高级篇 / 第 21 章

第 21 章 · 数据可视化实战

可视化的本质与图形选型

1983 年，William Cleveland、William McGill、Jerdeen Terpenning 发表了一篇经典论文《Graphical Perception》，用心理物理实验量化了人眼对不同图形的判读精度。核心结论是：人类从「位置和长度」读取数值的能力，远强于从「角度、面积、颜色」读取数值。

一张决策流程图

1. 你想表达的是变化趋势吗？→ 折线图（横轴必须有意义，通常是时间）。
2. 是类目间比较吗？→ 柱状图（类目名长或类目多则横向条形图）。
3. 是两个连续变量的关系吗？→ 散点图（点太密用 hexbin 或透明度）。
4. 是单个连续变量的分布吗？→ 直方图 / 密度图 / 箱线图。
5. 是多维分布（类目 × 连续）吗？→ 箱线图、小提琴图、热力图。
6. 是占比构成吗？→ 堆叠柱状图或面积图（优于饼图）。
7. 以上都不符合 → 先问自己「我真正想让读者回答什么问题」。

环境准备

安装命令

pip install matplotlib seaborn pandas numpy plotly
# 中文字体（Linux/macOS）
sudo apt-get install fonts-noto-cjk   # 或从系统字体目录拷贝 .ttf
pip install kaleido                    # Plotly 导出静态图片需要

Matplotlib 的架构：Figure 与 Axes

Matplotlib 模仿 MATLAB 的绘图接口，最核心的心智模型是两级结构：

两种绘图风格：pyplot 状态式 vs OO 式

import numpy as np
import matplotlib.pyplot as plt

# 风格一：pyplot 状态式（像 MATLAB），plt.plot() 自动创建/复用当前 Axes
x = np.arange(0, 10, 0.5)
plt.plot(x, np.sin(x), label="sin")
plt.plot(x, np.cos(x), label="cos")
plt.title("状态式绘图")
plt.legend()
plt.show()

# 风格二：面向对象（OO），显式拿 Figure 和 Axes —— 推荐、可组合、不污染全局状态
fig, ax = plt.subplots(figsize=(8, 4), dpi=120)
ax.plot(x, np.sin(x), label="sin")
ax.set_title("OO 式绘图")
ax.legend()
fig.tight_layout()          # 自动调整边距，防止标签被裁掉
plt.show()

一次创建多个子图

fig, axes = plt.subplots(2, 2, figsize=(10, 6))
fig.suptitle("四个子图的总标题", fontsize=16)   # 整张图的总标题
axes[0, 0].plot(np.random.rand(10), "o-")
axes[0, 0].set_title("左上")
axes[0, 1].bar(["a", "b", "c"], [3, 1, 2])
axes[1, 0].scatter(np.random.rand(20), np.random.rand(20))
axes[1, 1].hist(np.random.randn(1000), bins=30, edgecolor="black")
fig.tight_layout(rect=[0, 0, 1, 0.96])        # rect 给 suptitle 留出空间
plt.show()

# 按行循环的惯用写法
fig, axes = plt.subplots(2, 3, figsize=(14, 7), sharex=True, sharey=True)
axes = axes.ravel()                            # 二维数组压成一维，便于遍历
for ax, col in zip(axes, ["r", "g", "b", "c", "m", "y"]):
    ax.plot(np.random.randn(50), color=col, alpha=0.6)
    ax.set_title(f"系列 {col}")
fig.tight_layout()
plt.show()

sharex=True / sharey=True 让多个子图共享坐标轴刻度，这在「同一指标的多组对比」中极其好用：读者一眼就能比出高低，而不需要在脑内换算刻度。

常用布局 API 对照

折线图：趋势与时间序列

import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

# 造 30 天数据
dates = [datetime(2024, 1, 1) + timedelta(days=i) for i in range(30)]
rng = np.random.default_rng(42)
values = np.cumsum(rng.normal(0.5, 3, 30)) + 100      # 随机游走
values[10] = 118                                          # 人为制造一个峰

fig, ax = plt.subplots(figsize=(10, 4.5), dpi=120)

# 折线 + 数据点，zorder 控制叠放次序（越大越靠上）
ax.plot(dates, values,
        marker="o", markersize=4, linewidth=1.8,
        color="#2E86DE", label="日活跃用户",
        zorder=3)

# 填充区域（同一条线到 y=某值 之间），比纯线更有体积感
ax.fill_between(dates, values, np.mean(values) - 10,
                color="#2E86DE", alpha=0.15, label="波动区间")

# 均值参考线 + 峰值标注
ax.axhline(values.mean(), linestyle="--", color="gray", linewidth=1)
ax.annotate("峰值 118", xy=(dates[10], 118), xytext=(dates[4], 126),
            arrowprops=dict(arrowstyle="->", color="crimson"),
            color="crimson", fontsize=10,
            bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="crimson", alpha=0.9))

# 坐标轴与刻度
ax.set_title("30 天日活趋势", fontsize=14, pad=12)
ax.set_xlabel("日期")
ax.set_ylabel("活跃用户数")
ax.xaxis.set_major_locator(matplotlib.dates.AutoDateLocator())
ax.xaxis.set_major_formatter(matplotlib.dates.DateFormatter("%m-%d"))
fig.autofmt_xdate()                                        # 日期标签自动旋转防重叠
ax.grid(True, linestyle=":", alpha=0.5)
ax.legend(loc="upper left", frameon=False)
fig.tight_layout()
plt.show()

线条样式的关键参数

多序列折线 + 双 Y 轴

fig, ax1 = plt.subplots(figsize=(9, 4.5))
x = np.arange(12)
sales = np.array([120, 135, 150, 148, 170, 190, 185, 200, 215, 230, 228, 250])
rate = np.array([2.1, 2.4, 2.6, 2.5, 3.0, 3.4, 3.3, 3.8, 4.1, 4.5, 4.4, 5.0])

l1, = ax1.plot(x, sales, "o-", color="#2E86DE", label="销售额(万元)")
ax1.set_xlabel("月份")
ax1.set_ylabel("销售额（万元）", color="#2E86DE")
ax1.tick_params(axis="y", labelcolor="#2E86DE")

ax2 = ax1.twinx()                                       # 共享 X 轴的第二个 Y 轴
l2, = ax2.plot(x, rate, "s--", color="#E74C3C", label="增长率(%)")
ax2.set_ylabel("增长率（%）", color="#E74C3C")
ax2.tick_params(axis="y", labelcolor="#E74C3C")

ax1.legend(handles=[l1, l2], loc="upper left")          # 两个轴的图例要手动合并
fig.tight_layout()
plt.show()

面积图与堆叠面积图

fig, ax = plt.subplots(figsize=(9, 4))
quarters = ["Q1", "Q2", "Q3", "Q4"]
web = np.array([30, 38, 45, 52])
app = np.array([20, 22, 24, 30])
other = np.array([10, 9, 11, 8])

ax.stackplot(quarters, web, app, other,
             labels=["Web", "App", "其他"], colors=["#2E86DE", "#E74C3C", "#95A5A6"])
ax.set_title("各渠道营收构成（万元）")
ax.set_ylabel("营收（万元）")
ax.legend(loc="upper left")
ax.grid(True, alpha=0.3)
fig.tight_layout()
plt.show()

柱状图、条形图与饼图

柱状图：最常用也最容易被用错

cats = ["北京", "上海", "广州", "深圳", "杭州", "成都"]
values = [1280, 1150, 980, 1350, 760, 620]

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4.5))

# 竖向柱状图 + 单柱配色 + 数值标注
colors = plt.cm.Blues(np.linspace(0.4, 0.9, len(cats)))
bars = ax1.bar(cats, values, color=colors, width=0.6, edgecolor="white")
for bar, v in zip(bars, values):
    ax1.text(bar.get_x() + bar.get_width() / 2, v + 25, f"{v}",
             ha="center", va="bottom", fontsize=9)
ax1.set_ylim(0, max(values) * 1.15)          # 留出顶部标注空间
ax1.set_title("六城市销售额（万元）")
ax1.set_ylabel("销售额（万元）")
ax1.grid(axis="y", alpha=0.3)

# 横向条形图：类目名很长时更易读，且从上到下按值排序
order = np.argsort(values)
ax2.barh(np.array(cats)[order], np.array(values)[order], color="#27AE60")
ax2.set_title("横向条形图（已排序）")
ax2.set_xlabel("销售额（万元）")
ax2.grid(axis="x", alpha=0.3)

fig.tight_layout()
plt.show()

分组柱状图与堆叠柱状图

import numpy as np
months = ["1月", "2月", "3月", "4月"]
desktop = np.array([820, 932, 901, 934])
mobile = np.array([120, 132, 101, 134])

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4.5))

# 分组（并排）
x = np.arange(len(months))
w = 0.35
b1 = ax1.bar(x - w / 2, desktop, w, label="桌面端", color="#2E86DE")
b2 = ax1.bar(x + w / 2, mobile, w, label="移动端", color="#E67E22")
ax1.set_xticks(x, months)                    # 新版写法：同时给位置和标签
ax1.bar_label(b1, fmt="%d", padding=2, fontsize=8)
ax1.bar_label(b2, fmt="%d", padding=2, fontsize=8)
ax1.set_title("分组柱状图：桌面 vs 移动")
ax1.legend()

# 堆叠
ax2.bar(months, desktop, label="桌面端", color="#2E86DE")
ax2.bar(months, mobile, bottom=desktop, label="移动端", color="#E67E22")
ax2.set_title("堆叠柱状图：总量与构成")
ax2.legend()

fig.tight_layout()
plt.show()

饼图与环形图（donut）

labels = ["iOS", "Android", "Web", "其他"]
sizes = [45, 35, 15, 5]
colors = ["#2E86DE", "#E74C3C", "#27AE60", "#95A5A6"]
explode = (0.05, 0, 0, 0)      # 突出第一块

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(11, 5))

wedges, texts, autotexts = ax1.pie(
    sizes, labels=labels, colors=colors, explode=explode,
    autopct="%1.1f%%",            # 显示百分比
    startangle=90,                # 从正上方开始，符合阅读习惯
    shadow=False,
    wedgeprops=dict(edgecolor="white", linewidth=2),
    textprops=dict(fontsize=10),
    pctdistance=0.75,
)
for t in autotexts:
    t.set_color("white")
    t.set_fontweight("bold")
ax1.set_title("流量来源占比")
ax1.axis("equal")                # 关键！保证饼是正圆而非椭圆

# 环形图 = wedgeprops 里加 width
wedges2, _ = ax2.pie(
    sizes, labels=labels, colors=colors, startangle=90,
    wedgeprops=dict(width=0.42, edgecolor="white"),
)
ax2.text(0, 0, f"总计\n{sum(sizes)}%", ha="center", va="center", fontsize=14)
ax2.set_title("环形图：中间可放汇总信息")

fig.tight_layout()
plt.show()

直方图：分布的真相

import numpy as np
rng = np.random.default_rng(0)
data = np.concatenate([rng.normal(0, 1, 5000), rng.normal(3, 0.6, 800)])

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(11, 4))
ax1.hist(data, bins=40, color="#3498DB", edgecolor="white")
ax1.set_title("直方图 bins=40")
ax1.set_xlabel("数值")
ax1.set_ylabel("频数")

ax2.hist(data, bins=40, density=True, alpha=0.7, color="#9B59B6",
         edgecolor="white", label="直方图（归一化）")

# 手写两条理论密度曲线作为参照：N(0,1) 与 N(3, 0.6^2)
xs = np.linspace(data.min(), data.max(), 400)
theoretical = (0.3989 * np.exp(-xs ** 2 / 2)
               + 0.08 * np.exp(-(xs - 3) ** 2 / (2 * 0.36)))
ax2.plot(xs, theoretical, "k--", lw=1.5, label="理论密度")
ax2.set_xlabel("数值")
ax2.set_ylabel("概率密度")
ax2.set_title("直方图 vs 密度曲线")
ax2.legend()
fig.tight_layout()
plt.show()

散点图、气泡图与 3D 图

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(7)
n = 300
x = rng.normal(0, 1, n)
y = 0.8 * x + rng.normal(0, 0.5, n)          # 正相关
size = rng.uniform(20, 200, n)                # 第三个维度 -> 气泡大小
color = y                                    # 第四个维度 -> 颜色

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4.8))

# 基础散点：alpha 解决重叠遮挡问题
ax1.scatter(x, y, s=30, alpha=0.6, c="#2E86DE", edgecolors="white", linewidths=0.5)
z = np.polyfit(x, y, 1)
xs = np.linspace(x.min(), x.max(), 100)
ax1.plot(xs, np.polyval(z, xs), "r--", lw=2, label=f"拟合线 y={z[0]:.2f}x+{z[1]:.2f}")
ax1.set_title("基础散点 + 线性拟合")
ax1.legend()
ax1.grid(alpha=0.3)

# 气泡图：大小 + 颜色编码两维
sc = ax2.scatter(x, y, s=size, c=color, cmap="viridis", alpha=0.75,
                 edgecolors="white", linewidths=0.5)
ax2.set_title("气泡图：大小=规模，颜色=数值")
ax2.set_xlabel("x")
ax2.set_ylabel("y")
cbar = fig.colorbar(sc, ax=ax2)                # 必须配色条，否则颜色含义不明
cbar.set_label("指标值")
fig.tight_layout()
plt.show()

相关矩阵热力图（不依赖 seaborn 的原生写法）

features = rng.normal(0, 1, (200, 5))
names = ["长度", "宽度", "高度", "重量", "密度"]
corr = np.corrcoef(features, rowvar=False)

fig, ax = plt.subplots(figsize=(7, 6))
im = ax.imshow(corr, cmap="RdBu_r", vmin=-1, vmax=1)   # vmin/vmax 固定色标范围
ax.set_xticks(range(len(names)), names, rotation=45, ha="right")
ax.set_yticks(range(len(names)), names)

# 每个格子中央标数值（热力图不标数值等于残废）
for i in range(len(names)):
    for j in range(len(names)):
        ax.text(j, i, f"{corr[i, j]:.2f}", ha="center", va="center",
                color="white" if abs(corr[i, j]) > 0.55 else "black")

fig.colorbar(im, ax=ax, shrink=0.8, label="相关系数")
ax.set_title("特征相关性矩阵（Pearson）")
fig.tight_layout()
plt.show()

3D 曲面图

from mpl_toolkits.mplot3d import Axes3D      # noqa: F401 仅为触发注册
fig = plt.figure(figsize=(7, 5))
ax = fig.add_subplot(111, projection="3d")

X = np.linspace(-5, 5, 60)
Y = np.linspace(-5, 5, 60)
X, Y = np.meshgrid(X, Y)
Z = np.exp(-(X ** 2 + Y ** 2) / 8)            # 高斯曲面

surf = ax.plot_surface(X, Y, Z, cmap="viridis", alpha=0.85,
                       linewidth=0, antialiased=True)
ax.contour(X, Y, Z, zdir="z", offset=-0.1, cmap="viridis")
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.set_zlabel("Z")
ax.set_title("三维曲面")
fig.colorbar(surf, ax=ax, shrink=0.6)
plt.show()

样式、配色与主题

样式表（style sheet）机制

import matplotlib.pyplot as plt

# 查看可用风格
print(plt.style.available)
# ['default', 'classic', 'bmh', 'ggplot', 'seaborn-v0_8-darkgrid', ...]

plt.style.use("seaborn-v0_8-whitegrid")        # 全局切换主题

# 一份「专业感」配置文件（可放到 myproject/mplstyle.py）
STYLE = {
    "figure.dpi": 120,
    "figure.facecolor": "white",
    "savefig.dpi": 300,
    "savefig.bbox": "tight",
    "font.size": 11,
    "axes.titlesize": 14,
    "axes.labelsize": 11,
    "axes.grid": True,
    "axes.axisbelow": True,                   # 网格线在数据下面
    "grid.linestyle": ":",
    "grid.alpha": 0.4,
    "xtick.direction": "out",
    "ytick.direction": "out",
    "legend.frameon": False,
    "lines.linewidth": 1.8,
    "lines.markersize": 5,
    "axes.prop_cycle": plt.cycler(
        color=["#2E86DE", "#E74C3C", "#27AE60", "#F39C12", "#9B59B6", "#16A085"]
    ),
}
plt.rcParams.update(STYLE)
print("当前字号:", plt.rcParams["font.size"])

配色方案

fig, axes = plt.subplots(1, 3, figsize=(15, 3.6))

# 1) 定性数据：类别有区分度但无顺序，如「华东/华北/华南」
q_colors = ["#2E86DE", "#E74C3C", "#27AE60"]
axes[0].bar(["A", "B", "C"], [5, 7, 4], color=q_colors)
axes[0].set_title("定性色（Qualitative）")

# 2) 连续型顺序色：数值有大小之分，如「低/中/高」
seq_cmap = plt.cm.Blues
seq_colors = [seq_cmap(x) for x in np.linspace(0.3, 0.95, 3)]
axes[1].bar(["低", "中", "高"], [5, 7, 4], color=seq_colors)
axes[1].set_title("顺序色（Sequential）")

# 3) 双向发散色：有「中点」含义，如「亏损 <-0- 盈利」
div_cmap = plt.cm.RdYlGn
div_colors = [div_cmap(0.15), div_cmap(0.5), div_cmap(0.85)]
axes[2].bar(["亏损", "持平", "盈利"], [5, 7, 4], color=div_colors)
axes[2].set_title("发散色（Diverging）")

fig.tight_layout()
plt.show()

# 检验配色是否对色觉障碍友好
from matplotlib.colors import check_contrast      # 对比度检查
print(check_contrast((0.18, 0.53, 0.87), (1.0, 1.0, 1.0)))

网格、坐标轴与 spines

fig, ax = plt.subplots(figsize=(7, 4.5))

ax.plot(np.arange(10), np.random.rand(10) * 10, marker="o")
ax.grid(True, axis="y", linestyle="--", alpha=0.4)     # 只留水平网格更清爽
ax.grid(axis="x", visible=False)

# 只保留左、下两条轴线，去掉上、右边框（现代图表风格）
ax.spines["top"].set_visible(False)
ax.spines["right"].set_visible(False)
ax.spines["left"].set_color("#BBBBBB")
ax.spines["bottom"].set_color("#BBBBBB")
ax.tick_params(colors="#555555", length=3)

ax.set_xlabel("X 轴标签", fontsize=11)
ax.set_ylabel("Y 轴标签", fontsize=11)
ax.set_xticks(np.arange(0, 10, 2))
ax.set_yticks(np.arange(0, 11, 2.5))
fig.tight_layout()
plt.show()

标注与标签：让图表会说话

一张好图的标题应当直接给出结论，而不是重复变量名。「销售额」是废话，「华东区销售额同比增长 32%，但客单价下降 8%」才是信息。

import numpy as np
import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(9, 5))
x = np.arange(5)
y = np.array([120, 135, 150, 148, 170])

# 1) 标题：写结论而不是写变量名
ax.set_title("2024 Q2 营收环比连续三月正增长，但 4 月首次环比转负",
             fontsize=13, pad=14, loc="left")

# 2) 折线转折点标注：xy 是数据坐标，xytext 是显示坐标
ax.plot(x, y, "o-", color="#2E86DE")
ax.annotate("4 月环比 -1.3%",
            xy=(3, 148), xytext=(1.6, 163),
            arrowprops=dict(arrowstyle="-|>", color="#E74C3C", lw=1.5,
                            connectionstyle="arc3,rad=-0.2"),
            bbox=dict(boxstyle="round,pad=0.4", fc="#FFF3CD", ec="#E74C3C", lw=1),
            fontsize=10, color="#7B241C")

# 3) 参考区间：axhspan / axvspan
ax.axhspan(140, 160, color="#95A5A6", alpha=0.2)
ax.text(0.02, 150, "目标区间 140~160", transform=ax.get_yaxis_transform(),
        va="center", fontsize=9, color="#566573")

# 4) 箭头指向极值
i_max, i_min = int(np.argmax(y)), int(np.argmin(y))
ax.annotate(f"最高 {y[i_max]}", xy=(i_max, y[i_max]), xytext=(i_max - 1.6, y[i_max] + 9),
            arrowprops=dict(arrowstyle="->", color="green"), color="green")

# 5) 文本框补充口径说明
ax.text(0.5, -0.18, "数据来源：内部 BI 系统，统计口径为不含内部交易",
        transform=ax.transAxes, ha="center", fontsize=9, color="#888888")

# 6) 轴范围与标签
ax.set_xticks(x, ["1月", "2月", "3月", "4月", "5月"])
ax.set_ylim(100, 185)
ax.set_xlabel("月份")
ax.set_ylabel("营收（百万元）")
ax.legend(["营收"], loc="lower right", frameon=False)
fig.tight_layout()
plt.show()

标注 API 速查

多子图的共享图例

fig, axes = plt.subplots(2, 2, figsize=(10, 7))
for ax in axes.ravel():
    ax.plot([1, 2, 3], label="系列 A")
    ax.plot([3, 2, 1], label="系列 B")
    ax.set_title(f"子图 {ax.get_title() or ''}", fontsize=10)

# 先在第一个 ax 上建图例，再取它的 handles 给整张图用
handles, labels = axes[0, 0].get_legend_handles_labels()
fig.legend(handles, labels, loc="upper center", ncol=2, bbox_to_anchor=(0.5, 1.0))
fig.suptitle("全局共享图例示例", y=0.98)
fig.tight_layout(rect=[0, 0, 1, 0.93])
plt.show()

中文字体与负号显示

中文环境下 Matplotlib 有两个必踩的坑：

1. 中文显示为方框豆腐块——因为默认字体 DejaVu Sans 没有 CJK 字形。
2. 负号显示为方框——因为负号 U+2212 不在默认字体里，Matplotlib 官方 FAQ 给的解法是把 axes.unicode_minus 关掉。

import matplotlib
matplotlib.use("Agg")                      # 服务器环境务必放最前
import matplotlib.pyplot as plt
from matplotlib import font_manager

# 1) 查看系统里有哪些字体（含字体文件路径）
available = {f.name for f in font_manager.fontManager.ttflist}
print("是否含中文字体:", {"SimHei", "Microsoft YaHei", "Noto Sans CJK SC", "WenQuanYi Micro Hei"} & available)

# 2) 方案 A：按字体「名称」设置（最常用）
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Noto Sans CJK SC"]
plt.rcParams["axes.unicode_minus"] = False       # 修复负号方框

# 3) 方案 B：按字体「文件路径」加载私有字体（推荐给服务器/CI，最可控）
font_path = "/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc"
try:
    font_manager.fontManager.addfont(font_path)
    prop = font_manager.FontProperties(fname=font_path)
    print("已加载字体:", prop.get_name())
    plt.rcParams["font.family"] = prop.get_name()
except FileNotFoundError:
    print("字体文件不存在，回退到系统字体名方案")
plt.rcParams["axes.unicode_minus"] = False

# 4) 局部指定字体（只给某一个文本对象）
fig, ax = plt.subplots(figsize=(6, 3))
bars = ax.bar(["一月", "二月", "三月"], [3, 5, 2])
ax.bar_label(bars, labels=["+12%", "-8%", "+3%"],       # 含负号的中文标注
             fontsize=10, color="#333333")
fig.tight_layout()
fig.savefig("chinese_font_demo.png", dpi=150)
print("saved")

下载并使用中文字体的完整脚本

# -*- coding: utf-8 -*-
"""把中文字体下载到项目内 fonts/ 目录，避免依赖系统字体。"""
import os
import urllib.request
from matplotlib import font_manager

FONT_DIR = os.path.join(os.path.dirname(__file__), "fonts")
FONT_FILE = os.path.join(FONT_DIR, "NotoSansSC-Regular.otf")
URL = "https://github.com/notofonts/noto-cjk/raw/main/Sans/OTF/SimplifiedChinese/NotoSansCJKsc-Regular.otf"

def setup_chinese_font() -> str:
    os.makedirs(FONT_DIR, exist_ok=True)
    if not os.path.exists(FONT_FILE):
        urllib.request.urlretrieve(URL, FONT_FILE)          # 首次联网下载
    font_manager.fontManager.addfont(FONT_FILE)
    name = font_manager.FontProperties(fname=FONT_FILE).get_name()
    import matplotlib.pyplot as plt
    plt.rcParams["font.family"] = name
    plt.rcParams["axes.unicode_minus"] = False
    return name

if __name__ == "__main__":
    print("当前字体:", setup_chinese_font())

字体相关排错

Seaborn：统计图表的瑞士军刀

Seaborn 是构建在 Matplotlib 之上的统计绘图库，核心理念是「面向数据集（data-frame oriented）」和「语义化映射（semantic mapping）」：你不画具体的线，你声明「颜色代表什么变量」「位置代表什么变量」，剩下的它来推断。

import numpy as np
import pandas as pd
import seaborn as sns

sns.set_theme(style="whitegrid", context="talk", palette="deep")
# style  : whitegrid / darkgrid / ticks / white / dark
# context: talk / paper / notebook / poster（控制整体字号）
# palette: deep / muted / bright / pastel / dark / colorblind

# 造一份贴合业务的数据集
rng = np.random.default_rng(2024)
df = pd.DataFrame({
    "城市": rng.choice(["北京", "上海", "广州", "深圳"], 400),
    "渠道": rng.choice(["线上", "线下", "代理"], 400),
    "销售额": rng.gamma(shape=2.0, scale=500, size=400).round(1),
    "满意度": rng.normal(7.5, 1.4, 400).clip(1, 10),
    "满意度_整数": rng.integers(6, 10, 400),
    "月份": rng.choice(["1月", "2月", "3月", "4月"], 400),
})
df["增长额"] = df["销售额"] * 0.15
print(df.head())

Seaborn 核心函数速查

箱线图 + 小提琴图 + 原始点（分布三件套）

fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(16, 4.6))

sns.boxplot(data=df, x="城市", y="销售额", hue="渠道", ax=ax1, palette="Set2")
ax1.set_title("箱线图：五数概括")
ax1.set_xticklabels(ax1.get_xticklabels(), rotation=20)

sns.violinplot(data=df, x="城市", y="销售额", hue="渠道",
               palette="Set2", inner="quart", cut=0, ax=ax2, split=False)
ax2.set_title("小提琴图：核密度宽度")

sns.stripplot(data=df, x="城市", y="销售额", hue="渠道",
              jitter=True, alpha=0.5, size=3, palette="Set2", ax=ax3)
sns.boxplot(data=df, x="城市", y="销售额", hue="渠道", palette="Set2",
            showfliers=False, ax=ax3, width=0.5)
ax3.set_title("蜂群图 + 箱线叠加")
for ax in (ax1, ax2, ax3):
    ax.tick_params(axis="x", rotation=20)
fig.tight_layout()
plt.show()

关系图与回归

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 4.6))

# hue 分组 + size 映射第三个变量 + style 分线型
sns.scatterplot(data=df, x="销售额", y="满意度_整数", hue="渠道",
                size="增长额", sizes=(30, 300), style="渠道",
                palette="Dark2", alpha=0.7, ax=ax1)
ax1.set_title("scatterplot：颜色/大小/形状三重映射")

# lmplot：线性回归 + 95% 置信带
sns.regplot(data=df, x="销售额", y="满意度_整数",
            scatter_kws={"alpha": 0.4, "s": 20}, line_kws={"color": "red"},
            ax=ax2)
sns.kdeplot(data=df, x="销售额", hue="渠道", fill=True, alpha=0.25,
            warn_singular=False, ax=ax2)
ax2.set_title("regplot + kdeplot")
fig.tight_layout()
plt.show()

# 分类时间序列：sns.lineplot 会自动对重复 x 求均值并画置信区间
fig, ax = plt.subplots(figsize=(9, 4.5))
sns.lineplot(data=df, x="月份", y="销售额", hue="城市", marker="o", ax=ax)
ax.set_title("按城市分组的月度均值趋势（95% CI）")
fig.tight_layout()
plt.show()

热力图与相关矩阵

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5.5),
                                gridspec_kw={"width_ratios": [1, 1.15]})

num_df = df[["销售额", "满意度", "满意度_整数", "增长额"]]
corr = num_df.corr()

mask = np.triu(np.ones_like(corr, dtype=bool))          # 遮住上三角，减少冗余
sns.heatmap(corr, mask=mask, annot=True, fmt=".2f",
            cmap="coolwarm", center=0, vmin=-1, vmax=1,
            square=True, linewidths=0.5, ax=ax1)
ax1.set_title("数值型相关矩阵（上三角已隐藏）")

# 交叉表热力图：两个类目变量的频次
ct = pd.crosstab(df["城市"], df["渠道"])
sns.heatmap(ct, annot=True, fmt="d", cmap="YlGnBu", ax=ax2,
            cbar_kws={"label": "记录数"})
ax2.set_title("城市 × 渠道 记录数交叉表")
fig.tight_layout()
plt.show()

pairplot 与 jointplot

g = sns.pairplot(df, vars=["销售额", "满意度", "增长额"],
                 hue="渠道", palette="Set1", diag_kind="kde",
                 corner=True, height=3.2, plot_kws={"alpha": 0.6, "s": 20})
g.fig.suptitle("成对关系矩阵（仅下三角）", y=1.02)
g.map_upper(sns.kdeplot, fill=True, alpha=0.3, warn_singular=False)
plt.show()

g2 = sns.jointplot(data=df, x="销售额", y="满意度_整数", hue="渠道",
                   kind="reg", height=5.5,
                   marginal_kws=dict(bins=25, alpha=0.4),
                   joint_kws=dict(alpha=0.5))
g2.fig.suptitle("联合图：回归趋势 + 边缘分布", y=1.0)
plt.show()

facet 分面网格

g = sns.relplot(data=df, x="销售额", y="满意度_整数",
                 hue="渠道", col="城市", col_wrap=2,          # 每行 2 个分面
                 kind="scatter", height=3.2, aspect=1.2,
                 palette="Set2", facet_kws={"sharey": True})
g.set_axis_labels("销售额（元）", "满意度")
g.set_titles("{col_name}")
g.add_legend(loc="lower right")
g.figure.tight_layout()
plt.show()

与 Pandas 无缝联动

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("sales.csv", parse_dates=["日期"])      # 重要：先解析成 datetime

# 1) 直接调用绘图方法（会自动带索引到 x 轴，列名到 legend）
ax = df["销售额"].plot(figsize=(10, 4), title="销售额走势", grid=True)
ax.set_ylabel("销售额（万元）")
ax.figure.tight_layout()

# 2) 透视 + 绘图：把 DataFrame 直接变图
pivot = df.pivot_table(index="日期", columns="城市",
                       values="销售额", aggfunc="sum").sort_index()
ax = pivot.plot(figsize=(11, 4.5), marker="o", linewidth=1.6)
ax.set_title("各城市销售额日趋势")
ax.set_ylabel("销售额（万元）")
ax.legend(title="城市", ncol=len(pivot.columns))
ax.figure.tight_layout()

# 3) 分布直方图：kind 支持 count / bar / box / kde / area / violin / scatter / hex
ax = df["销售额"].plot.hist(bins=30, figsize=(8, 4), density=True, alpha=0.7)
df["销售额"].plot.kde(ax=ax, color="red", linewidth=2)
ax.set_title("销售额分布（直方图 + 核密度）")

# 4) 散点矩阵
pd.plotting.scatter_matrix(df[["销售额", "满意度"]], figsize=(7, 7),
                           diagonal="kde", alpha=0.5, color="steelblue")

# 5) 箱线图按类目分组
ax = df.boxplot(column="销售额", by="城市", figsize=(9, 4.5))
ax.set_title("")                    # 去掉 Pandas 自动生成的重复标题
plt.suptitle("各城市销售额分布", y=1.02)
plt.xticks(rotation=20)

# 6) 自定义：算好统计量再画，手控力最强
agg = df.groupby("城市")["销售额"].agg(["mean", "std", "count"]).sort_values("mean")
fig, ax = plt.subplots(figsize=(8, 4.5))
bars = ax.bar(agg.index, agg["mean"], yerr=agg["std"], capsize=4,
              color="#2E86DE", alpha=0.85)
ax.bar_label(bars, fmt="%.0f", padding=3)
ax.set_ylabel("平均销售额（万元）")
ax.set_title("各城市平均销售额（误差棒 = 标准差）")
fig.tight_layout()
plt.show()

Plotly：交互式可视化与 Dash 仪表板

Plotly 的卖点是交互 + 浏览器渲染（WebGL/SVG）+ 零成本嵌网页。它有三大件：

Plotly Express：五行代码出一张交互图

import plotly.express as px

fig = px.scatter(df, x="销售额", y="满意度_整数", color="渠道",
                 size="增长额", symbol="城市",
                 hover_name="城市", hover_data={"月份": True, "满意度": ":.2f"},
                 facet_col="月份", facet_col_wrap=2,
                 trendline="ols",                       # 需要 statsmodels
                 title="销售额与满意度的关系",
                 labels={"销售额": "销售额（元）", "满意度_整数": "满意度"})
fig.update_layout(template="plotly_white", legend_title="渠道", height=700)
fig.update_xaxes(title_text="销售额（元）", row=1, col=1)
fig.show()

# 常用图表的 px 速记
px.line(df, x="日期", y="销售额", color="城市")            # 折线
px.bar(df, x="城市", y="销售额", color="渠道", barmode="stack")  # 柱状
px.pie(df, names="渠道", values="销售额", hole=0.4)        # 环形图
px.box(df, x="城市", y="满意度", color="渠道")              # 箱线图
px.violin(df, x="城市", y="销售额", box=True, points="all")# 小提琴图
px.histogram(df, x="销售额", color="渠道", marginal="rug", nbins=40)
px.density_contour(df, x="销售额", y="满意度", color="渠道")# 等高线
px.imshow(corr, text_auto=".2f", color_continuous_scale="RdBu_r",
          zmin=-1, zmax=1, labels=dict(x="变量", y="变量"))   # 热力图
px.parallel_coordinates(df[["销售额", "满意度", "增长额"]])   # 平行坐标

graph_objects：精细控制

import plotly.graph_objects as go

fig = go.Figure()

# 两条线 + 自定义 hover + 填充
fig.add_trace(go.Scatter(
    x=[1, 2, 3, 4], y=[10, 15, 13, 20],
    mode="lines+markers", name="线上渠道",
    line=dict(color="#2E86DE", width=3, shape="spline", smoothing=1.0),
    marker=dict(size=10, symbol="circle", color="#2E86DE",
                line=dict(width=2, color="white")),
    fill="tozeroy", fillcolor="rgba(46,134,222,0.15)",
    hovertemplate="第 %{x} 周<br>销售额 %{y} 万元<extra></extra>",
))
fig.add_trace(go.Bar(
    x=[1, 2, 3, 4], y=[8, 12, 9, 14], name="线下渠道",
    marker_color="#E74C3C", text=[8, 12, 9, 14], textposition="outside",
))

fig.update_layout(
    title=dict(text="渠道周销售额对比", x=0.02, xanchor="left"),
    xaxis_title="周次", yaxis_title="销售额（万元）",
    template="plotly_white", hovermode="x unified",
    legend=dict(orientation="h", yanchor="bottom", y=1.02, x=0),
    width=900, height=450,
)
fig.update_layout(barmode="group", bargap=0.25)
fig.show()

# 输出为独立 HTML 文件（自包含 JS，无需联网）—— 交付给不懂 Python 的同事
fig.write_html("chart.html", include_plotlyjs="cdn", full_html=True)
# 需要离线打开就把 include_plotlyjs 改为 True（文件约 4MB）
fig.write_html("chart_offline.html", include_plotlyjs=True)

# 导出静态图需要 kaleido：pip install -U kaleido
fig.write_image("chart.png", width=1200, height=600, scale=2)
fig.write_image("chart.pdf")

Plotly 交互配置速查

# 关闭右上角 Plotly logo、去掉模式栏按钮、响应式
config = {
    "displaylogo": False,
    "displayModeBar": "hover",                 # 鼠标移上去才显示工具条
    "responsive": True,
    "scrollZoom": True,
    "toImageButtonOptions": {"format": "png", "filename": "sales", "scale": 2},
    "locale": "zh-cn",
}
fig.show(config=config)

# 注入到 HTML 模板中
html = fig.to_html(include_plotlyjs="cdn", full_html=False, config=config)
with open("report_snippet.html", "w", encoding="utf-8") as f:
    f.write(f"<div class='chart-box'>{html}</div>")
print("HTML 片段已写出")

Dash：把图表做成网页仪表板

# app.py —— 运行：python app.py  然后浏览器打开 http://127.0.0.1:8050
from dash import Dash, dcc, html, Input, Output, callback
import pandas as pd
import plotly.express as px

app = Dash(__name__)
app.title = "销售分析仪表板"

df = pd.read_csv("sales.csv")
CITY_OPTIONS = [{"label": c, "value": c} for c in sorted(df["城市"].unique())]
CHANNEL_OPTIONS = [{"label": "全部", "value": "ALL"}] + [
    {"label": c, "value": c} for c in sorted(df["渠道"].unique())
]

app.layout = html.Div(
    style={"fontFamily": "sans-serif", "padding": "24px", "maxWidth": "1200px", "margin": "auto"},
    children=[
        html.H1("销售分析仪表板", style={"color": "#2E86DE"}),
        html.Div([
            html.Div([html.Label("城市"), dcc.Dropdown(id="city", options=CITY_OPTIONS,
                                                       value="ALL", clearable=True)],
                     style={"flex": "1", "marginRight": "12px"}),
            html.Div([html.Label("渠道"), dcc.Dropdown(id="channel", options=CHANNEL_OPTIONS,
                                                       value="ALL", clearable=True)],
                     style={"flex": "1", "marginRight": "12px"}),
            html.Div([html.Label("指标"), dcc.Dropdown(
                id="metric",
                options=[{"label": "销售额", "value": "销售额"},
                         {"label": "满意度", "value": "满意度"}],
                value="销售额", clearable=False)], style={"flex": "1"}),
        ], style={"display": "flex", "gap": "8px", "marginBottom": "16px"}),
        html.Div(id="kpi-row", style={"display": "flex", "gap": "16px", "marginBottom": "16px"}),
        dcc.Graph(id="trend", style={"height": "380px"}),
        dcc.Graph(id="dist", style={"height": "380px"}),
        dcc.Graph(id="share"),
    ],
)

@callback(
    Output("kpi-row", "children"),
    Output("trend", "figure"),
    Output("dist", "figure"),
    Output("share", "figure"),
    Input("city", "value"),
    Input("channel", "value"),
    Input("metric", "value"),
)
def update(city, channel, metric):
    d = df.copy()
    if city and city != "ALL":
        d = d[d["城市"] == city]
    if channel and channel != "ALL":
        d = d[d["渠道"] == channel]

    total = round(d["销售额"].sum(), 1)
    avg_sat = round(d["满意度"].mean(), 2) if len(d) else 0
    cnt = len(d)

    def card(label, value):
        return html.Div([
            html.Div(label, style={"fontSize": "13px", "color": "#777"}),
            html.Div(value, style={"fontSize": "26px", "fontWeight": "bold", "color": "#2E86DE"}),
        ], style={"flex": "1", "padding": "14px", "border": "1px solid #e6e6e6",
                  "borderRadius": "8px", "boxShadow": "0 1px 4px rgba(0,0,0,.06)"})

    kpis = [card("总销售额（元）", f"{total:,.0f}"), card("平均满意度", avg_sat),
            card("记录数", cnt)]

    trend = px.line(d, x="日期" if "日期" in d.columns else "月份", y=metric,
                    color="渠道" if "渠道" in d.columns else None,
                    markers=True, template="plotly_white", title=f"{metric} 趋势")
    dist = px.histogram(d, x=metric, color="渠道" if "渠道" in d.columns else None,
                        marginal="box", nbins=35, template="plotly_white",
                        title=f"{metric} 分布")
    share = px.pie(d, names="渠道", values="销售额", hole=0.45, template="plotly_white",
                   title="渠道占比")
    return kpis, trend, dist, share


if __name__ == "__main__":
    app.run(debug=True, port=8050)      # 生产用 gunicorn + waitress
# 生产部署：gunicorn -b 0.0.0.0:8050 app:server
#            其中 server = app.server

Matplotlib / Seaborn / Plotly 选型

保存、导出与组合发布

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(8, 4.5), dpi=100)

# 1) 保存前务必先调布局，否则标签会被裁掉
fig.tight_layout()

fig.savefig("out/chart.png", dpi=300, bbox_inches="tight",
            facecolor="white", transparent=False)
fig.savefig("out/chart.pdf", bbox_inches="tight")        # 矢量，论文首选
fig.savefig("out/chart.svg", bbox_inches="tight")        # 网页无损缩放

# 2) 拼接多张子图到一个文件
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
for i, ax in enumerate(axes.ravel()):
    ax.plot(np.random.randn(50).cumsum())
    ax.set_title(f"面板 {i + 1}")
fig.suptitle("年度四季度指标总览", fontsize=16)
fig.tight_layout(rect=[0, 0, 1, 0.95])
fig.savefig("out/dashboard_2x2.png", dpi=200, bbox_inches="tight")

# 3) 从保存的图读回（可用于二次合成）
img = plt.imread("out/chart.png")
fig2, ax2 = plt.subplots(figsize=(10, 6))
ax2.imshow(img)
ax2.axis("off")
fig2.savefig("out/embedded.png", dpi=150, bbox_inches="tight")

# 4) 导出交互 HTML 与静态图共存（发给别人看）
plotly_fig.write_html("out/interactive.html", include_plotlyjs="cdn")

# 5) DPI 该选多少
#    网页/屏幕: 100~150 dpi   论文印刷: 300~600 dpi   巨幅海报: 150~300 dpi
import os
for name in os.listdir("out"):
    print(f"{name:24s} {os.path.getsize(os.path.join('out', name)) / 1024:8.1f} KB")

批量出图工程模板

"""把 DataFrame 里每个城市都画一张趋势图，输出到 output/ 目录。"""
from pathlib import Path
import matplotlib
matplotlib.use("Agg")                                  # 无显示环境必须
import matplotlib.pyplot as plt

OUT = Path("output")
OUT.mkdir(exist_ok=True)
plt.rcParams.update({
    "font.sans-serif": ["Noto Sans CJK SC", "SimHei"],
    "axes.unicode_minus": False,
    "figure.dpi": 110,
    "savefig.dpi": 200,
    "savefig.bbox": "tight",
})

def plot_city_trend(df, city, out_dir: Path = OUT) -> Path:
    sub = df[df["城市"] == city].sort_values("日期")
    fig, ax = plt.subplots(figsize=(9, 4))
    ax.plot(sub["日期"], sub["销售额"], marker="o", linewidth=1.6,
            label=city, color="#2E86DE")
    ax.set_title(f"{city} 销售额走势")
    ax.set_xlabel("日期")
    ax.set_ylabel("销售额（万元）")
    ax.grid(alpha=0.3)
    ax.legend()
    fig.autofmt_xdate()
    fig.tight_layout()
    path = out_dir / f"trend_{city}.png"
    fig.savefig(path)
    plt.close(fig)                                   # 重要：释放内存，否则批量跑会 OOM
    return path

if __name__ == "__main__":
    import pandas as pd
    df = pd.read_csv("sales.csv", parse_dates=["日期"])
    for city in df["城市"].unique():
        print("已生成:", plot_city_trend(df, city))

本章小结

• 图形选型先于画图：人眼从「位置/长度」读数最准。趋势用折线、类目比较用柱状、关系用散点、分布用直方/箱线/小提琴、构成用堆叠图；饼图只在类目 ≤5 且关心占比时使用。
• Matplotlib 心智模型：Figure（画布）→ Axes（绘图区，不是坐标轴）→ 元素。工程代码统一用 OO 式 fig, ax = plt.subplots()。
• 常用布局：plt.subplots(nrows, ncols, sharex, sharey)、axes.ravel() 遍历、fig.suptitle + tight_layout(rect=...)、fig.colorbar(m, ax=axes)。
• 折线图关键参数：marker、linestyle、alpha、zorder、fill_between；双 Y 轴要警惕视觉误导。
• 柱状图：ax.bar(..., width=, color=, edgecolor=)；类目名长或多时改 barh；数值标注用 bar_label()；饼图务必 axis("equal")。
• 直方图 bins 直接决定结论，可用平方根法则给初值，多子图对比时务必固定 range。
• 样式用 plt.rcParams.update() 或样式表（style/context）集中管理；连续数据只用感知均匀色带（viridis/RdBu），禁用 jet/rainbow。
• 标注要点：标题写结论不写变量名；annotate 画箭头；axhspan 画参考带；热力图不标数值等于废图；transform=ax.transAxes 做相对定位。
• 中文：font.sans-serif 设 CJK 字体名或 addfont() 加载字体文件；负号方框用 axes.unicode_minus = False；服务端加 matplotlib.use("Agg")。
• Seaborn是「语义映射 + 数据集导向」：relplot/catplot/displot/lmplot/heatmap/pairplot/jointplot；注意 lineplot 默认对重复 x 求均值并加置信区间。
• 与 Pandas 联动：df.plot(kind=) 是语法糖；推荐先 groupby 聚合成小表再画，控制力与性能都更好。
• Plotly：px 一行出图、go 精细控制；write_html 产出可交付的交互文件；Dash 把图升级为带筛选器的 Web 仪表板。
• 工程规范：先 tight_layout() 再 savefig；网页 100~150 dpi、论文 300 dpi 以上；批量出图用 Agg 后端并及时 plt.close(fig)。

练习题

1. 基础折线图与坐标轴：生成 2024 全年 365 天的随机温度序列（含正弦季节项 + 噪声），画出折线图，要求：① 只画 12 个月的首日；② 最高点用 annotate 标注；③ 7 月均值画一条红色虚线参考线；④ 横轴标签为中文月份且旋转 30°；⑤ 保存为 300 dpi PNG。
   参考答案要点：days = pd.date_range("2024-01-01", periods=365)；temp = 18 + 10*np.sin(2*np.pi*(day_of_year-100)/365) + rng.normal(0,2,365)；ax.plot(days[::31], temp[::31], "o-")；ax.axhline(july_mean, color="red", ls="--", label="7月均值")；ax.annotate("最高 %.1f℃" % temp.max(), xy=(days[temp.argmax()], temp.max()), xytext=(..., ...), arrowprops=dict(arrowstyle="->"))；fig.autofmt_xdate() 或 plt.setp(ax.get_xticklabels(), rotation=30)；最后 fig.tight_layout(); fig.savefig("t.png", dpi=300)。
2. 中文字体与负号排错：写一个 setup_font() 函数，依次尝试「按字体名设置」和「按字体文件 addfont()」两种方案，并在标题中同时包含中文和负数（如「降温 -8.3℃」）。故意先不设 axes.unicode_minus=False 跑一次，对比差异。
   参考答案要点：from matplotlib import font_manager；先 names = {f.name for f in font_manager.fontManager.ttflist} 打印确认系统字体；font_manager.fontManager.addfont(path) 后用 FontProperties(fname=path).get_name() 拿名字；plt.rcParams["font.sans-serif"]=[name]；plt.rcParams["axes.unicode_minus"]=False；断言 matplotlib.rcParams["font.sans-serif"][0] 非默认值。若无 GUI 环境，第一行加 matplotlib.use("Agg")。
3. 分组柱状图 + 堆叠柱状图：构造 4 个城市 × 3 个渠道 × 6 个月的数据，画出：① 并排分组柱状图（带柱顶数值）；② 堆叠柱状图（总量 + 构成）；③ 把两张图放在同一 Figure 的两个子图里，共用一个 legend。
   参考答案要点：fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 4.5), sharey=True)；分组用 w=0.25，循环 for i, ch in enumerate(channels): ax1.bar(x + (i-1)*w, vals, w, label=ch)；柱顶标注 for b in bars: ax1.text(b.get_x()+b.get_width()/2, b.get_height()+8, f"{b.get_height():.0f}", ha="center")；堆叠第二组要 bottom=prev 累加；共享图例：h,l = ax1.get_legend_handles_labels(); fig.legend(h, l, loc="upper center", ncol=3)。
4. 子图网格与布局调优：用 plt.subplots(3, 4, sharex=True, sharey=True) 创建 12 个子图，依次画 12 个月份的日销售额。目标：让图例只出现一次（整图级）、总标题在最上方且不与子图标题重叠、导出后坐标标签不被裁切。
   参考答案要点：axes = axes.ravel() 后循环；fig.suptitle("...", y=0.995)；fig.tight_layout(rect=[0, 0, 1, 0.96]) 把上方 4% 留给 suptitle；整图图例用 fig.legend(handles, labels, loc="upper center", bbox_to_anchor=(0.5, 0.94), ncol=4)；导出 fig.savefig("grid.png", dpi=200, bbox_inches="tight")。
5. Seaborn 分布三件套：用一份含 1000+ 样本、5 个城市、3 个渠道的满意度数据，分别画箱线图、小提琴图、蜂群图叠加箱线图，并额外画一张「城市 × 渠道」的箱线图。要求配色用 colorblind 友好色板，图例移到图外。
   参考答案要点：sns.set_theme(style="whitegrid", palette="colorblind")；sns.boxplot(data=df, x="城市", y="满意度", hue="渠道")；sns.violinplot(..., inner="quart", cut=0)；sns.stripplot(..., jitter=True, alpha=0.4, size=2) 后再叠加 sns.boxplot(..., showfliers=False, width=0.4)；图例移出用 ax.legend(loc="upper left", bbox_to_anchor=(1.02, 1)) 或 sns.move_legend(ax, "upper left", bbox_to_anchor=(1.02, 1))。
6. 相关系数与交叉表热力图：对含 8 个数值变量的 DataFrame 画相关系数热力图（隐藏上三角、标注数值、center=0 发散色带），并对两个类目变量画交叉表频次热力图。要求两张图并排且共用一个高度。
   参考答案要点：corr = df[num_cols].corr()；mask = np.triu(np.ones_like(corr, dtype=bool))；sns.heatmap(corr, mask=mask, annot=True, fmt=".2f", cmap="coolwarm", center=0, vmin=-1, vmax=1, square=True)；交叉表 ct = pd.crosstab(df[a], df[b]) 再 sns.heatmap(ct, annot=True, fmt="d", cmap="YlGnBu", cbar_kws={"label":"记录数"})；并排用 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5.5))。
7. Pandas 联动与透视表出图：读入一份 CSV（字段：日期、城市、渠道、销售额、满意度），要求：① parse_dates 解析日期；② pivot_table 后画多城市折线；③ 画各城市平均销售额的横向条形图并带误差棒（yerr 用标准差）；④ 画一个「渠道占比」的环形图。
   参考答案要点：df = pd.read_csv(p, parse_dates=["日期"])；p = df.pivot_table(index="日期", columns="城市", values="销售额", aggfunc="sum").sort_index()，p.plot(marker="o")；误差棒 agg = df.groupby("城市")["销售额"].agg(["mean","std"]) 然后 ax.barh(agg.index, agg["mean"], xerr=agg["std"], capsize=3)；环形 ax.pie(vals, labels=idx, wedgeprops=dict(width=0.4)) 加 ax.text(0,0,str(total))。
8. Plotly 交互与 HTML 交付：把上一题的数据用 Plotly Express 画成交互散点图（颜色=渠道，大小=销售额，悬浮显示日期与满意度），设置 hovermode="x unified"；再用 update_layout 加上顶部按钮，可在折线图与柱状图之间切换；最后导出 interactive.html（CDN 模式）与 2 倍分辨率的 PNG。
   参考答案要点：fig = px.scatter(df, x="日期", y="销售额", color="渠道", size="满意度", hover_data=["满意度"], hover_name="城市")；fig.update_layout(hovermode="x unified", template="plotly_white")；按钮切换用 fig.update_layout(updatemenus=[dict(type="buttons", buttons=[dict(label="折线", method="relayout", args=[{"type":"scatter"}]), dict(label="柱状", method="relayout", args=[{"type":"bar"}])])])，需配合 go.Figure 的 trace 遍历改 type；fig.write_html("interactive.html", include_plotlyjs="cdn", config={"displaylogo": False})；fig.write_image("p.png", scale=2)（需 pip install kaleido）。
9. Dash 仪表板：做一个带三个下拉筛选（城市、渠道、指标）的 Dash 应用，页面含 3 个 KPI 卡片（总销售额、平均满意度、记录数）、1 个趋势图、1 个分布图、1 个占比图。要求：筛选变化时所有组件联动刷新；筛选结果为空时显示「无数据」而不是报错。
   参考答案要点：@callback(Output(...), Output(...), Input("city","value"), Input("channel","value"), Input("metric","value"))；回调里先 d = df.copy() 再逐条件 d = d[d[col]==val]；空数据分支 if d.empty: return [html.Div("无数据")] * 4, go.Figure(), ...（返回的 Figure 数量必须与 Output 数量一致）；本地 app.run(debug=True)，生产 server = app.server 交给 gunicorn/waitress。
10. 批量出图与自动化管线：写一个脚本，读取一个 CSV，对其中每个「产品类别」生成一张 PNG 趋势图保存到 output/ 目录，并在控制台打印每张图的路径与文件大小。要求：使用 Agg 后端、中文字体、每次 plt.close()、文件名不含非法字符。
    参考答案要点：脚本首行 import matplotlib; matplotlib.use("Agg")；OUT = Path("output"); OUT.mkdir(exist_ok=True)；循环里 fig, ax = plt.subplots(...) → ax.plot(...) → fig.tight_layout() → fig.savefig(OUT / f"{safe}_{cat}.png", dpi=150) → plt.close(fig)；文件名清洗 re.sub(r'[\\/:*?"<>|]', "_", cat)；打印 os.path.getsize(p)/1024。最后把整个流程写成 CLI（参考第 23 章 argparse 模式）。
11. 综合实战：季度经营分析报告图组：给定 4 个季度的销售数据（8~10 个字段），产出一张「A3 竖版」的综合图组：顶部 1 个 KPI 行（用 fig.text 画数字），中部 2×2 四个面板（营收趋势、各城市对比柱状、渠道占比环形、利润率热力图），底部一行脚注（数据来源与口径）。要求：统一配色、统一字体、单一 legend 风格、导出 PDF 用于打印。
    参考答案要点：fig = plt.figure(figsize=(11.7, 16.5))（A3 英寸）；用 fig.add_gridspec(3, 2, height_ratios=[0.25, 1, 0.06], hspace=0.35) 分配三行；KPI 用 fig.text(x, y, "1,234", ha="center", fontsize=22, fontweight="bold")；每个面板 ax = fig.add_subplot(gs[1, i])；脚注 fig.text(0.5, 0.02, "数据来源：XXX，口径：不含内部交易", ha="center", fontsize=8, color="#888")；plt.rcParams.update(全局样式字典) 保证一致；fig.savefig("report.pdf", bbox_inches="tight")。