🎬 HoRain 云小助手：个人主页

⛺️生活的理想，就是为了理想的生活!

---

⛳️ 推荐

前些天发现了一个超棒的服务器购买网站，性价比超高，大内存超划算！忍不住分享一下给大家。点击跳转到网站。

目录

⛳️ 推荐

🔧 基础工作流程

📈 使用 Matplotlib 绘图

📊 使用 Seaborn 绘图

🤝 协同使用 Matplotlib 与 Seaborn

💡 实用技巧与最佳实践

💎 核心要点总结

---

用 Matplotlib 和 Seaborn 进行数据可视化是 Python 数据分析的核心技能。下面这张表格帮你快速把握它们的核心定位，然后我们再深入具体的用法。

特性维度	Matplotlib	Seaborn
定位​	基础且功能全面的绘图库，提供像素级的精细控制	基于Matplotlib的高级统计绘图库，默认样式美观，API简洁
核心优势​	灵活性强，几乎能绘制任何类型的图表；自定义程度极高	专为统计可视化设计，通常只需一行代码就能生成信息丰富的统计图形
适用场景​	需要高度定制化的图表、出版级图形、非标准图表	快速进行数据探索、制作统计图表（如分布、关系、分类数据可视化）
语法风格​	显式且相对底层，需要手动设置许多细节	声明式且高级，与Pandas的DataFrame无缝集成，很多细节自动处理
默认样式​	基础样式比较简洁	提供多种精美的主题和颜色方案，图表默认更具吸引力

🔧 基础工作流程

开始绘图前，需要先搭建好环境并准备好数据。

1. 安装与导入

   确保已安装必要的库。如果尚未安装，可以使用 pip 命令安装：

   pip install matplotlib seaborn pandas numpy

   在代码中，通常这样导入：

   import matplotlib.pyplot as plt  # 导入Matplotlib的绘图模块
   import seaborn as sns            # 导入Seaborn
   import pandas as pd              # 用于数据处理
   import numpy as np               # 用于数值计算

2. 数据准备

   数据通常存储在 Pandas 的 DataFrame 中。Seaborn 尤其擅长直接处理 DataFrame。

   # 示例：创建数据
   data = {
       'Category': ['A', 'B', 'C', 'A', 'B', 'C'],
       'Values': [10, 15, 7, 12, 18, 5],
       'Number': [1, 2, 3, 4, 5, 6]
   }
   df = pd.DataFrame(data)
   
   # Seaborn内置了一些经典数据集，便于练习
   tips = sns.load_dataset("tips")  # 加载小费数据集

📈 使用 Matplotlib 绘图

Matplotlib 提供了细致的控制，适合需要精确自定义的图表。

• 基础框架与常用图表

  最简单的流程是创建图形、绘制、然后添加标签和显示。

  # 创建图形和坐标轴
  plt.figure(figsize=(8, 6))  # figsize设置图形大小（宽×高，单位英寸）
  
  # 绘制折线图
  x = [1, 2, 3, 4, 5]
  y = [2, 4, 6, 8, 10]
  plt.plot(x, y, marker='o', linestyle='--', color='blue', label='示例线')  # marker:点标记, linestyle:线型
  
  # 添加标签和标题
  plt.xlabel('X轴标签')
  plt.ylabel('Y轴标签')
  plt.title('一个简单的折线图')
  plt.legend()  # 显示图例
  
  # 显示图形
  plt.show()

  绘制散点图使用 plt.scatter()，柱状图使用 plt.bar()。

• 面向对象（OO）风格（推荐）

  对于复杂图形，使用面向对象风格能更清晰、灵活地控制子图。

  # 创建包含子图的画布：1行2列
  fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))
  
  # 在第一个子图上绘制
  ax1.plot(x, y, 'r-')  # 'r-' 代表红色实线
  ax1.set_title('子图1')
  
  # 在第二个子图上绘制
  ax2.bar(df['Category'], df['Values'])
  ax2.set_title('子图2')
  
  # 自动调整布局
  fig.tight_layout()
  plt.show()

📊 使用 Seaborn 绘图

Seaborn 简化了许多常见统计图表的绘制过程。

• 设置主题

  在绘图前设置主题，可快速美化所有图表（包括Matplotlib绘制的图形）。

  sns.set_theme(style="whitegrid")  # 设置主题风格，如 whitegrid, darkgrid, ticks 等

• 绘制常见统计图表

  散点图与关系图：观察两个连续变量之间的关系。

  # 使用Seaborn内置tips数据集
  tips = sns.load_dataset("tips")
  sns.scatterplot(data=tips, x='total_bill', y='tip', hue='time', style='smoker', size='size')
  plt.title('小费与总账单金额关系')
  plt.show()

  分布图：查看单个变量的分布情况。

  # 直方图与密度曲线
  sns.histplot(data=tips, x='total_bill', kde=True)  # kde=True 增加密度曲线
  plt.show()
  
  # 箱线图：观察分布、中位数、异常值
  sns.boxplot(data=tips, x='day', y='total_bill')
  plt.show()

  热力图：展示变量间的相关性矩阵。

  # 计算数值型列之间的相关系数
  correlation_matrix = tips.select_dtypes(include=[np.number]).corr()
  sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')  # annot=True 显示数值
  plt.title('变量相关性热力图')
  plt.show()

🤝 协同使用 Matplotlib 与 Seaborn

可以利用 Seaborn 快速绘制出美观的统计图形，然后使用 Matplotlib 进行细节上的微调。

# 使用面向对象风格创建画布和坐标轴
fig, ax = plt.subplots(figsize=(10, 6))

# 用Seaborn在指定坐标轴上绘图
sns.boxplot(data=tips, x='day', y='total_bill', ax=ax)

# 用Matplotlib精细调整
ax.set_title('每日账单金额分布（精细化调整后）', fontsize=16)
ax.set_xlabel('星期几', fontsize=12)
ax.set_ylabel('总账单金额（美元）', fontsize=12)
ax.tick_params(axis='x', rotation=45)  # 调整X轴标签角度

plt.tight_layout()
plt.show()

💡 实用技巧与最佳实践

1. 图表选择：根据目标和数据特点选择最合适的图表类型。例如，比较类别间数值用柱状图，查看趋势用折线图，观察分布用直方图或箱线图，探索关系用散点图。

2. 避免图表信息过载：数据点过多时，可调整点透明度（alpha参数）、进行数据采样或使用聚合图表（如二维直方图）来增强可读性。

3. 颜色与样式：优先选择色盲友好的配色方案。Seaborn 的 color_palette()函数提供了多种精心设计的调色板。

4. 清晰标注：确保图表有明确的标题、坐标轴标签。必要时使用图例。这是有效传达信息的关键。

5. 探索性数据分析（EDA）：在深入复杂分析前，多用散点图、直方图、箱线图等快速浏览数据分布、异常值和变量间关系。

💎 核心要点总结

• Matplotlib​ 是基础且强大的绘图库，可控性极高，适合绘制各种图表并进行精细化定制。

• Seaborn​ 是基于 Matplotlib 的高级封装，默认美观，擅长统计可视化，能大幅提升探索性数据分析的效率。

• 实践中，协同使用两者是最佳方式：用 Seaborn 快速出图，用 Matplotlib 的丰富接口做后期调整。

希望这些介绍能助你顺利开启数据可视化之旅！试着用示例代码操作一下，慢慢就能掌握如何为你的数据选择最合适的“语言”来讲述故事。

❤️❤️❤️本人水平有限，如有纰漏，欢迎各位大佬评论批评指正！😄😄😄

💘💘💘如果觉得这篇文对你有帮助的话，也请给个点赞、收藏下吧，非常感谢!👍 👍 👍

🔥🔥🔥Stay Hungry Stay Foolish 道阻且长,行则将至,让我们一起加油吧！🌙🌙🌙