Python数据可视化全攻略：从Matplotlib到Pyecharts

最新推荐文章于 2026-06-06 10:03:09 发布
原创 最新推荐文章于 2026-06-06 10:03:09 发布 · 1.1k 阅读 · 8 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#python #信息可视化 #matplotlib
Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

数据可视化是数据分析中不可或缺的一部分，它能够帮助我们直观地理解数据、发现规律并传达信息。Python提供了多种强大的可视化库，本文将全面介绍Matplotlib、Seaborn和Pyecharts三大主流工具的使用方法。

1. Matplotlib基础绘图

Matplotlib是Python中最基础的可视化库，提供了丰富的绘图功能。

1.1 绘制折线图

折线图适合展示数据随时间变化的趋势：

import numpy as np
import matplotlib.pyplot as plt

# 1.导入pyplot模块
# 2.绘制线条
# x轴的数据，代表10次考试天
x = np.arange(0, 10)  
# y轴的数据，代表数学科目对应成绩
y_max = np.array([99, 94, 95, 96, 97, 98, 99, 100, 99, 98])  
# y轴的数据，代表语文科目对应成绩
y_min = np.array([90, 84, 85, 79, 87, 99, 89, 90, 89, 88])

# 根据一组数据绘制第一条线，线上的数据标记是圆形，大小是6像素
plt.plot(x, y_max, marker='o', ms=6)  
# 根据另一组数据绘制第二条线，线上的数据标记是星形，大小是8像素
plt.plot(x, y_min, marker='*', ms=8)  

# 3.完善图表
# 正常显示中文
plt.rcParams['font.sans-serif'] = ['SimHei'] 
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
plt.title('Xiaoming\'s exam results for 10 consecutive times')  # 添加标题
plt.xlabel('Exam frequency')  # 设置x轴的标签
plt.ylabel('Score')  # 设置y轴的标签

# 4.展示图表
plt.show()

在这里插入图片描述

1.2 绘制柱形图

柱形图适合比较不同类别间的数值差异：

import numpy as np
# 1.导入pyplot模块
import matplotlib.pyplot as plt

# 2.绘制柱形
# x轴的数据，代表科目
x = np.arange(1, 6)  
# y轴的数据，代表张三的成绩
y_a = np.array([85, 90, 70, 92, 87]) 
# y轴的数据，代表李四的成绩
y_b = np.array([78, 82,92, 85, 83])
bar_width = 0.3   # 柱形的宽度

rect_a = plt.bar(x, y_a, tick_label=["yvwen", "shuxue", "yingyv", "wuli", "huaxue"], width=bar_width, label='zhangsan')  # 根据一组数据绘制柱形
rect_b = plt.bar(x+bar_width, y_b, width=bar_width, label='lisi')  # 根据另一组数据绘制柱形

# 3.完善图表
plt.rcParams['font.sans-serif'] = ['SimHei']
# 设置坐标轴的标签
plt.ylabel('Score')  
# 添加标题
plt.title('The scores of five students in five exams')

# 添加注释文本
def autolabel(rects):
    """在每个柱形上方添加注释文本"""
    for rect in rects:
        rect_height = rect.get_height()     # 获取每个柱形的高度
        rect_x = rect.get_x()                 # 获取每个柱形的x值
        rect_width = rect.get_width()        # 获取每个柱形的宽度
        plt.text(rect_x + rect_width / 2, rect_height + 1, 
                 s='{}'.format(rect_height),
                 ha='center', va='bottom', fontsize=9)

autolabel(rect_a)
autolabel(rect_b)

# 添加图例
plt.legend()

# 4.展示图表
plt.show()

在这里插入图片描述

1.3 绘制散点图

散点图适合展示两个变量间的关系：

import numpy as np
# 1.导入pyplot模块
import matplotlib. pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
# 2.绘制点
# 学习时间
learn_time = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 小明的成绩
xiaoming_score = np.array([20, 34, 57, 61, 85, 86, 90, 92, 79, 60])
plt.scatter(learn_time, xiaoming_score, s=50, c='y', edgecolors='k') 
# 3.完善图表 
plt.title('the relationship between learning time and score')
plt.xlabel('length of learning time')  
plt.ylabel('xiaoming score')  
plt.grid(visible=True, linewidth=0.5)   # 添加网格
plt.xlim(learn_time.min()-5, learn_time.max()+5)  # 设置x轴的刻度范围
# 4.展示图表
plt.show()

在这里插入图片描述

2. Seaborn高级可视化

Seaborn基于Matplotlib，提供了更高级的统计图表和美观的默认样式。

2.1 数据分布可视化

单变量分布
# y轴的数据，代表最低气温
y_min = np.array([19, 19, 20, 22, 22, 21, 22, 16, 18, 18, 17, 14, 15, 16, 16])

# 使用Seaborn绘制双线图
plt.figure(figsize=(10, 6))
sns.lineplot(x=x, y=y_max, marker='o', label='the highest temperature')
sns.lineplot(x=x, y=y_min, marker='o', label='the lowest temperature')

# 添加标题和标签
plt.title('temperature')
plt.xlabel('date')
plt.ylabel('temperature')
plt.legend()

# 展示图表
plt.show()

在这里插入图片描述

双变量分布
import seaborn as sns
import matplotlib.pyplot as plt

# 加载示例数据集
tips = sns.load_dataset('tips', data_home='data/seaborn-data')

# 绘制散点图
sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.show()


# 绘制带有回归线的散点图
sns.lmplot(x="total_bill", y="tip", data=tips)
plt.show()

在这里插入图片描述


# 绘制 KDE 图
sns.kdeplot(x="total_bill", y="tip", data=tips, fill=True)
plt.show()

在这里插入图片描述

# 绘制等高线图
sns.kdeplot(x="total_bill", y="tip", data=tips, levels=5)
plt.show()

在这里插入图片描述

# 绘制六边形图
sns.jointplot(x="total_bill", y="tip", data=tips, kind="hex")
plt.show()

在这里插入图片描述

2.2 分类数据可视化

import seaborn as sns
import matplotlib.pyplot as plt

# 加载示例数据集
tips = sns.load_dataset('tips', data_home='data/seaborn-data')

# 绘制 stripplot
sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)
plt.show()

在这里插入图片描述

# 绘制 swarmplot
sns.swarmplot(x="day", y="total_bill", data=tips)
plt.show()

在这里插入图片描述

# 使用 catplot 绘制 swarmplot
sns.catplot(x="day", y="total_bill", data=tips, kind="swarm")
plt.show()

在这里插入图片描述

import seaborn as sns
import matplotlib.pyplot as plt

# 加载示例数据集
tips = sns.load_dataset('tips', data_home='data/seaborn-data')

# 绘制 boxplot
sns.boxplot(x="day", y="total_bill", data=tips)
plt.show()

在这里插入图片描述

# 绘制 violinplot
sns.violinplot(x="day", y="total_bill", data=tips)
plt.show()

在这里插入图片描述

# 绘制 boxenplot
sns.boxenplot(x="day", y="total_bill", data=tips)
plt.show()

在这里插入图片描述

3. Pyecharts交互式可视化

Pyecharts基于Echarts，可以生成交互式的HTML图表。

3.1 柱形图

from pyecharts.charts import Bar
from pyecharts import options as opts

# 数据准备
categories = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]
values = [120, 200, 150, 80, 70, 110, 130]

# 创建柱状图对象
bar = Bar()

# 添加数据
bar.add_xaxis(categories)
bar.add_yaxis("销售额", values)

# 设置全局配置项
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="每周销售额"),
    xaxis_opts=opts.AxisOpts(name="星期"),
    yaxis_opts=opts.AxisOpts(name="销售额")
)

# 渲染图表到 HTML 文件
bar.render("bar_chart.html")

# 如果在 Jupyter Notebook 中显示，可以使用以下代码
bar.render_notebook()

在这里插入图片描述

3.2 词云图

from pyecharts.charts import WordCloud
from pyecharts import options as opts

# 数据准备
words = [
    ("Python", 100),
    ("数据科学", 80),
    ("机器学习", 70),
    ("深度学习", 60),
    ("数据分析", 50),
    ("可视化", 40),
    ("算法", 30),
    ("编程", 20),
    ("统计", 15),
    ("数据库", 10)
]

# 创建词云图对象
wordcloud = WordCloud()

# 添加数据
wordcloud.add(
    series_name="关键词",
    data_pair=words,
    shape="circle",
    word_size_range=[20, 100],
    textstyle_opts=opts.TextStyleOpts(font_family="cursive")
)

# 设置全局配置项
wordcloud.set_global_opts(
    title_opts=opts.TitleOpts(title="关键词词云图")
)

# 渲染图表到 HTML 文件
wordcloud.render("wordcloud_chart.html")

# 如果在 Jupyter Notebook 中显示，可以使用以下代码
wordcloud.render_notebook()

在这里插入图片描述

3.3 气泡图

from pyecharts.charts import Scatter
from pyecharts import options as opts
import random

# 数据准备
data = [
    [random.randint(0, 100), random.randint(0, 100), random.randint(10, 100)]
    for _ in range(50)
]

# 创建散点图对象
scatter = Scatter()

# 添加数据
scatter.add_xaxis([d[0] for d in data])
scatter.add_yaxis(
    series_name="气泡图",
    y_axis=[d[1] for d in data],
    symbol_size=[d[2] for d in data],  # 气泡大小
    label_opts=opts.LabelOpts(is_show=False)  # 不显示标签
)

# 设置全局配置项
scatter.set_global_opts(
    title_opts=opts.TitleOpts(title="气泡图示例"),
    xaxis_opts=opts.AxisOpts(name="X 轴"),
    yaxis_opts=opts.AxisOpts(name="Y 轴"),
    visualmap_opts=opts.VisualMapOpts(type_="size", min_=10, max_=100)  # 视觉映射配置
)

# 渲染图表到 HTML 文件
scatter.render("bubble_chart.html")

# 如果在 Jupyter Notebook 中显示，可以使用以下代码
scatter.render_notebook()

在这里插入图片描述

3.4 圆环图

from pyecharts.charts import Pie
from pyecharts import options as opts

# 数据准备
data = [
    ("类别A", 30),
    ("类别B", 20),
    ("类别C", 25),
    ("类别D", 15),
    ("类别E", 10)
]

# 创建饼图对象
pie = Pie()

# 添加数据
pie.add(
    series_name="类别分布",
    data_pair=data,
    radius=["40%", "70%"],  # 设置内外半径，形成圆环
    label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)")
)

# 设置全局配置项
pie.set_global_opts(
    title_opts=opts.TitleOpts(title="圆环图示例"),
    legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%")
)

# 渲染图表到 HTML 文件
pie.render("doughnut_chart.html")

# 如果在 Jupyter Notebook 中显示，可以使用以下代码
pie.render_notebook()

在这里插入图片描述

总结

本文介绍了Python中三大主流可视化库的使用方法：

  1. Matplotlib：基础绘图库，灵活性强，适合创建各种静态图表
  2. Seaborn：基于Matplotlib的高级统计图表库，默认样式美观，适合数据探索
  3. Pyecharts：交互式可视化库，基于Echarts，适合创建网页交互图表

根据不同的需求场景，可以选择合适的工具：
• 快速探索数据：Seaborn
• 精确控制图表细节：Matplotlib
• 创建交互式网页图表：Pyecharts

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

Python 数据可视化详解
悦分享
10-18 2万+
数据可视化是一种将庞杂抽象的数据转化为直观易懂的图形的数据呈现技术，它能帮助我们快速把握数据的分布和规律，更加轻松地理解和探索信息。在当今这个信息爆炸的时代，数据可视化越来越受重视。
Python进行数据可视化：从入门到实践
qq_36733270的博客
06-19 1205
本文介绍了使用Python进行数据可视化的基本流程，包括环境准备、使用Matplotlib进行基本绘图、使用Seaborn进行统计图形以及使用Plotly进行交互式图形。数据可视化是数据分析中的重要环节，掌握Python这门强大的工具，可以让你在数据科学和分析领域更具竞争力。Seaborn是基于Matplotlib的高级可视化库，提供了更为简洁和美观的统计图形。我们以一个简单的折线图为例，展示如何使用Matplotlib进行基本绘图。Plotly是一个强大的交互式绘图库，适合于创建交互式和发布质量的图形。
Python数据可视化入门：从零开始掌握三大核心库
5站站长
04-03 213
本文系统介绍了Python三大数据可视化工具：Matplotlib、Seaborn和Plotly的应用方法。Matplotlib提供基础绘图功能，Seaborn擅长统计可视化，Plotly则支持交互式图表。文章包含详细代码示例，涵盖折线图、散点图、热力图等常见图表类型，并分享配色方案、图表选择指南等实用技巧。最后通过销售数据仪表板案例，展示了如何将多种图表组合应用。文章强调数据可视化应注重清晰传达信息，建议根据使用场景选择合适的工具组合。
Python数据可视化入门教程（非常详细）_python 数据展示
m0_59235508的博客
04-09 3467
什么是数据可视化？ 数据可视化是为了使得数据更高效地反应数据情况，便于让读者更高效阅读，通过数据可视化突出数据背后的规律，以此突出数据中的重要因素，如果使用Python做数据可视化，建议学好如下这四个Python数据分析包，分别是：学好以上四个数据分析包，做可视化足够用了，全文较长，建议耐心看完，学习后即可使用Python做数据可视化，具体的代码实操部分可以实际用代码进行演示，这样才能更好的掌握，下面一起来学习~Pandas 是 Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、
用Python进行数据可视化的9种常用方法，易上手超实用 ！！
xiaolinyui的博客
12-09 1万+
Python数据可视化常用方法
Python进行数据可视化的9种常见方法，总有一种是你要用的
Python单行客的博客
10-03 1万+
Python进行数据可视化的9种常见方法，总有一种是你要用的
【数据可视化入门】Python散点图全攻略：Matplotlib、Seaborn、Pyecharts实战代码大公开！
eclipsercp的博客
11-27 1306
在数据分析的世界里，数据可视化是将复杂数据转化为直观图形的重要手段。今天，我们将手把手教你如何使用Python中的Matplotlib、Seaborn和Pyecharts三大库来绘制散点图，让你的数据展示更加生动有趣！
数据可视化入门：从工具选择到实战资源全攻略
2501_94049753的博客
02-12 740
本文梳理了数据可视化的主流工具与学习资源：MATLAB、Python（Matplotlib/Seaborn/Pyecharts/Plotly）、R（ggplot2/corrplot）等各有所长；Data-to-Viz 可指导图表选型，MyColor.Space 提供专业配色，Python/R Graph Gallery、Pyecharts Gallery、Plotly 官网等提供丰富代码示例，BioLadder 则支持零代码专业绘图。
Python数据分析全攻略：从入门到实战完整实战指南
热爱技术与前沿创新，深耕科技领域，在科创中精进自我；探索技术乐趣，分享技术干货与成长心得，以技术为伴，热爱生活，在科创与生活中双向成长。
05-14 393
Python数据分析是一个系统性的知识体系，其教程内容通常从基础到高级，涵盖数据处理、分析、可视化和机器学习等多个方面。以下是一个全面的Python数据分析教程内容结构，包含章节目录、核心知识点、必须掌握的工具、相关重要人物、应用场景及后续发展方向。
【Python数据分析可视化工具全攻略】：掌握12大神器提升数据洞察效率
QuickTrans的博客
10-21 494
掌握Python数据分析可视化工具，提升数据洞察效率。本文汇总12大主流工具，涵盖Matplotlib、Seaborn、Plotly等适用场景与核心技巧，助你高效实现交互图表与自动化报告。方法实用，覆盖全流程，值得收藏。
青龙面板依赖管理后台的隐藏技巧：免SSH安装Node.js/Python依赖全攻略
最新发布
weixin_30516243的博客
06-06 684
本文详细介绍了青龙面板依赖管理后台的隐藏技巧，通过纯图形化界面免SSH安装Node.js/Python依赖的全攻略。文章揭示了Web界面安装依赖的三大优势，包括零命令行操作、可视化进度反馈和直观错误处理，并提供了Node.js和Python依赖的实战安装步骤、常见脚本依赖速查表以及高级技巧与疑难解答。
【无标题】从零搭建四大名著NLP分析系统：分词、词频、词性、实体抽取、可视化全攻略
2301_81099793的博客
03-11 511
→ OpenDevin是新兴开源项目，主打“AI驱动的完整开发代理”，可自动写、改、跑、测代码。print("✅ 实体抽取完成：人名", len(persons), "个，地名", len(places), "个，武器", len(weapons), "个")PERSONS = ["贾宝玉", "林黛玉", "孙悟空", "诸葛亮", "宋江", "关羽", "曹操", "刘备"]PLACES = ["大观园", "花果山", "梁山泊", "赤壁", "长安", "洛阳", "荆州"]
Python 数据可视化
shaozheng0503的博客
06-05 5455
首先，导入所需模块和库并读取数据。最后，使用 `plot_surface()` 函数画出 3D 表面图，并使用 `savefig()` 函数将生成的图像保存到本地磁盘，并使用 `show()` 函数展示可视化结果。首先，使用 `numpy.random.randn()` 函数生成一个包含100,000个元素的随机数数组 x，并由 y = (1.5 * x) + np.random.randn(n) 计算出相应的 y 值，在 plt.plot(x,y,'.r') 中绘制二维散点图。
一图胜千言！详解Python数据可视化！
CSDN_430422的博客
08-03 7639
描述性分析（descriptive analytics）是任何分析生命周期的数据科学项目或特定研究的核心组成部分之一。数据聚合（aggregation）、汇总（summarization）和可视化（visualization）是支撑数据分析领域的主要支柱。从传统商业智能（Business Intelligence）开始，甚至到如今人工智能时代，数据可视化都是一个强有力的工具；由于其能有效抽取正确的信息，同时清楚容易地理解和解释结果，可视化被业界组织广泛使用。
一图胜千言！数据可视化多维讲解
数据分析
08-20 4140
作者：Dipanjan，来源：机器之心数据聚合、汇总和可视化是支撑数据分析领域的三大支柱。长久以来，数据可视化都是一个强有力的工具，被业界广泛使用，却受限于 2 维。在本文中，作者将探索一...
如何使用Python进行数据可视化
weixin_66623438的博客
06-01 2145
除了静态图表，还可以使用Plotly库创建交互式可视化。这些图表允许用户与数据进行交互，并可以缩放、拖动和选择不同的区域。Python是一种功能强大的编程语言，广泛用于数据科学和分析领域。其中一个强大的特性就是数据可视化，使得数据更容易理解和使用。接下来，可以使用Matplotlib或Seaborn库创建图表。总之，Python提供了许多灵活的工具来可视化数据。无论是用于探索性数据分析还是用于向其他人展示结果，数据可视化都是非常有用的。在进行数据可视化之前，需要先准备好数据。
pyecharts与matplotlib在使用时的区别和优缺点对比
qq_57099024的博客
02-09 1万+
简介 pyecharts（以下简介来源于官网） echarts是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts诞生了。 简洁的 API 设计，使用如丝滑般流畅，支持链式调用 囊括了 30+ 种常见图表，应有尽有 支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab 可轻松集成至 Flask，Django 等.
【Python入门可视化】：22个完整数据可视化小例子，带你玩转可视化～
热门推荐
yunyun云芸
08-02 2万+
1. 柱状图堆叠 不同系列的数据使用相同的stack值会堆叠在一起； from pyecharts.charts import * from pyecharts import options as opts from pyecharts.faker import Faker def bar_stack(): bar = Bar(init_opts=opts.InitOpts(theme='light', width='
Python pyecart和matplotlib的区别
qq_36327475的博客
07-19 2741
最近制图用到了这两个python库，发现制图功能都很强大，现总结下两者的区别以方便以后选用。 1）pyechart更适用于做一些高大上的图，比如地图、地域分布、热点图、热力图等；而matplotlib更加适合于做一些常用的图，如折线图、柱状图、散点图等。 2）pyechart主要可以做交互式的图，前者风格偏向数据工程demo展示；matplotlib主要可以做静态图，风格偏向学术。 ...
直方图尖峰python_直方图、密度图、散点图，python数据可视化方法，你要的都在这里...
weixin_39772388的博客
11-20 1299
直方图和密度图直方图直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。In [165]: data1=pd.read_csv('G:\LPTPython\practice.csv')In [167]: data1['tip_pct']=data1['tip'] / data1['total_bill']In ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值