Day 104 — 数据可视化
📅 日期：Day 104 / 200 | 🏷️ 阶段：Phase 7 — 进阶与性能优化 | 📌 子主题：实战
目录
1. 概念总览
1.1 为什么需要数据可视化？
数据可视化是将数据转化为图形/图表的过程。人类大脑处理图像的速度比文字快 60,000 倍，可视化能帮助我们：
- 快速发现数据模式：趋势、异常值、分布特征
- 沟通分析结果：让非技术人员也能理解
- 验证假设：用视觉方式检验数据是否符合预期
- 讲故事：数据 + 叙事 = 有力的说服
1.2 Python 可视化生态
┌─────────────────────────────────────────────┐
│ Python 可视化生态 │
├─────────────────────────────────────────────┤
│ │
│ 基础层：Matplotlib（最底层、最灵活） │
│ ├── Seaborn（统计图表，基于 Matplotlib） │
│ ├── Pandas .plot()（快速绑定 DataFrame） │
│ └── Axes 级别定制 │
│ │
│ 交互层：Plotly / Bokeh（Web 交互式图表） │
│ │
│ 专用层： │
│ ├── Folium（地理地图） │
│ ├── NetworkX（网络图） │
│ └── WordCloud（词云） │
│ │
└─────────────────────────────────────────────┘
1.3 Matplotlib vs Seaborn vs Plotly
| 特性 | Matplotlib | Seaborn | Plotly |
|---|---|---|---|
| 定位 | 底层引擎 | 统计可视化 | 交互式可视化 |
| 学习曲线 | 陡峭 | 平缓 | 中等 |
| 定制性 | 极高 | 中等 | 中等 |
| 交互性 | ❌ | ❌ | ✅ |
| 适合场景 | 论文/报告 | EDA 分析 | Web 展示 |
| 依赖 | 无 | Matplotlib | 无 |
2. Matplotlib 深入
2.1 Figure 与 Axes 架构
Matplotlib 的核心是 双层对象模型：
Figure（画布）
└── Axes（子图/坐标系）—— 我们实际绑图的地方
├── xaxis（X 轴）
└── yaxis（Y 轴）
两种创建方式对比：
| 方式 | 语法 | 适用场景 |
|---|---|---|
| 面向对象（推荐） | fig, ax = plt.subplots() |
复杂图形、多子图 |
| pyplot 接口 | plt.plot() |
快速绘图、简单场景 |
2.2 常用图表类型
2.2.1 折线图 — 趋势分析
python
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(1, 13)
revenue = [120, 135, 148, 162, 155, 170, 185, 200, 192, 210, 225, 240]
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, revenue, marker='o', linewidth=2, label='月度营收')
ax.set_title('2024 年月度营收趋势', fontsize=14, fontweight='bold')
ax.set_xlabel('月份')
ax.set_ylabel('营收（万元）')
ax.set_xticks(x)
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('line_chart.png', dpi=150)
2.2.2 柱状图 — 分类对比
python
categories = ['Python', 'Java', 'JavaScript', 'Go', 'Rust']
popularity = [30.5, 18.2, 15.8, 10.5, 8.3]
fig, ax = plt.subplots(figsize=(8, 5))
bars = ax.bar(categories, popularity, color=['#3776AB', '#F89820', '#F7DF1E', '#00ADD8', '#DEA584'])
ax.set_title('编程语言流行度（TIOBE 2024）', fontsize=13)
ax.set_ylabel('市场份额 (%)')
# 在柱子上方标注数值
for bar, val in zip(bars, popularity):
ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.3,
f'{val}%', ha='center', va='bottom', fontsize=10)
plt.tight_layout()
plt.savefig('bar_chart.png', dpi=150)
2.2.3 散点图 — 相关性分析
python
import numpy as np
np.random.seed(42)
study_hours = np.random.uniform(1, 10, 50)
scores = study_hours * 8 + np.random.normal(0, 5, 50)
colors = np.random.choice(['red', 'blue', 'green'], 50)
fig, ax = plt.subplots(figsize=(8, 6))
scatter = ax.scatter(study_hours, scores, c=study_hours, cmap='coolwarm',
s=100, alpha=0.7, edgecolors='black')
plt.colorbar(scatter, label='学习时长')
ax.set_title('学习时长 vs 考试成绩', fontsize=13)
ax.set_xlabel('学习时长（小时）')
ax.set_ylabel('考试成绩')
# 添加趋势线
z = np.polyfit(study_hours, scores, 1)
p = np.poly1d(z)
ax.plot(sorted(study_hours), p(sorted(study_hours)), 'r--', alpha=0.8, label='趋势线')
ax.legend()
plt.tight_layout()
plt.savefig('scatter_chart.png', dpi=150)
2.2.4 饼图 — 占比分析
python
labels = ['产品 A', '产品 B', '产品 C', '产品 D', '其他']
sizes = [35, 25, 20, 12, 8]
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c2c2f0']
explode = (0.05, 0, 0, 0, 0) # 突出第一块
fig, ax = plt.subplots(figsize=(8, 6))
wedges, texts, autotexts = ax.pie(
sizes, explode=explode, labels=labels, colors=colors,
autopct='%1.1f%%', shadow=True, startangle=90
)
ax.set_title('产品市场份额', fontsize=13)
plt.tight_layout()
plt.savefig('pie_chart.png', dpi=150)
2.2.5 直方图 — 分布分析
python
data = np.random.normal(170, 10, 1000) # 身高数据
fig, ax = plt.subplots(figsize=(8, 5))
ax.hist(data, bins=30, edgecolor='black', alpha=0.7, color='steelblue')
ax.axvline(data.mean(), color='red', linestyle='--', linewidth=2, label=f'均值={data.mean():.1f}')
ax.axvline(data.median(), color='green', linestyle='-.', linewidth=2, label=f'中位数={np.median(data):.1f}')
ax.set_title('成年男性身高分布', fontsize=13)
ax.set_xlabel('身高（cm）')
ax.set_ylabel('频数')
ax.legend()
plt.tight_layout()
plt.savefig('histogram_chart.png', dpi=150)
2.2.6 箱线图 — 异常值检测
python
data_groups = [np.random.normal(loc, 5, 200) for loc in [160, 170, 175]]
fig, ax = plt.subplots(figsize=(8, 5))
bp = ax.boxplot(data_groups, labels=['女性', '男性（年轻）', '男性（年长）'],
patch_artist=True, notch=True)
colors_box = ['#FFB6C1', '#87CEEB', '#98FB98']
for patch, color in zip(bp['boxes'], colors_box):
patch.set_facecolor(color)
ax.set_title('不同群体身高分布', fontsize=13)
ax.set_ylabel('身高（cm）')
ax.grid(True, axis='y', alpha=0.3)
plt.tight_layout()
plt.savefig('boxplot_chart.png', dpi=150)
2.3 多子图布局
python
fig, axes = plt.subplots(2, 3, figsize=(15, 10))
# axes 是 2x3 的 ndarray，axes[0,0] 到 axes[1,2]
axes[0, 0].plot([1, 2, 3], [1, 4, 9])
axes[0, 0].set_title('子图 1')
# ... 为每个子图绑图
plt.tight_layout()
plt.savefig('subplots.png', dpi=150)
布局技巧：
| 方法 | 用途 |
|---|---|
plt.subplots(nrows, ncols) |
规则网格 |
fig.add_subplot(211) |
灵活添加 |
GridSpec |
不规则布局 |
plt.tight_layout() |
自动调整间距 |
constrained_layout=True |
更好的布局控制 |
2.4 样式与美化
python
# 查看可用样式
print(plt.style.available)
# 使用预设样式
plt.style.use('seaborn-v0_8') # 或 'ggplot', 'dark_background' 等
# 全局字体设置
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
3. Seaborn 数据可视化
3.1 Seaborn 核心优势
Seaborn 是 Matplotlib 的上层封装，专门用于统计可视化：
- 默认美观：自动应用主题，无需手动美化
- 数据绑定：直接绑定 DataFrame，无需手动提取列
- 内置统计：自动计算均值、置信区间等
- 分面绘图：轻松创建分组对比图
3.2 统计图表
3.2.1 Boxplot — 分布与异常值
python
import seaborn as sns
import pandas as pd
tips = sns.load_dataset('tips')
fig, ax = plt.subplots(figsize=(10, 6))
sns.boxplot(data=tips, x='day', y='total_bill', hue='sex', palette='Set2', ax=ax)
ax.set_title('不同日期的消费分布', fontsize=13)
plt.tight_layout()
plt.savefig('seaborn_boxplot.png', dpi=150)
3.2.2 Violin Plot — 分布形状
python
fig, ax = plt.subplots(figsize=(10, 6))
sns.violinplot(data=tips, x='day', y='total_bill', hue='sex',
split=True, palette='muted', ax=ax)
ax.set_title('消费分布（小提琴图）', fontsize=13)
plt.tight_layout()
plt.savefig('seaborn_violin.png', dpi=150)
3.2.3 Heatmap — 相关性矩阵
python
fig, ax = plt.subplots(figsize=(8, 6))
corr = tips[['total_bill', 'tip', 'size']].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', center=0,
fmt='.2f', linewidths=0.5, ax=ax)
ax.set_title('数值特征相关性矩阵', fontsize=13)
plt.tight_layout()
plt.savefig('seaborn_heatmap.png', dpi=150)
3.2.4 Pairplot — 多变量关系
python
iris = sns.load_dataset('iris')
sns.pairplot(iris, hue='species', palette='husl', diag_kind='kde')
plt.suptitle('鸢尾花特征关系矩阵', y=1.02, fontsize=13)
plt.savefig('seaborn_pairplot.png', dpi=150)
3.2.5 Countplot — 分类计数
python
fig, ax = plt.subplots(figsize=(8, 5))
sns.countplot(data=tips, x='day', hue='time', palette='pastel', ax=ax)
ax.set_title('不同日期的用餐次数', fontsize=13)
plt.tight_layout()
plt.savefig('seaborn_countplot.png', dpi=150)
3.2.6 Regression Plot — 回归趋势
python
fig, ax = plt.subplots(figsize=(8, 6))
sns.regplot(data=tips, x='total_bill', y='tip', scatter_kws={'alpha': 0.5}, ax=ax)
ax.set_title('消费金额 vs 小费', fontsize=13)
plt.tight_layout()
plt.savefig('seaborn_regplot.png', dpi=150)
3.3 Seaborn 图表选择指南
你想展示什么？
│
├── 分布 → histplot / kdeplot / displot
├── 分类对比 → barplot / countplot / boxplot
├── 关系 → scatterplot / lineplot / regplot
├── 多变量 → pairplot / heatmap
└── 分面 → FacetGrid / catplot / relplot
4. 图表类型速查
| 场景 | 推荐图表 | Matplotlib | Seaborn |
|---|---|---|---|
| 趋势变化 | 折线图 | ax.plot() |
sns.lineplot() |
| 分类对比 | 柱状图 | ax.bar() |
sns.barplot() |
| 占比构成 | 饼图 | ax.pie() |
— |
| 数据分布 | 直方图 | ax.hist() |
sns.histplot() |
| 分布形状 | 箱线图 | ax.boxplot() |
sns.boxplot() |
| 相关性 | 散点图 | ax.scatter() |
sns.scatterplot() |
| 热力图 | 相关矩阵 | ax.imshow() |
sns.heatmap() |
| 多变量 | 散点矩阵 | — | sns.pairplot() |
| 时间序列 | 折线图 | ax.plot() |
sns.lineplot() |
5. 数据探索性分析报告实战
下面是一个完整的 EDA（探索性分析）工作流：
python
"""
完整 EDA 流程：使用 Titanic 数据集
"""
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# ========== 1. 加载数据 ==========
titanic = sns.load_dataset('titanic')
# ========== 2. 基本信息 ==========
print("=" * 50)
print("📊 数据集概览")
print("=" * 50)
print(f"形状: {titanic.shape}")
print(f"\n数据类型:\n{titanic.dtypes}")
print(f"\n缺失值:\n{titanic.isnull().sum()}")
print(f"\n基本统计:\n{titanic.describe()}")
# ========== 3. 可视化分析 ==========
plt.style.use('seaborn-v0_8')
fig = plt.figure(figsize=(16, 14))
# 图1: 生存率分布
ax1 = fig.add_subplot(3, 2, 1)
survival = titanic['survived'].value_counts()
ax1.pie(survival, labels=['遇难', '存活'], autopct='%1.1f%%',
colors=['#ff6b6b', '#51cf66'], startangle=90)
ax1.set_title('生存率分布')
# 图2: 性别与生存率
ax2 = fig.add_subplot(3, 2, 2)
sns.countplot(data=titanic, x='sex', hue='survived', palette='Set2', ax=ax2)
ax2.set_title('性别与生存率')
ax2.legend(['遇难', '存活'])
# 图3: 船舱等级与生存率
ax3 = fig.add_subplot(3, 2, 3)
sns.countplot(data=titanic, x='class', hue='survived', palette='coolwarm', ax=ax3)
ax3.set_title('船舱等级与生存率')
ax3.legend(['遇难', '存活'])
# 图4: 年龄分布
ax4 = fig.add_subplot(3, 2, 4)
sns.histplot(data=titanic, x='age', hue='survived', kde=True,
palette='RdYlGn', ax=ax4, bins=30)
ax4.set_title('年龄分布与生存率')
# 图5: 船票价格分布
ax5 = fig.add_subplot(3, 2, 5)
sns.boxplot(data=titanic, x='class', y='fare', hue='survived',
palette='Set3', ax=ax5)
ax5.set_title('船票价格与生存率')
# 图6: 登船港口
ax6 = fig.add_subplot(3, 2, 6)
sns.countplot(data=titanic, x='embarked', hue='survived', palette='muted', ax=ax6)
ax6.set_title('登船港口与生存率')
plt.suptitle('🚢 Titanic 数据探索性分析报告', fontsize=16, fontweight='bold', y=1.02)
plt.tight_layout()
plt.savefig('titanic_eda_report.png', dpi=150, bbox_inches='tight')
plt.show()
6. 思考题
🤔 思考题
-
为什么折线图通常比柱状图更适合展示时间序列数据？ 柱状图在什么情况下可以用作时间序列？
-
箱线图中的"须"（whiskers）代表什么？ 超出须范围的点一定是异常值吗？如何调整异常值判定标准？
-
热力图中的颜色映射（colormap）选择有什么讲究？
coolwarm和viridis分别适合什么场景？ -
当你有 10 个以上分类变量需要对比时，柱状图会变得拥挤。 你会如何处理？列出至少 3 种方案。
-
Seaborn 的
pairplot在特征数量超过 10 时会变得非常慢且难以阅读。 在实际项目中你会如何优化这个过程？
📚 延伸阅读
附录：Matplotlib API 速查表
| 方法 | 功能 | 常用参数 |
|---|---|---|
plt.subplots() |
创建画布+子图 | nrows, ncols, figsize, dpi |
ax.plot() |
折线图 | marker, linewidth, label, color |
ax.bar() |
柱状图 | color, edgecolor, width |
ax.barh() |
水平柱状图 | height, color, edgecolor |
ax.scatter() |
散点图 | c, cmap, s, alpha, edgecolors |
ax.hist() |
直方图 | bins, edgecolor, alpha, density |
ax.boxplot() |
箱线图 | patch_artist, notch, labels |
ax.pie() |
饼图 | labels, autopct, explode, colors |
ax.imshow() |
热力图 | cmap, aspect, interpolation |
ax.text() |
添加文本 | x, y, s, fontsize, ha, va |
ax.legend() |
图例 | loc, fontsize, title |
ax.grid() |
网格线 | alpha, linestyle, which |
ax.set_title() |
标题 | fontsize, fontweight, pad |
ax.set_xlabel() |
X 轴标签 | fontsize, labelpad |
ax.set_ylabel() |
Y 轴标签 | fontsize, labelpad |
ax.set_xticks() |
X 轴刻度 | ticks, labels |
ax.set_xlim() |
X 轴范围 | left, right |
ax.set_ylim() |
Y 轴范围 | bottom, top |
plt.tight_layout() |
自动调整布局 | pad, h_pad, w_pad |
plt.savefig() |
保存图片 | dpi, bbox_inches, facecolor |
plt.close() |
关闭画布 | — |
附录：Seaborn API 速查表
| 方法 | 功能 | 常用参数 |
|---|---|---|
sns.histplot() |
直方图 | data, x, hue, kde, bins |
sns.kdeplot() |
密度图 | data, x, hue, fill, shade |
sns.boxplot() |
箱线图 | data, x, y, hue, palette |
sns.violinplot() |
小提琴图 | data, x, y, hue, split, inner |
sns.barplot() |
柱状图 | data, x, y, hue, ci |
sns.countplot() |
计数图 | data, x, hue, order |
sns.stripplot() |
散点图 | data, x, y, hue, jitter |
sns.swarmplot() |
蜂群图 | data, x, y, hue, size |
sns.scatterplot() |
散点图 | data, x, y, hue, style, size |
sns.lineplot() |
折线图 | data, x, y, hue, style |
sns.regplot() |
回归图 | data, x, y, scatter_kws |
sns.heatmap() |
热力图 | data, annot, cmap, center, fmt |
sns.pairplot() |
散点矩阵 | data, hue, diag_kind, palette |
sns.catplot() |
分类图 | data, x, y, hue, kind, col |
sns.set_theme() |
全局主题 | style, palette, font_scale |
附录：图表选择决策指南
| 你想回答的问题 | 推荐图表 | 示例场景 |
|---|---|---|
| 某指标随时间如何变化？ | 折线图 | 月度销售额趋势 |
| 不同类别之间如何对比？ | 柱状图 | 产品销量对比 |
| 各部分占总体的比例？ | 饼图 | 市场份额分布 |
| 数据的分布形状？ | 直方图 | 用户年龄分布 |
| 是否存在异常值？ | 箱线图 | 测试成绩异常检测 |
| 两变量之间有关系吗？ | 散点图 | 广告投入 vs 收入 |
| 哪些特征高度相关？ | 热力图 | 特征相关性分析 |
| 多个变量之间的关系？ | pairplot | 多维数据探索 |
| 分组数据的分布对比？ | violin/box | 不同实验组效果 |
| 分类变量的计数？ | countplot | 各状态工单数量 |
选图口诀：
- 看趋势 → 折线
- 看对比 → 柱状
- 看构成 → 饼/环
- 看分布 → 直方/密度
- 看关系 → 散点/热力
- 看异常 → 箱线