一、Matplotlib：基础但强大的绘图库

先来看一个简单却完整的例子，快速折线图生成：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图表
plt.figure(figsize=(10, 6))
plt.plot(x, y, label='sin(x)', color='blue', linewidth=2)
plt.title('正弦函数曲线', fontsize=14)
plt.xlabel('X轴', fontsize=12)
plt.ylabel('Y轴', fontsize=12)
plt.legend()
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

这段代码立即生成一条优美的正弦曲线，包含标题、坐标轴标签、网格线和图例——所有元素都可通过简单命令自定义。

二、Seaborn：统计可视化的高级武器

Seaborn基于Matplotlib，简化了复杂统计图表的创建过程。看看它如何轻松绘制吸引人的柱状图：

import seaborn as sns
import pandas as pd

# 示例数据
data = pd.DataFrame({
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'] * 2,
    '销售额': [120, 135, 148, 169, 185, 210, 115, 143, 159, 172, 191, 206],
    '产品类别': ['A类'] * 6 + ['B类'] * 6
})

# 绘制柱状图
plt.figure(figsize=(10, 6))
sns.barplot(x='月份', y='销售额', hue='产品类别', data=data, palette='viridis')
plt.title('上半年产品销售额对比', fontsize=14)
plt.ylabel('销售额（万元）', fontsize=12)
plt.show()

只需指定数据框和变量名称，Seaborn自动完成分组、计算和配色，生成出版级质量的统计图表。

三、实战案例：综合运用两大神器

案例1：散点图矩阵快速探索数据关系

# 加载内置数据集
iris = sns.load_dataset('iris')

# 创建散点图矩阵
sns.pairplot(iris, hue='species', palette='husl', markers=['o', 's', 'D'])
plt.suptitle('鸢尾花数据集特征关系图', y=1.02)
plt.show()

一张图展示所有数值变量间的相关性及不同种类的分布差异，数据探索效率提升数倍！

案例2：热力图呈现相关性分析

# 计算相关性矩阵
corr_matrix = iris.drop(columns='species').corr()

# 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', center=0,
            square=True, linewidths=0.5)
plt.title('鸢尾花特征相关性热力图', fontsize=14)
plt.show()

颜色深浅表示相关性强弱，数字精确显示相关系数，复杂关系一目了然。

案例3：分布组合图深度分析

# 创建组合图
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# 箱线图
sns.boxplot(x='species', y='sepal_length', data=iris, ax=axes[0, 0])
axes[0, 0].set_title('花萼长度分布')

# 小提琴图
sns.violinplot(x='species', y='petal_length', data=iris, ax=axes[0, 1])
axes[0, 1].set_title('花瓣长度分布')

# 直方图
sns.histplot(data=iris, x='sepal_width', hue='species', kde=True, ax=axes[1, 0])
axes[1, 0].set_title('花萼宽度分布')

# 散点图
sns.scatterplot(x='sepal_length', y='petal_length', hue='species', data=iris, ax=axes[1, 1])
axes[1, 1].set_title('花萼与花瓣长度关系')

plt.tight_layout()
plt.show()

多角度同时分析数据分布，比单一图表提供更全面的洞察。

四、高级技巧：让图表更专业

定制化主题设置

# 设置Seaborn风格
sns.set_style("whitegrid")
sns.set_palette("pastel")
plt.figure(figsize=(10, 6))

# 绘制增强型图表
sns.barplot(x='species', y='sepal_length', data=iris, 
            ci='sd', capsize=0.1)

# 添加标注
plt.title('不同种类鸢尾花的花萼长度对比（含标准差）', fontsize=14)
plt.xlabel('种类', fontsize=12)
plt.ylabel('花萼长度（cm）', fontsize=12)

plt.show()

通过简单设置，让图表瞬间拥有专业外观，无需手动调整每个细节。

五、总结：选择适合的工具

Matplotlib：基础且灵活，适合自定义程度高的复杂图表
Seaborn：统计图表专用，语法简洁，默认美观，适合快速探索数据

两者结合使用，既能享受Seaborn的高效美观，又能通过Matplotlib进行精细调整，满足从快速探索到正式报告的各种需求。

现在就开始实践吧！选择你的数据集，尝试用这些代码创建令人惊叹的可视化作品，让数据讲述精彩故事。

记住：最好的学习方式是动手实践。复制这些代码，替换成你的数据，立即看到变化！

泽兴芝士网

一站式 IT 编程学习资源平台

Python数据可视化神器:Matplotlib+Seaborn，让数据图表惊艳全场