17370845950

Matplotlib是Python绘图基石，控制精细适合定制化图表；Pandas内置.plot()方法可快速绘制常见图形，便于数据探索；Seaborn基于Matplotlib封装，语法简洁，专为统计可视化设计，一行代码生成复杂图表；Plotly支持交互式图形，适用于网页展示与动态操作；Bokeh、Altair、Pyecharts等按需选用。建议入门从Matplotlib与Pandas开始，逐步结合Seaborn提升可视化表达，有交互需求时引入Plotly，各库可混用互补。

Python画图最常用的是Matplotlib，它是基础且功能全面的绘图库；Pandas内置了Matplotlib接口，适合快速绘制数据分布、折线、柱状等常见图表；Seaborn基于Matplotlib封装，专为统计可视化设计，语法简洁、默认样式美观；Plotly支持交互式图表，适合网页展示或需要缩放、悬停、拖拽的场景；还有Bokeh、Altair、Pyecharts等，按需选用。

Matplotlib：稳扎稳打的绘图基石

几乎所有Python可视化都绕不开它。它控制精细，能从底层调整坐标轴、刻度、图例、文字等每个元素。虽然语法稍显冗长（比如画一条折线要先创建figure、再add_subplot、再plot），但正因如此，它非常可靠，适合出论文插图或定制化报表。

常见用法包括：

• plt.plot() 画折线图
• plt.scatter() 画散点图
• plt.bar() 画柱状图
• plt.hist() 画直方图
• 搭配plt.subplots() 管理多子图布局

Seaborn：统计可视化的“快捷键”

如果你常做数据分析，Seaborn会极大提升效率。它自动处理配色、网格、标签、分组逻辑，一行代码就能画出带置信区间的回归线、小提琴图、热力图、成对关系矩阵等。

典型例子：

• sns.boxplot(x='category', y='value', data=df) 快速对比不同类别的分布
• sns.heatmap(df.corr(), annot=True) 直接画相关系数热力图
• 配合sns.set_style("whitegrid") 调整体系风格

Plotly：让图表“动起来”

适合需要交互的场合——比如在Jupyter里点选某条曲线高亮、鼠标悬停看数值、缩放时间轴、导出为HTML分享给同事。它也支持3D图、地图、动画帧等高级功能。

常用方式：

• 用px.line()、px.scatter() 等plotly.express模块快速作图
• 用go.Figure() + go.Scatter() 等手动构建复杂图形
• fig.show() 在Jupyter中直接显示交互图；fig.write_html("plot.html") 导出网页

Pandas内置绘图：随手就来的小帮手

不需要额外导入绘图库，DataFrame和Series自带.plot()方法。背后调用的就是Matplotlib，但接口极简，适合探索性分析时快速看趋势或分布。

例如：

• df['sales'].plot(kind='line')
• df.plot.scatter(x='age', y='income')
• df.hist(bins=20) 一键画全部数值列的直方图

基本上就这些。入门建议从Matplotlib + Pandas开始，熟悉后再加Seaborn提升表达力，有交互需求时引入Plotly。不复杂但容易忽略：它们可以混用——比如用Seaborn画主图，再用Matplotlib微调标题字体大小。