数据可视化（Matplotlib和pyecharts）
一 常见图形概念及使用
| 图表类型 | 适用场景 | 核心特点 |
|---|---|---|
| 柱状图(bar) | 比较不同类别数据（如各地区销售额对比）、时间序列分析（离散时间） | 高度反映数值大小，支持横向/纵向展示，可叠加分组 |
| 折线图(plot) | 连续数据趋势比较（适合展示随时间的变化，如股票价格走势、用户增长趋势）、多变量趋势比较 | 通过线段连接数据点，强调连续性变化 |
| 散点图(scatter) | 分析变量间相关性（如身高与体重关系），聚类分析初步观察 | 用点分布揭示数据模式，可添加回归线 |
| 饼图/环形图(pie) | 显示比例分布（如市场份额占比）、简单分类（不适合多分类情况） | 扇形面积代表比例，环形图可突出中心信息 |
| 热力图HeatMap() | 矩阵数据密度展示（如用户活跃时段分布、网页点击热区） | 颜色深浅映射数值大小，适合高维度数据聚类 |
| 箱线图(boxplot) | 数据分布统计（如收入中位数、异常值检测）、实验的分组之间结果比较 | 展示最小值、Q1、中位数、Q3、最大值，识别数据离散度 |
| 雷达图(polar) | 多维能力评估（如技能评分、产品属性对比） | 多边形顶点表示维度，面积反映综合能力 |
| 地理地图(pyecharts) | 空间数据可视化（如疫情分布、物流网络） | 结合经纬度坐标，支持气泡图、热力层叠加 |
-
选择原则：
- 明确目标： 趋势分析用折线图，占比用饼图，分布用散点/箱线图
- 简化维度： 避免过度复杂（如3D图表可能降低可读性）
- 颜色规范： 使用差异明显的色系，色盲友好（避免红绿对比）
-
热力图（Heatmap）
- 概念:热力图是一种以颜色深浅来表示数据大小的二维图形。颜色通常从浅到深表示数值从低到高，或者相反。
- 使用场景
- 二维数据展示 ：用于展示二维数据矩阵中的数值分布情况。例如，展示不同时间段不同地区的销售额热度，或者基因表达矩阵中基因在不同样本中的表达水平。
- 密度展示 ：可以用于展示数据点的密度分布。例如，在地理信息系统（GIS）中展示人口密度。
二、Matplotlib
（一）Matplotlib 简介
Matplotlib 是 Python 中最常用的绘图库之一，它提供了丰富的绘图功能，可以用于绘制各种静态、动态、交互式的二维和三维图形。
（二）基本图形绘制
import matplotlib.pyplot as pltimport numpy as np# 生成数据x = np.linspace(0, 10, 100)y = np.sin(x)# 创建画布与子图fig, ax = plt.subplots(figsize=(8, 4))# 绘制折线图# linewidth（线宽）、markersize（标记大小）、alpha（透明度）# fontsize 和 fontfamily 用于设置标题和标签的字体大小和字体系列。ax.plot(x, y, label='sin(x)', color='blue', linestyle='--')ax.set_title("Sine Wave") # 标题ax.set_xlabel("X Axis") # X轴标签ax.set_ylabel("Y Axis") # Y轴标签ax.legend() # 显示图例ax.grid(True, linestyle=':') # 网格线plt.show() # 展示图形
- 多子图与样式控制
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 6))# 第一个子图：柱状图axes[0,0].bar(['A', 'B', 'C'], [20, 35