Python 五大主流可视化库深度解析与实践指南

大模型大数据攻城狮

于 2025-08-10 00:05:35 发布

阅读量420

点赞数 6

CC 4.0 BY-SA版权

文章标签： python python可视化 seaborn matplotlib plotly altair bokeh

本文链接：https://blog.csdn.net/linweidong/article/details/150101381

1. Matplotlib：从零到精通的老牌王者

Matplotlib 是 Python 可视化领域的“老大哥”，诞生于 2003 年，至今仍是数据科学家的心头好。它的灵活性和深度让人又爱又恨——想画啥都能画，但得花点心思。

1.1 为什么选 Matplotlib？

Matplotlib 的最大优势在于它的可定制性。想调整线条粗细、颜色、字体？没问题。想画 3D 图、热力图、甚至是极坐标图？它都能搞定。它的底层基于 NumPy，数据处理无缝衔接，特别适合科学计算和学术场景。不过，它也有“槽点”：代码量偏多，默认样式有点“复古”。别慌，我们会教你如何让它变得现代又好看！

1.2 快速上手：画出你的第一张图

让我们从一个简单的折线图开始，感受 Matplotlib 的基本逻辑。假设你有一组销售数据，想看看趋势。

import matplotlib.pyplot as plt
import numpy as np

# 数据准备
months = np.array(['Jan', 'Feb', 'Mar', 'Apr', 'May'])
sales = np.array([200, 250, 300, 280, 350])

# 创建折线图
plt.plot(months, sales, marker='o', color='teal', linewidth=2)
plt.title('Monthly Sales Trend', fontsize=14, fontweight='bold')
plt.xlabel('Month', fontsize=12)
plt.ylabel('Sales (K)', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

运行这段代码，你会得到一张带网格、标记点的折线图。关键点：plt.plot 是核心绘图函数，marker='o' 添加了数据点标记，grid(True) 让图表更易读。想让它更美观？试试调整 color 和 linewidth。

1.3 进阶技巧：子图与样式美化

Matplotlib 的真正威力在于子图和样式自定义。假设你想同时展示销售和利润趋势，用子图（subplots）来实现：

import matplotlib.pyplot as plt
import numpy as np

# 数据
months = np.array(['Jan', 'Feb', 'Mar', 'Apr', 'May'])
sales = np.array([200, 250, 300, 280, 350])
profit = np.array([20, 30, 25, 40, 50])

# 创建子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 第一个子图：销售
ax1.plot(months, sales, marker='s', color='coral')
ax1.set_title('Sales Trend', fontsize=14)
ax1.set_xlabel('Month')
ax1.set_ylabel('Sales (K)')
ax1.grid(True)

# 第二个子图：利润
ax2.plot(months, profit, marker='^', color='purple')
ax2.set_title('Profit Trend', fontsize=14)
ax2.set_xlabel('Month')
ax2.set_ylabel('Profit (K)')
ax2.grid(True)

# 调整布局
plt.tight_layout()
plt.show()

注意：plt.subplots(1, 2) 创建了 1 行 2 列的子图，figsize=(12, 5) 控制画布大小，tight_layout() 自动优化子图间距。想让图表更高级？试试 Matplotlib 的样式库：

plt.style.use('seaborn')  # 切换到 seaborn 风格

运行后，图表会立马变得现代感十足！推荐的样式还有 ggplot 和 fivethirtyeight，可以根据需求切换。

1.4 实战案例：可视化股票数据

让我们来点实际的！假设你想分析某只股票的收盘价和成交量趋势。我们用 yfinance 获取真实数据（需先安装：pip install yfinance）。

import yfinance as yf
import matplotlib.pyplot as plt

# 获取苹果公司股票数据
stock = yf.download('AAPL', start='2024-01-01', end='2024-06-01')

# 创建双轴图
fig, ax1 = plt.subplots(figsize=(10, 6))

# 收盘价
ax1.plot(stock.index, stock['Close'], color='blue', label='Close Price')
ax1.set_xlabel('Date')
ax1.set_ylabel('Price (USD)', color='blue')
ax1.tick_params(axis='y', labelcolor='blue')

# 成交量
ax2 = ax1.twinx()  # 创建共享 x 轴的第二 y 轴
ax2.bar(stock.index, stock['Volume'], color='gray', alpha=0.3, label='Volume')
ax2.set_ylabel('Volume', color='gray')
ax2.tick_params(axis='y', labelcolor='gray')

# 添加标题和图例
plt.title('Apple Stock Price and Volume (2024)', fontsize=16)
fig.legend(loc='upper left', bbox_to_anchor=(0.1, 0.9))
plt.tight_layout()
plt.show()

亮点：twinx() 创建了双 y 轴，一个显示价格，一个显示成交量。alpha=0.3 让柱状图半透明，避免遮挡折线。小技巧：用 bbox_to_anchor 调整图例位置，防止重叠。

1.5 常见问题与解决

问题 1：图表字体太小？用 fontsize 参数调整标题和标签。

问题 2：中文显示乱码？添加以下代码：

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
plt.rcParams['axes.unicode_minus'] = False

问题 3：想保存图表？用 plt.savefig('output.png', dpi=300)，dpi 控制清晰度。

Matplotlib 的学习曲线有点陡，但一旦掌握，你几乎可以画出任何你想要的图表。接下来，我们进入 Seaborn 的世界，它会让你的可视化更省力！

2. Seaborn：优雅与效率的完美结合

Seaborn 建立在 Matplotlib 之上，堪称它的“美颜滤镜”。它专注于统计可视化，用更少的代码生成更漂亮的图表。如果 Matplotlib 是画图的“瑞士军刀”，Seaborn 就是“自动美图工具”。这节我们深入 Seaborn 的核心功能，带你从基础到高级实战。

2.1 Seaborn 的独特魅力

Seaborn 的优势在于：

默认美观：开箱即用的配色和样式，省去手动调整的麻烦。
统计图专精：箱线图、热力图、回归图等，特别适合探索数据关系。
与 Pandas 集成：直接处理 DataFrame，代码简洁到飞起。

安装 Seaborn 很简单：pip install seaborn。准备好了吗？让我们开始！

2.2 快速上手：箱线图与分布图

假设你有一份学生考试成绩的数据，想看看成绩分布和异常值。Seaborn 的箱线图和分布图是绝佳选择。

import seaborn as sns
import pandas as pd

# 模拟数据
data = pd.DataFrame({
    'Subject': ['Math']*50 + ['English']*50,
    'Score': np.concatenate([np.random.normal(75, 10, 50), np.random.normal(85, 8, 50)])
})

# 箱线图
plt.figure(figsize=(8, 6))
sns.boxplot(x='Subject', y='Score', data=data, palette='Set2')
plt.title('Score Distribution by Subject', fontsize=14)
plt.show()

# 分布图
sns.histplot(data=data, x='Score', hue='Subject', kde=True, bins=20)
plt.title('Score Distribution with KDE', fontsize=14)
plt.show()

解析：boxplot 展示成绩的分布范围和异常点，palette='Set2' 提供柔和的配色。histplot 的 kde=True 添加了核密度估计曲线，直观展示数据分布。小贴士：Seaborn 的 hue 参数能轻松按类别分组，超级实用！

2.3 进阶技巧：热力图与相关性分析

Seaborn 的热力图（heatmap）是分析数据相关性的神器。假设你想研究 iris 数据集中特征之间的关系：

import seaborn as sns
from sklearn.datasets import load_iris
import pandas as pd

# 加载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)

# 计算相关性矩阵
corr = df.corr()

# 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(corr, annot=True, cmap='coolwarm', fmt='.2f', square=True)
plt.title('Iris Feature Correlation', fontsize=16)
plt.show()

亮点：annot=True 在热力图上显示数值，cmap='coolwarm' 提供直观的颜色渐变。注意：相关性矩阵用 df.corr() 计算，值越接近 1 或 -1，表示相关性越强。

2.4 实战案例：泰坦尼克号生存分析

让我们用 Seaborn 分析泰坦尼克号数据集（内置于 Seaborn），看看乘客的生存率与性别、舱位等因素的关系。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
titanic = sns.load_dataset('titanic')

# 计数图：性别与生存率
plt.figure(figsize=(8, 6))
sns.countplot(x='sex', hue='survived', data=titanic, palette='muted')
plt.title('Survival by Gender', fontsize=16)
plt.xlabel('Gender')
plt.ylabel('Count')
plt.show()

# 箱线图：舱位与票价
sns.boxplot(x='class', y='fare', data=titanic, palette='Blues')
plt.title('Fare Distribution by Class', fontsize=16)
plt.show()

分析：countplot 直观展示男女生存率差异，boxplot 揭示票价与舱位的关系。小技巧：用 palette 调整颜色风格，Blues、muted 等都是不错的选择。

2.5 常见问题与优化

问题 1：图表太挤？用 plt.tight_layout() 自动调整间距。
问题 2：想自定义颜色？查阅 Seaborn 的 palette 选项，如 sns.color_palette('husl', 8)。
问题 3：数据量太大，图表卡顿？尝试用 sns.catplot 代替 boxplot，性能更优。

Seaborn 的优雅和效率让人欲罢不能，但它更适合统计图表。如果你要做交互式可视化，下一节的 Plotly 会让你眼前一亮！

3. Plotly：交互式可视化的新宠儿

Plotly 是 Python 可视化领域的“新晋网红”，以交互性和现代化设计著称。不管是网页端展示还是 Jupyter Notebook 里的动态图表，Plotly 都能让你轻松打造点击、悬浮、缩放的炫酷效果。它分为两个主要模块：plotly.express（快速绘图）和 plotly.graph_objects（精细控制）。这节我们从基础到高级，带你玩转 Plotly 的交互魔法！

3.1 为什么爱上 Plotly？

Plotly 的杀手锏在于交互性和跨平台性。它的图表可以直接嵌入网页，导出为 HTML，甚至支持 Dash 框架做数据仪表盘。相比 Matplotlib 和 Seaborn，Plotly 的默认样式更现代，代码也更简洁。唯一的“门槛”？需要安装：pip install plotly。如果用 Jupyter，推荐再装 jupyterlab 和 ipywidgets。

3.2 快速上手：用 Plotly Express 画散点图

Plotly Express（简称 PX）是 Plotly 的高层次接口，适合快速绘图。让我们用 PX 画一个交互式散点图，展示 iris 数据集的花瓣长度和宽度关系。

import plotly.express as px
from sklearn.datasets import load_iris
import pandas as pd

# 加载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['species'] = iris.target_names[iris.target]

# 绘制散点图
fig = px.scatter(df, x='sepal length (cm)', y='sepal width (cm)', 
                 color='species', size='petal length (cm)', 
                 hover_data=['petal width (cm)'], title='Iris Sepal Dimensions')
fig.show()

解析：运行后，你会得到一个可以交互的散点图！鼠标悬浮显示数据详情，点击拖动可缩放，color 和 size 分别控制颜色和点大小。亮点：hover_data 让悬浮框显示额外信息，超级适合探索数据！想保存为 HTML？用 fig.write_html('scatter.html')。

3.3 进阶技巧：用 Graph Objects 定制复杂图表

Plotly Express 虽然方便，但如果想完全掌控图表细节，就得用 plotly.graph_objects（简称 GO）。假设你想画一个带误差条的折线图，展示某产品的销量预测。

import plotly.graph_objects as go
import numpy as np

# 数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May']
sales = [200, 250, 300, 280, 350]
errors = [15, 20, 18, 22, 25]

# 创建折线图
fig = go.Figure()
fig.add_trace(go.Scatter(
    x=months, y=sales, mode='lines+markers',
    name='Sales', line=dict(color='royalblue', width=2),
    error_y=dict(type='data', array=errors, visible=True)
))

# 自定义布局
fig.update_layout(
    title='Sales Forecast with Error Bars',
    xaxis_title='Month',
    yaxis_title='Sales (K)',
    template='plotly_white',
    showlegend=True
)

fig.show()

关键点：go.Scatter 提供细粒度控制，error_y 添加误差条。template='plotly_white' 让图表清爽简洁（其他模板如 plotly_dark 也很炫）。小技巧：用 fig.update_layout 调整标题、轴标签等，灵活性堪比 Matplotlib！

3.4 实战案例：交互式地图可视化

Plotly 的地理可视化能力超强！让我们用 px.choropleth 绘制一张美国各州的人口密度地图（数据假设为模拟数据）。

import plotly.express as px
import pandas as pd

# 模拟数据
data = pd.DataFrame({
    'state': ['CA', 'TX', 'FL', 'NY', 'IL'],
    'population': [39500000, 29000000, 21500000, 19500000, 12700000],
    'code': ['CA', 'TX', 'FL', 'NY', 'IL']
})

# 绘制地图
fig = px.choropleth(data, 
                    locations='code', 
                    locationmode='USA-states',
                    color='population',
                    scope='usa',
                    title='US State Population Density',
                    color_continuous_scale='Viridis')
fig.show()

亮点：locationmode='USA-states' 指定美国州地图，color_continuous_scale='Viridis' 提供渐变色。鼠标悬浮会显示州名和人口数据，交互体验一流！注意：真实项目中，建议用真实数据集（如从 census.gov 获取）。

3.5 常见问题与解决

问题 1：图表不显示？确保运行环境支持 Plotly（如 Jupyter 或 VS Code）。浏览器端用 fig.show(renderer='browser')。
问题 2：想导出静态图？用 fig.write_image('output.png', engine='kaleido')，需先安装 pip install kaleido。
问题 3：图表太大？调整 fig.update_layout(width=800, height=600)。

Plotly 的交互性让数据“活”了起来，特别适合展示给客户或团队。接下来，我们看看 Altair，另一个声明式可视化的神器！

4. Altair：声明式可视化的优雅艺术

Altair 是 Python 可视化界的“文艺青年”，基于 Vega 和 Vega-Lite，采用声明式编程的理念。你只需要描述“想画什么”，Altair 帮你搞定“怎么画”。它的代码简洁，输出交互式图表，特别适合数据科学家快速迭代。这节我们深入 Altair 的核心逻辑，带你从简单图表到复杂交互，解锁它的优雅之道。

4.1 Altair 的独特之处

Altair 的魅力在于：

声明式语法：用 JSON-like 的方式描述图表，代码逻辑清晰。
交互性内置：默认支持缩放、拖动、悬浮等功能。
与 Pandas 完美集成：直接用 DataFrame，省去繁琐的数据处理。

安装 Altair：pip install altair。准备好迎接优雅的可视化体验了吗？

4.2 快速上手：柱状图与分层

让我们用 Altair 画一个柱状图，展示不同城市的销售额。

import altair as alt
import pandas as pd

# 数据
data = pd.DataFrame({
    'city': ['Beijing', 'Shanghai', 'Guangzhou', 'Shenzhen'],
    'sales': [500, 600, 450, 700]
})

# 绘制柱状图
chart = alt.Chart(data).mark_bar().encode(
    x='city',
    y='sales',
    color='city',
    tooltip=['city', 'sales']
).properties(
    title='City Sales Comparison',
    width=400,
    height=300
)

chart.show()

解析：alt.Chart 是核心对象，mark_bar() 指定柱状图，encode 定义 x 轴、y 轴和颜色。tooltip 让鼠标悬浮时显示详细信息。亮点：代码简洁，交互性默认开启，拖动和缩放都支持！

4.3 进阶技巧：多图层与交互

Altair 的分层（layering）和交互功能超强。假设你想同时展示散点图和回归线，分析身高体重关系。

import altair as alt
import pandas as pd
import numpy as np

# 模拟数据
np.random.seed(42)
data = pd.DataFrame({
    'height': np.random.normal(170, 10, 100),
    'weight': np.random.normal(70, 15, 100)
})

# 散点图
scatter = alt.Chart(data).mark_circle(size=60).encode(
    x='height',
    y='weight',
    tooltip=['height', 'weight']
)

# 回归线
line = alt.Chart(data).mark_line(color='red').encode(
    x='height',
    y='weight'
).transform_regression('height', 'weight')

# 合并图层
chart = (scatter + line).properties(
    title='Height vs Weight with Regression',
    width=500,
    height=400
)

chart.show()

关键点：transform_regression 自动计算回归线，scatter + line 合并图层。小技巧：用 alt.condition 添加交互条件，比如点击高亮：

selection = alt.selection_single()
chart = scatter.encode(
    color=alt.condition(selection, alt.value('red'), alt.value('lightgray'))
).add_selection(selection)

4.4 实战案例：时间序列交互分析

让我们用 Altair 分析一份时间序列数据，展示某公司股票价格的趋势，支持刷选交互。

import altair as alt
import pandas as pd
import yfinance as yf

# 获取数据
stock = yf.download('TSLA', start='2024-01-01', end='2024-06-01')
stock = stock.reset_index()[['Date', 'Close']]

# 创建刷选交互
brush = alt.selection_interval(encodings=['x'])

# 折线图
line = alt.Chart(stock).mark_line().encode(
    x='Date:T',
    y='Close:Q',
    tooltip=['Date', 'Close']
).properties(
    width=600,
    height=300
).add_selection(brush)

# 缩略图
overview = alt.Chart(stock).mark_area(opacity=0.3).encode(
    x='Date:T',
    y='Close:Q'
).properties(
    width=600,
    height=100
).transform_filter(brush)

# 组合
chart = (line & overview).properties(
    title='Tesla Stock Price (2024) with Brush Selection'
)

chart.show()

亮点：brush 让用户用鼠标框选时间范围，缩略图（overview）动态更新。& 用于垂直组合图表，简洁又强大！注意：Date:T 表示时间类型，Close:Q 表示量化数值。

4.5 常见问题与优化

问题 1：图表不显示？确保用 chart.show() 或保存为 HTML：chart.save('chart.html')。
问题 2：数据量大，卡顿？用 alt.data_transformers.enable('json') 优化性能。
问题 3：想自定义颜色？用 scale=alt.Scale(scheme='category10') 在 encode 中设置。

Altair 的声明式语法让可视化变得像写诗一样优雅，但如果需要更复杂的动态效果，下一节的 Bokeh 会让你大开眼界！

5. Bokeh：动态交互的网页可视化大师

Bokeh 是 Python 可视化界的“网页魔术师”，专为打造动态、交互式的网页图表而生。它的设计目标是让数据可视化无缝嵌入浏览器，支持实时更新和复杂交互，特别适合 Web 应用和数据仪表盘。相比 Plotly，Bokeh 的优势在于更灵活的定制和对大规模数据的优化。这节我们从 Bokeh 的核心机制讲起，带你从简单图表到动态仪表盘，释放它的全部潜能！

5.1 为什么选择 Bokeh？

Bokeh 的亮点在于：

原生网页支持：生成 HTML 和 JavaScript 代码，图表直接在浏览器运行，无需额外插件。
高性能：通过 WebGL 和服务器端渲染，轻松处理大数据量。
灵活交互：支持点击、拖拽、悬浮等交互，还能与 Flask 或 Django 集成。

安装 Bokeh：pip install bokeh。如果想用服务器端功能，额外装 pip install tornado。准备好进入动态可视化的世界了吗？

5.2 快速上手：绘制交互式折线图

让我们从一个简单的折线图开始，展示 Bokeh 的基本用法。假设你想可视化某公司每日流量变化。

from bokeh.plotting import figure, show
from bokeh.io import output_notebook
import numpy as np

# 如果在 Jupyter Notebook 中运行
output_notebook()

# 数据
days = np.arange(1, 8)
traffic = [1200, 1500, 1700, 1400, 1800, 2000, 1900]

# 创建图表
p = figure(title="Daily Website Traffic", x_axis_label="Day", y_axis_label="Visitors",
           width=600, height=400, tools="pan,box_zoom,reset,save")
p.line(days, traffic, line_width=2, color="teal", legend_label="Visitors")
p.circle(days, traffic, size=8, color="teal", fill_alpha=0.5)

show(p)

解析：figure 创建画布，tools 参数添加交互工具（平移、缩放等）。line 和 circle 组合让折线图既有连线又有标记点。亮点：运行后，图表支持拖拽、缩放，还能保存为 PNG！想导出 HTML？用 output_file('line.html') 代替 output_notebook()。

5.3 进阶技巧：动态交互与回调

Bokeh 的真正魅力在于自定义交互。让我们用滑块（Slider）动态调整数据的显示范围，模拟实时过滤流量数据。

from bokeh.plotting import figure, show
from bokeh.io import output_notebook
from bokeh.layouts import column
from bokeh.models import Slider, CustomJS
import numpy as np

output_notebook()

# 数据
days = np.arange(1, 31)
traffic = np.random.randint(1000, 2000, 30)

# 创建图表
p = figure(title="Dynamic Traffic Filter", x_axis_label="Day", y_axis_label="Visitors",
           width=600, height=400)
line = p.line(days, traffic, line_width=2, color="purple")

# 添加滑块
slider = Slider(start=1, end=30, value=30, step=1, title="Max Days")
callback = CustomJS(args=dict(source=line.data_source, slider=slider), code="""
    const data = source.data;
    const max_days = slider.value;
    const x = data['x'].slice(0, max_days);
    const y = data['y'].slice(0, max_days);
    source.data = { x: x, y: y };
    source.change.emit();
""")
slider.js_on_change('value', callback)

# 组合布局
layout = column(p, slider)
show(layout)

关键点：Slider 和 CustomJS 实现动态更新，滑块移动时图表自动调整显示范围。小技巧：Bokeh 的 JavaScript 回调虽然强大，但调试稍复杂，建议先在小数据集上测试。注意：output_notebook() 适合 Jupyter，网页端用 output_file。

6. 高级应用场景：跨领域可视化实战

现在我们已经熟悉了 Matplotlib、Seaborn、Plotly、Altair 和 Bokeh 的核心功能，是时候把它们扔进真实世界的深水区了！这一章，我们将探索三大典型应用场景：金融时间序列、地理空间分析和机器学习可视化。每个场景都会结合不同库的强项，展示如何根据需求选择合适的工具。准备好迎接硬核实战吧！

6.1 金融时间序列：多维度分析

金融数据可视化需要处理时间序列、波动性和多指标对比。Plotly 和 Bokeh 因交互性强，常用于金融仪表盘；Matplotlib 和 Seaborn 适合静态报告；Altair 则在快速原型中表现亮眼。让我们用 Plotly 和 Seaborn 分析一支股票的多维度指标（价格、移动平均线、成交量）。

import pandas as pd
import yfinance as yf
import plotly.graph_objects as go
import seaborn as sns
import matplotlib.pyplot as plt

# 获取特斯拉股票数据
stock = yf.download('TSLA', start='2024-01-01', end='2024-06-01')
stock['MA20'] = stock['Close'].rolling(window=20).mean()  # 20日移动平均线

# Plotly：交互式金融图表
fig = go.Figure()
fig.add_trace(go.Candlestick(x=stock.index,
                             open=stock['Open'], high=stock['High'],
                             low=stock['Low'], close=stock['Close'],
                             name='Price'))
fig.add_trace(go.Scatter(x=stock.index, y=stock['MA20'],
                         line=dict(color='purple', width=2), name='MA20'))
fig.add_trace(go.Bar(x=stock.index, y=stock['Volume'], name='Volume',
                     yaxis='y2', opacity=0.3))
fig.update_layout(
    title='Tesla Stock Analysis (2024)',
    yaxis=dict(title='Price (USD)'),
    yaxis2=dict(title='Volume', overlaying='y', side='right'),
    xaxis=dict(rangeslider=dict(visible=True))
)
fig.show()

# Seaborn：静态相关性分析
plt.figure(figsize=(8, 6))
sns.heatmap(stock[['Open', 'Close', 'High', 'Low', 'Volume']].corr(),
            annot=True, cmap='coolwarm', fmt='.2f')
plt.title('Tesla Stock Metrics Correlation')
plt.show()

解析：Plotly 的 Candlestick 绘制 K 线图，rangeslider 添加时间范围滑块，交互性拉满。Seaborn 的热力图揭示指标间相关性，适合报告。小技巧：在 Plotly 中，yaxis2 创建双 Y 轴，显示成交量不干扰价格。注意：确保安装 yfinance（pip install yfinance）。

6.2 地理空间分析：地图与数据融合

地理可视化在城市规划、物流等领域至关重要。Plotly 和 Bokeh 提供强大的地理绘图功能，Altair 也可通过 GeoJSON 实现简单地图。让我们用 Plotly 绘制全球新冠疫情分布图（假设数据为 2024 年模拟数据）。

import plotly.express as px
import pandas as pd

# 模拟全球疫情数据
data = pd.DataFrame({
    'country': ['USA', 'India', 'Brazil', 'China', 'Germany'],
    'iso_alpha': ['USA', 'IND', 'BRA', 'CHN', 'DEU'],
    'cases': [5000000, 3000000, 2000000, 100000, 500000]
})

# 绘制世界地图
fig = px.choropleth(data, locations='iso_alpha', color='cases',
                    locationmode='ISO-3', color_continuous_scale='Reds',
                    title='Global COVID-19 Cases (2024 Simulation)')
fig.update_layout(geo=dict(showframe=False, projection_type='equirectangular'))
fig.show()

亮点：locationmode='ISO-3' 使用国家代码，projection_type 调整地图投影。鼠标悬浮显示病例数，交互体验一流。进阶：想用 Bokeh？试试 bokeh.models.GeoJSONDataSource，但需要准备 GeoJSON 文件。小贴士：真实数据可从 owid/covid-19-data 获取。

6.3 机器学习可视化：模型评估与特征重要性

机器学习项目需要可视化模型性能和特征重要性。Seaborn 适合统计图，Plotly 和 Altair 适合交互式探索。假设我们用随机森林分类 iris 数据集，展示混淆矩阵和特征重要性。

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix
import seaborn as sns
import plotly.express as px
import pandas as pd
import matplotlib.pyplot as plt

# 数据与模型
iris = load_iris()
X, y = iris.data, iris.target
model = RandomForestClassifier(random_state=42).fit(X, y)
pred = model.predict(X)

# Seaborn：混淆矩阵
cm = confusion_matrix(y, pred)
plt.figure(figsize=(6, 5))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
            xticklabels=iris.target_names, yticklabels=iris.target_names)
plt.title('Confusion Matrix for Iris Classification')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()

# Plotly：特征重要性
features = pd.DataFrame({
    'Feature': iris.feature_names,
    'Importance': model.feature_importances_
})
fig = px.bar(features, x='Feature', y='Importance',
             title='Feature Importance in Random Forest')
fig.show()

分析：Seaborn 的热力图清晰展示分类准确性，Plotly 的柱状图支持交互探索特征重要性。小陷阱：混淆矩阵用整数格式（fmt='d'），避免小数显示。优化：用 Altair 的 mark_rect 可实现交互式混淆矩阵。

6.4 场景选择指南

金融：Plotly 或 Bokeh 打造交互仪表盘，Matplotlib 适合静态报告。
地理：Plotly 的 choropleth 最简单，Bokeh 适合复杂地图定制。
机器学习：Seaborn 快速生成统计图，Altair 和 Plotly 适合动态探索。

实战建议：跨场景混用库时，注意数据格式兼容性（如 Pandas DataFrame），避免重复处理数据。

7. 优化与最佳实践：让你的可视化更上一层楼

打造一张好图表不只是调用库函数，还需要性能优化、美观设计和用户体验的平衡。这章分享五大库的优化技巧和行业最佳实践，帮你从“能用”升级到“惊艳”！

7.1 性能优化：应对大数据挑战

大数据可视化容易卡顿，以下是各库的优化策略：

Matplotlib：减少绘图元素（如 markersize=1），或用 plt.plot 代替 scatter。
Seaborn：对大数据采样（如 data.sample(10000)），或用 kdeplot 替代 histplot。
Plotly：启用 WebGL（如 px.scatter(..., render_mode='webgl')），支持百万级数据点。
Altair：用 alt.data_transformers.enable('json') 或 data_server 减少内存占用。
Bokeh：用 ColumnDataSource 优化数据传输，启用 WebGL 加速渲染。

实战：优化 Matplotlib 的大数据散点图：

import numpy as np
import matplotlib.pyplot as plt

# 大数据
np.random.seed(42)
x, y = np.random.rand(100000), np.random.rand(100000)

# 优化绘制
plt.figure(figsize=(8, 6))
plt.plot(x, y, 'o', markersize=1, alpha=0.3)
plt.title('Optimized Large Dataset Scatter')
plt.show()

效果：markersize=1 和 alpha=0.3 显著降低渲染时间。

7.2 美观设计：打造专业级图表

配色：用 seaborn.color_palette('muted') 或 Plotly 的 Viridis 配色，避免刺眼颜色。
字体：Matplotlib 用 plt.rcParams['font.family'] = 'Arial'，中文用 SimHei。
布局：用 plt.tight_layout() 或 Plotly 的 update_layout 优化间距。
标注：添加 annot=True（Seaborn 热力图）或 tooltip（Altair/Plotly）增强信息密度。

案例：美化 Seaborn 箱线图：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

data = pd.DataFrame({
    'category': ['A']*50 + ['B']*50,
    'value': np.concatenate([np.random.normal(100, 10, 50), np.random.normal(120, 15, 50)])
})

sns.set_style('whitegrid')
plt.figure(figsize=(8, 6))
sns.boxplot(x='category', y='value', data=data, palette='Pastel1')
plt.title('Beautiful Boxplot', fontsize=16, fontweight='bold')
plt.tight_layout()
plt.show()

亮点：Pastel1 配色柔和，whitegrid 风格现代。