z = np.polyfit(x_trend, monthly_sales.values, 1)p = np.poly1d(z)ax2.plot(x_trend, p(x_trend), color=self.colors['danger'], linewidth=3, linestyle='--', label='趨勢線')ax2.set_title('月度銷售額趨勢', fontsize=14, fontweight='bold')ax2.set_xlabel('月份')ax2.set_ylabel('銷售額（元）')ax2.set_xticks(range(len(monthly_sales)))ax2.set_xticklabels([str(period) for period in monthly_sales.index], rotation=45)ax2.legend()# 添加數值標簽for i, bar in enumerate(bars):height = bar.get_height()ax2.text(bar.get_x() + bar.get_width()/2., height + height*0.01,f'{height/10000:.0f}萬', ha='center', va='bottom', fontsize=9)# 3. 周度銷售趨勢ax3 = axes[1, 0]ax3.plot(range(len(weekly_sales)), weekly_sales.values, marker='o', markersize=4, color=self.colors['secondary'], linewidth=2, markerfacecolor='white', markeredgewidth=2)ax3.set_title('周銷售額趨勢', fontsize=14, fontweight='bold')ax3.set_xlabel('周數')ax3.set_ylabel('銷售額（元）')ax3.grid(True, alpha=0.3)# 4. 季節性分析ax4 = axes[1, 1]# 按月份統計平均銷售額monthly_avg = self.sales_data.groupby('Month')['Sales'].mean()# 創建極坐標圖顯示季節性theta = np.linspace(0, 2*np.pi, 12)r = monthly_avg.values# 閉合曲線theta = np.concatenate([theta, [theta[0]]])r = np.concatenate([r, [r[0]]])ax4.plot(theta, r, color=self.colors['warning'], linewidth=3, marker='o')ax4.fill(theta, r, alpha=0.3, color=self.colors['warning'])ax4.set_thetagrids(np.arange(0, 360, 30), ['1月', '2月', '3月', '4月', '5月', '6月','7月', '8月', '9月', '10月', '11月', '12月'])ax4.set_title('月度銷售季節性分析（極坐標）', fontsize=14, fontweight='bold')plt.tight_layout()plt.show()print("? 時間序列圖表創建完成")def create_product_analysis_charts(self):"""創建產品分析圖表"""print("📱 創建產品分析圖表...")fig, axes = plt.subplots(2, 2, figsize=(18, 12))fig.suptitle('產品銷售分析', fontsize=18, fontweight='bold')# 1. 產品銷售額對比ax1 = axes[0, 0]product_sales = self.sales_data.groupby('Product')['Sales'].sum().sort_values(ascending=False)bars = ax1.bar(product_sales.index, product_sales.values, color=[self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']])ax1.set_title('各產品銷售額對比', fontsize=14, fontweight='bold')ax1.set_xlabel('產品')ax1.set_ylabel('銷售額（元）')ax1.tick_params(axis='x', rotation=45)# 添加數值標簽和百分比total_sales = product_sales.sum()for i, (bar, value) in enumerate(zip(bars, product_sales.values)):percentage = value / total_sales * 100ax1.text(bar.get_x() + bar.get_width()/2., bar.get_height() + value*0.01,f'{value/10000:.0f}萬\n({percentage:.1f}%)', ha='center', va='bottom', fontweight='bold')# 2. 產品市場份額餅圖ax2 = axes[0, 1]colors = [self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']]wedges, texts, autotexts = ax2.pie(product_sales.values, labels=product_sales.index,colors=colors, autopct='%1.1f%%', startangle=90,explode=(0.05, 0, 0, 0, 0))  # 突出最大份額ax2.set_title('產品市場份額分布', fontsize=14, fontweight='bold')# 美化餅圖文字for autotext in autotexts:autotext.set_color('white')autotext.set_fontweight('bold')autotext.set_fontsize(10)# 3. 產品月度趨勢對比ax3 = axes[1, 0]product_monthly = self.sales_data.groupby(['Month', 'Product'])['Sales'].sum().unstack()for i, product in enumerate(product_monthly.columns):ax3.plot(product_monthly.index, product_monthly[product], marker='o', linewidth=2, label=product, color=colors[i])ax3.set_title('各產品月度銷售趨勢', fontsize=14, fontweight='bold')ax3.set_xlabel('月份')ax3.set_ylabel('銷售額（元）')ax3.legend(bbox_to_anchor=(1.05, 1), loc='upper left')ax3.grid(True, alpha=0.3)# 4. 產品銷售數量與金額關系ax4 = axes[1, 1]product_stats = self.sales_data.groupby('Product').agg({'Sales': 'sum','Quantity': 'sum'}).reset_index()# 計算平均單價product_stats['AvgPrice'] = product_stats['Sales'] / product_stats['Quantity']# 氣泡圖：x=數量，y=銷售額，大小=平均單價scatter = ax4.scatter(product_stats['Quantity'], product_stats['Sales'],s=product_stats['AvgPrice']/10, alpha=0.6,c=range(len(product_stats)), cmap='viridis')# 添加產品名稱標注for i, row in product_stats.iterrows():ax4.annotate(row['Product'], (row['Quantity'], row['Sales']),xytext=(5, 5), textcoords='offset points',fontweight='bold')ax4.set_title('產品銷售數量vs金額關系\n（氣泡大小=平均單價）', fontsize=14, fontweight='bold')ax4.set_xlabel('銷售數量')ax4.set_ylabel('銷售額（元）')ax4.grid(True, alpha=0.3)plt.tight_layout()plt.show()print("? 產品分析圖表創建完成")def create_regional_analysis_charts(self):"""創建地區分析圖表"""print("🗺? 創建地區分析圖表...")fig, axes = plt.subplots(2, 2, figsize=(18, 12))fig.suptitle('地區銷售分析', fontsize=18, fontweight='bold')# 1. 地區銷售額對比ax1 = axes[0, 0]region_sales = self.sales_data.groupby('Region')['Sales'].sum().sort_values(ascending=True)bars = ax1.barh(region_sales.index, region_sales.values,color=self.colors['primary'])ax1.set_title('各地區銷售額對比', fontsize=14, fontweight='bold')ax1.set_xlabel('銷售額（元）')ax1.set_ylabel('地區')# 添加數值標簽for i, (bar, value) in enumerate(zip(bars, region_sales.values)):ax1.text(bar.get_width() + value*0.01, bar.get_y() + bar.get_height()/2,f'{value/10000:.0f}萬', va='center', fontweight='bold')# 2. 地區產品組合熱力圖ax2 = axes[0, 1]region_product = self.sales_data.groupby(['Region', 'Product'])['Sales'].sum().unstack()# 標準化數據以便比較region_product_norm = region_product.div(region_product.sum(axis=1), axis=0)im = ax2.imshow(region_product_norm.values, cmap='YlOrRd', aspect='auto')# 設置坐標軸ax2.set_xticks(range(len(region_product_norm.columns)))ax2.set_xticklabels(region_product_norm.columns, rotation=45)ax2.set_yticks(range(len(region_product_norm.index)))ax2.set_yticklabels(region_product_norm.index)ax2.set_title('地區產品組合熱力圖（比例）', fontsize=14, fontweight='bold')# 添加數值標注for i in range(len(region_product_norm.index)):for j in range(len(region_product_norm.columns)):text = ax2.text(j, i, f'{region_product_norm.iloc[i, j]:.2f}',ha="center", va="center", color="white", fontweight='bold')# 添加顏色條cbar = plt.colorbar(im, ax=ax2, shrink=0.8)cbar.set_label('產品占比', rotation=270, labelpad=15)# 3. 地區月度銷售趨勢ax3 = axes[1, 0]region_monthly = self.sales_data.groupby(['Month', 'Region'])['Sales'].sum().unstack()colors_region = [self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']]for i, region in enumerate(region_monthly.columns):ax3.plot(region_monthly.index, region_monthly[region], marker='o', linewidth=2, label=region, color=colors_region[i])ax3.set_title('各地區月度銷售趨勢', fontsize=14, fontweight='bold')ax3.set_xlabel('月份')ax3.set_ylabel('銷售額（元）')ax3.legend()ax3.grid(True, alpha=0.3)# 4. 地區銷售表現雷達圖ax4 = axes[1, 1]# 計算各地區的多個指標region_metrics = self.sales_data.groupby('Region').agg({'Sales': ['sum', 'mean', 'count'],'Quantity': 'sum'})# 扁平化列名region_metrics.columns = ['總銷售額', '平均訂單額', '訂單數', '總數量']# 標準化指標（0-1范圍）region_metrics_norm = region_metrics.div(region_metrics.max())# 選擇一個地區進行雷達圖展示selected_region = region_metrics_norm.index[0]values = region_metrics_norm.loc[selected_region].values# 設置雷達圖categories = region_metrics_norm.columnsN = len(categories)# 計算角度angles = [n / float(N) * 2 * np.pi for n in range(N)]angles += angles[:1]  # 閉合圖形# 閉合數據values = np.concatenate([values, [values[0]]])# 轉換為極坐標ax4 = plt.subplot(2, 2, 4, projection='polar')ax4.plot(angles, values, 'o-', linewidth=2, color=self.colors['primary'])ax4.fill(angles, values, alpha=0.25, color=self.colors['primary'])# 設置標簽ax4.set_xticks(angles[:-1])ax4.set_xticklabels(categories)ax4.set_ylim(0, 1)ax4.set_title(f'{selected_region}銷售表現雷達圖', fontsize=14, fontweight='bold', pad=20)plt.tight_layout()plt.show()print("? 地區分析圖表創建完成")def create_comprehensive_dashboard(self):"""創建綜合儀表板"""print("📊 創建綜合銷售儀表板...")# 創建大型儀表板fig = plt.figure(figsize=(24, 16))gs = fig.add_gridspec(4, 6, hspace=0.3, wspace=0.3)# 計算關鍵指標total_sales = self.sales_data['Sales'].sum()total_quantity = self.sales_data['Quantity'].sum()avg_order_value = self.sales_data['Sales'].mean()num_orders = len(self.sales_data)# 1. 關鍵指標卡片（頂部）metrics = [('總銷售額', f'{total_sales/10000:.0f}萬元', self.colors['primary']),('總銷量', f'{total_quantity:,}件', self.colors['success']),('平均訂單', f'{avg_order_value:.0f}元', self.colors['warning']),('訂單數量', f'{num_orders:,}筆', self.colors['info'])]for i, (title, value, color) in enumerate(metrics):ax = fig.add_subplot(gs[0, i:i+1])ax.text(0.5, 0.7, value, ha='center', va='center', fontsize=24, fontweight='bold', color=color)ax.text(0.5, 0.3, title, ha='center', va='center', fontsize=14, color='gray')ax.set_xlim(0, 1)ax.set_ylim(0, 1)ax.axis('off')# 添加背景框ax.add_patch(plt.Rectangle((0.05, 0.1), 0.9, 0.8, facecolor=color, alpha=0.1, linewidth=2))# 2. 主要銷售趨勢圖（左上大圖）ax_main = fig.add_subplot(gs[1:3, 0:3])daily_sales = self.sales_data.groupby('Date')['Sales'].sum()ax_main.plot(daily_sales.index, daily_sales.values, color=self.colors['primary'], linewidth=1.5, alpha=0.7)# 添加移動平均線ma7 = daily_sales.rolling(window=7).mean()ma30 = daily_sales.rolling(window=30).mean()ax_main.plot(daily_sales.index, ma7, color=self.colors['danger'], linewidth=2, label='7天移動平均')ax_main.plot(daily_sales.index, ma30, color=self.colors['success'], linewidth=2, label='30天移動平均')ax_main.set_title('日銷售額趨勢分析', fontsize=16, fontweight='bold')ax_main.set_xlabel('日期')ax_main.set_ylabel('銷售額（元）')ax_main.legend()ax_main.grid(True, alpha=0.3)# 3. 產品銷售分布（右上）ax_product = fig.add_subplot(gs[1, 3:5])product_sales = self.sales_data.groupby('Product')['Sales'].sum()bars = ax_product.bar(range(len(product_sales)), product_sales.values,color=[self.colors['primary'], self.colors['secondary'], self.colors['success'], self.colors['warning'], self.colors['info']])ax_product.set_title('產品銷售額分布', fontsize=14, fontweight='bold')ax_product.set_xticks(range(len(product_sales)))ax_product.set_xticklabels(product_sales.index, rotation=45)ax_product.set_ylabel('銷售額（元）')# 4. 地區銷售餅圖（右中）ax_region = fig.add_subplot(gs[2, 3:5])region_sales = self.sales_data.groupby('Region')['Sales'].sum()wedges, texts, autotexts = ax_region.pie(region_sales.values, labels=region_sales.index,autopct='%1.1f%%', startangle=90)ax_region.set_title('地區銷售分布', fontsize=14, fontweight='bold')# 5. 月度銷售對比（右上角）ax_monthly = fig.add_subplot(gs[1:3, 5])monthly_sales = self.sales_data.groupby('Month')['Sales'].sum()bars = ax_monthly.bar(monthly_sales.index, monthly_sales.values,color=self.colors['info'], alpha=0.8)ax_monthly.set_title('月度銷售', fontsize=12, fontweight='bold')ax_monthly.set_xlabel('月份')ax_monthly.set_ylabel('銷售額')# 6. 銷售熱力圖（底部左）ax_heatmap = fig.add_subplot(gs[3, 0:2])# 創建周-月熱力圖self.sales_data['Week'] = self.sales_data['Date'].dt.isocalendar().weekweek_month_sales = self.sales_data.groupby(['Month', 'Week'])['Sales'].sum().unstack(fill_value=0)# 只選擇前12周week_month_sales = week_month_sales.iloc[:, :12]im = ax_heatmap.imshow(week_month_sales.values, cmap='YlOrRd', aspect='auto')ax_heatmap.set_title('月度-周度銷售熱力圖', fontsize=12, fontweight='bold')ax_heatmap.set_xlabel('周')ax_heatmap.set_ylabel('月份')ax_heatmap.set_yticks(range(len(week_month_sales.index)))ax_heatmap.set_yticklabels(week_month_sales.index)# 7. 銷售分布直方圖（底部中）ax_dist = fig.add_subplot(gs[3, 2:4])ax_dist.hist(self.sales_data['Sales'], bins=30, alpha=0.7, color=self.colors['secondary'], edgecolor='black')ax_dist.set_title('單筆銷售額分布', fontsize=12, fontweight='bold')ax_dist.set_xlabel('銷售額（元）')ax_dist.set_ylabel('頻次')ax_dist.axvline(self.sales_data['Sales'].mean(), color='red', linestyle='--', label=f'均值: {self.sales_data["Sales"].mean():.0f}')ax_dist.legend()# 8. 關鍵統計表格（底部右）ax_table = fig.add_subplot(gs[3, 4:6])ax_table.axis('tight')ax_table.axis('off')# 計算統計數據stats_data = [['統計指標', '數值'],['最高日銷售', f'{daily_sales.max()/10000:.1f}萬元'],['最低日銷售', f'{daily_sales.min()/10000:.1f}萬元'],['銷售標準差', f'{daily_sales.std()/10000:.1f}萬元'],['最佳產品', product_sales.idxmax()],['最佳地區', region_sales.idxmax()],['數據天數', f'{len(daily_sales)}天']]table = ax_table.table(cellText=stats_data, cellLoc='center', loc='center',colWidths=[0.5, 0.5])table.auto_set_font_size(False)table.set_fontsize(10)table.scale(1, 1.5)# 設置表格樣式for i in range(len(stats_data)):if i == 0:for j in range(2):table[(i, j)].set_facecolor(self.colors['primary'])table[(i, j)].set_text_props(weight='bold', color='white')else:for j in range(2):table[(i, j)].set_facecolor('#f8f9fa' if i % 2 == 0 else '#ffffff')ax_table.set_title('關鍵統計指標', fontsize=12, fontweight='bold')# 添加總標題和時間戳fig.suptitle('銷售數據綜合分析儀表板', fontsize=24, fontweight='bold', y=0.98)# 添加生成時間current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')fig.text(0.99, 0.01, f'生成時間: {current_time}', ha='right', va='bottom', fontsize=10, color='gray')plt.show()print("? 綜合儀表板創建完成")def export_charts(self, format='png', dpi=300):"""導出圖表"""print(f"💾 導出圖表為 {format} 格式...")# 重新創建所有圖表并保存charts_info = [('時間序列分析', self.create_time_series_charts),('產品分析', self.create_product_analysis_charts),('地區分析', self.create_regional_analysis_charts),('綜合儀表板', self.create_comprehensive_dashboard)]for chart_name, chart_func in charts_info:plt.figure()chart_func()filename = f'sales_{chart_name}.{format}'plt.savefig(filename, dpi=dpi, bbox_inches='tight', facecolor='white', edgecolor='none')plt.close()print(f"  ? {filename} 已保存")print("📁 所有圖表已導出完成")def demo_sales_visualization():"""銷售可視化完整演示"""print("🚀 銷售趨勢圖表制作項目演示")print("=" * 50)# 創建可視化管理器viz_manager = SalesVisualizationManager()# 生成示例數據viz_manager.generate_sales_data(days=365)# 數據概覽print(f"\n📋 數據概覽:")print(f"數據形狀: {viz_manager.sales_data.shape}")print(f"日期范圍: {viz_manager.sales_data['Date'].min()} 到 {viz_manager.sales_data['Date'].max()}")print(f"產品種類: {viz_manager.sales_data['Product'].nunique()}種")print(f"銷售地區: {viz_manager.sales_data['Region'].nunique()}個")# 創建各類分析圖表viz_manager.create_time_series_charts()viz_manager.create_product_analysis_charts()viz_manager.create_regional_analysis_charts()viz_manager.create_comprehensive_dashboard()print(f"\n🎉 銷售趨勢圖表制作項目演示完成！")print("📊 你已經學會了創建專業的數據可視化圖表")if __name__ == "__main__":demo_sales_visualization()

可視化最佳實踐

圖表選擇指南

# 可視化最佳實踐指南
print("📚 可視化最佳實踐")
print("=" * 30)def choose_chart_type(data_type, purpose):"""根據數據類型和目的選擇合適的圖表類型參數:data_type: 數據類型purpose: 分析目的"""chart_guide = {('時間序列', '趨勢分析'): '線圖',('分類數據', '比較大小'): '柱狀圖',('分類數據', '部分整體'): '餅圖',('兩個連續變量', '相關關系'): '散點圖',('單個連續變量', '分布形狀'): '直方圖',('多個數值變量', '綜合比較'): '雷達圖',('二維數據', '模式識別'): '熱力圖',('分類統計', '分布比較'): '箱線圖'}return chart_guide.get((data_type, purpose), '根據具體情況選擇')# 圖表選擇示例
scenarios = [('時間序列', '趨勢分析', '股價變化、銷售趨勢'),('分類數據', '比較大小', '各產品銷量對比'),('分類數據', '部分整體', '市場份額分析'),('兩個連續變量', '相關關系', '身高體重關系'),('單個連續變量', '分布形狀', '考試成績分布'),('多個數值變量', '綜合比較', '員工能力評估'),('二維數據', '模式識別', '地區產品銷售'),('分類統計', '分布比較', '不同組別的數據分布')
]print("📊 圖表類型選擇指南:")
for data_type, purpose, example in scenarios:chart_type = choose_chart_type(data_type, purpose)print(f"  {data_type} + {purpose} → {chart_type}")print(f"    示例: {example}")print()

設計原則

# 可視化設計原則
print("🎨 可視化設計原則")
print("=" * 25)principles = [{'principle': '簡潔性原則','description': '去除不必要的裝飾，突出數據本身','good_practice': ['使用簡潔的配色', '避免3D效果', '減少圖表垃圾'],'bad_practice': ['過多的顏色', '復雜的背景', '無關的裝飾元素']},{'principle': '準確性原則', 'description': '確保圖表準確反映數據','good_practice': ['從0開始的y軸', '合適的比例尺', '清晰的標簽'],'bad_practice': ['截斷的y軸', '誤導的比例', '模糊的標簽']},{'principle': '可讀性原則','description': '確保觀眾能夠輕松理解圖表','good_practice': ['清晰的字體', '合適的大小', '有效的顏色對比'],'bad_practice': ['太小的字體', '低對比度', '難以區分的顏色']},{'principle': '一致性原則','description': '在同一報告中保持視覺風格統一','good_practice': ['統一的配色方案', '一致的字體', '相同的圖例位置'],'bad_practice': ['混亂的顏色使用', '不同的字體樣式', '隨意的布局']}
]for principle in principles:print(f"🔵 {principle['principle']}")print(f"   {principle['description']}")print(f"   ? 好的做法: {', '.join(principle['good_practice'])}")print(f"   ? 避免: {', '.join(principle['bad_practice'])}")print()