Python中实现数据可视化通常依赖Matplotlib、Seaborn和Plotly三个主流库。Matplotlib负责底层绘图控制，Seaborn在统计图形上提供更简洁的接口，Plotly则擅长生成支持缩放、悬停查看数值的交互式图表。本文会分别演示它们的基础用法，并说明不同场景下怎样选型与优化。
一、Matplotlib：从基础图形开始
Matplotlib是Python数据可视化体系的底座，绝大多数静态图表都可以通过它完成。它的核心模型是Figure和Axes，前者代表整张画布，后者代表画布中的一个坐标系。绘图时通常先创建Figure，再在Axes上绘制折线、柱状、散点等图形。这种设计虽然略显繁琐，但给了开发者非常细粒度的控制能力，适合需要精确调整每个图形元素的场景。
下面的代码展示了如何画一个带标记点的折线图，并设置坐标轴标签、标题、图例和网格线。执行后可以得到一张适合直接插入报告的基础图表。
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.figure(figsize=(8, 5))
plt.plot(x, y, marker='o', linestyle='--', color='#2b8cbe', label='增长趋势')
plt.xlabel('时间')
plt.ylabel('数量')
plt.title('基础折线图')
plt.legend()
plt.grid(True)
plt.show()
如果需要在同一张图中比较多个指标，可以使用subplot创建子图。例如plt.subplot(1, 2, 1)表示一行两列中的第一个子图。不同子图可以分别设置坐标范围、刻度样式和注释文本。Matplotlib还支持保存为PNG、PDF、SVG等格式，通过plt.savefig('chart.png', dpi=300)即可输出高分辨率图片。对于需要打印或在文档中嵌入的场景，建议优先选择PDF或SVG格式，避免放大后出现锯齿。
Matplotlib的优势在于灵活，但缺点也很明显：默认样式不够美观，而且编写多子图、多系列图表时代码量会明显增加。如果数据带有统计特征，比如需要绘制分布、分类对比或相关性热力图，直接使用Matplotlib会显得重复，这时Seaborn可以大幅简化工作。
二、Seaborn：面向统计图表的快捷封装
Seaborn建立在Matplotlib之上，默认主题更现代，并且与pandas的DataFrame结构配合非常自然。它把常见的统计图形封装成独立函数，例如boxplot、violinplot、heatmap、pairplot等。开发者只需要传入数据列名，Seaborn会自动完成分组、计算置信区间和绘制辅助线。
下面的例子使用Seaborn绘制箱线图，展示不同类别的数值分布。相较于手动用Matplotlib计算四分位数和异常值，Seaborn只需要一行绘图代码。
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
df = pd.DataFrame({
'类别': ['A', 'B', 'C', 'A', 'B', 'C'],
'数值': [23, 45, 56, 34, 48, 61]
})
sns.set_theme(style='whitegrid')
sns.boxplot(data=df, x='类别', y='数值')
sns.despine()
plt.show()
对于多变量分析，sns.heatmap可以快速展示相关性矩阵。先用df.corr()计算各个数值列之间的相关系数，再传入热力图函数，就能得到带颜色映射和数值标注的矩阵图。颜色深浅代表相关性强弱，非常适合特征工程初期快速观察变量关系。此外，sns.pairplot可以生成变量两两组合的散点图矩阵，帮助发现非线性关系或离群点。
Seaborn的局限在于它专注于统计图形，对非结构化数据或需要高度自定义交互的场景支持有限。如果图表需要发布到网页端，并且希望读者可以自行缩放、筛选或悬停查看具体数值，Plotly是更合适的选择。
三、Plotly：构建可交互的图表
Plotly的plotly.express模块提供了非常简洁的API，可以生成基于浏览器渲染的交互式图表。与静态图片不同，Plotly图表允许用户用鼠标框选区域、悬停显示数据详情、切换图例显示状态，还可以导出为独立HTML文件嵌入网页。
下面的代码使用Plotly Express绘制全球人均GDP与预期寿命的散点图，并用气泡大小表示人口规模。执行后图表会保留缩放、平移和悬停提示等交互能力。
import plotly.express as px
df = px.data.gapminder().query("year == 2007")
fig = px.scatter(
df,
x='gdpPercap',
y='lifeExp',
size='pop',
color='continent',
hover_name='country',
log_x=True,
title='全球人均GDP与预期寿命'
)
fig.show()
如果需要更复杂的仪表盘，可以使用plotly.graph_objects手动组合多个图表。Plotly支持折线图、柱状图、面积图、地图、3D散点图等多种图形类型，并且可以通过fig.update_layout统一控制标题、字体、背景色和图例位置。生成结果可以保存为HTML文件，或通过Dash框架构建完整的交互式数据应用。
从使用成本看，Plotly的上手难度略高于Seaborn，但远低于直接在前端整合D3.js等可视化库。对于需要协作分享、嵌入网页或定期更新的数据分析结果，Plotly能显著减少重复制作静态图的工作量。
四、图表优化与选型建议
无论使用哪个库，清晰的图表都离不开合理的坐标轴、图例和配色。数值轴应尽量从零开始，避免误导读者；分类过多时优先使用水平条形图；颜色选择要考虑色盲友好和打印灰度效果。Matplotlib和Seaborn都可以通过plt.style.use或sns.set_palette统一风格。
如果数据量在几十万级别以上，Matplotlib的默认渲染性能会明显下降。此时可以关闭抗锯齿、减少标记点数量，或者改用Plotly的WebGL渲染接口。对于简单探索性分析，不必过度修饰图表，先把趋势和异常值呈现清楚更重要。
总体建议是：快速出图用Seaborn，精确控制用Matplotlib，需要交互或分享用Plotly。实践中三者经常组合使用，例如用Seaborn生成统计图后，再调用Matplotlib调整细节，最后用Plotly生成网页版结果。
Python数据可视化MatplotlibSeaborn修改时间：2026-08-25 00:47:18