创建一个画布，并指定一个子图

创建一个画布，选定一个具有独特视角和丰富内涵的子图，该子图需融合艺术、科技与自然之美，展现多元化的创意与独立思考，通过细腻的笔触与和谐的色彩搭配，引导观众进入引人入胜的视觉之旅，确保内容的独特性和深度，避免被搜索引擎归类为AI生成，以吸引更多追求原创与独特性的用户。

Matplotlib和Seaborn是Python中两个非常流行的数据可视化库，它们都可以用于创建各种类型的图表，如图表、直方图、箱线图等。

Matplotlib

Matplotlib是一个Python库，它提供了大量的函数来创建高质量的图表和图形，它是基于Agg模块的，因此不需要显示图形即可生成图像文件,下面是一些使用Matplotlib的基本示例：

导入库：

创建一个画布，并指定一个子图

import matplotlib.pyplot as plt

创建一条简单的线形图：

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y)
plt.show()

创建一个柱状图：

x = ['A', 'B', 'C', 'D']
y = [3, 8, 1, 6]
plt.bar(x, y)
plt.show()

Seaborn

Seaborn是基于Matplotlib的统计数据可视化库，它提供了更多的高级功能和更美观的默认样式，Seaborn使用装饰器模式来扩展Matplotlib的功能,下面是一些使用Seaborn的基本示例：

导入库：

import seaborn as sns

创建一个简单的线形图：

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
sns.lineplot(x, y)
plt.show()

创建一个柱状图：

x = ['A', 'B', 'C', 'D']
y = [3, 8, 1, 6]
sns.barplot(x, y)
plt.show()

注意：在上面的示例中，我们使用了plt.show()函数来显示图形，在实际的应用程序中，你可能会将图形直接保存到文件中，或者将其与其他库（如Pandas）一起使用以创建交互式图表。

希望这些示例能帮助你开始使用Matplotlib和Seaborn进行数据可视化！

好,这是一篇以 Python数据可视化：Matplotlib 与 Seaborn 为核心的文章。

画布上的数据故事：用 Matplotlib 与 Seaborn 解锁 Python 数据可视化之美

在数据科学的世界里,我们常说“一图胜千言”，无论你的数据处理得多么干净，算法模型构建得多么精妙，如果不能通过直观的图表将其中的规律、异常和趋势呈现出来，那么分析的价值往往会大打折扣，这正是数据可视化存在的意义，而在 Python 生态系统中，Matplotlib 与 Seaborn 无疑是这一领域的双璧。

本文将带你走进这两个库的核心世界,探讨它们各自的特性，并展示如何协同使用它们来绘制出既专业又富有洞察力的图表。

第一章：基石 · Matplotlib——一切可视化的起点

如果把数据可视化的工具比作绘画,Matplotlib 就是最基础、最强大的 画笔和画布，它诞生于 2002 年，凭借其极高的自定义性和对底层元素（如图形、坐标轴、刻度、标签）的完全控制，成为了 Python 可视化领域当之无愧的“鼻祖”。

核心哲学：显式创建

Matplotlib 的绘图逻辑是“显式的”，你需要先创建一个“画布”（Figure），再在上面添加一个或多个“子图”（Axes），然后在这个子图上调用各种绘图方法（如 plot、scatter、bar）。

import matplotlib.pyplot as plt
import numpy as np
fig, ax = plt.subplots(figsize=(8, 5))
# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 在子图上绘制折线图
ax.plot(x, y, label='sin(x)', color='royalblue', linewidth=2)
和标签
ax.set_title('简单的正弦波')
ax.set_xlabel('X 轴')
ax.set_ylabel('Y 轴')
# 显示图例
ax.legend()
# 显示网格
ax.grid(True, linestyle='--', alpha=0.6)
# 展示图表
plt.show()

Matplotlib 的优势与局限

优势：
- 灵活性极高：几乎可以定制图表中的每一个像素——字体、颜色、线型、刻度位置、注释等等。
- 成熟稳定：拥有海量的文档、示例和社区支持。
- 底层控制：适合创建复杂的、非标准的图表，例如带有自定义布局的仪表盘。
局限：
- 代码冗长：画一个简单的柱状图也需要多行代码来调整美观性。
- 默认样式陈旧：默认的样式（如灰色背景、蓝色线条）在审美上略显过时，不太适合直接用于报告。
- 高级统计图表支持弱：例如箱线图、热力图、小提琴图等，需要手动封装大量计算。

第二章：优雅 · Seaborn——让统计图表变得美丽

为了解决 Matplotlib 在美观性和统计图表便捷性上的不足，Seaborn 应运而生，它是建立在 Matplotlib 基础之上的 高级封装库，正如其名，它希望用户像“看海”一样，轻松地看到数据中的统计模式，Seaborn 的核心是 “一句话出图” 风格。

核心哲学：简化与美观

Seaborn 内置了漂亮的配色方案和默认样式，你只需要提供数据，它就能自动计算出统计量（如均值、中位数、置信区间），并生成美观的图表，它尤其擅长处理 DataFrame 数据。

import seaborn as sns
import matplotlib.pyplot as plt
# 加载 Seaborn 自带的数据集
tips = sns.load_dataset("tips")
# 一句话生成具有统计意义的箱线图
sns.boxplot(x="day", y="total_bill", data=tips)
(仍需 Matplotlib 命令)'不同日期的消费金额分布')
plt.show()

Seaborn 的核心功能

统计关系：lmplot（线性回归拟合图）、relplot（关系图）。
分布可视化：histplot、kdeplot（核密度图）、ecdfplot、displot。
分类数据：boxplot、violinplot、barplot、countplot、pointplot。
多子图网格：FacetGrid、PairGrid，可以轻松按某个分类变量（如性别、星期）切分数据，生成一组子图。

第三章：双剑合璧——从混乱到洞察的实战

在实际项目中,最佳策略往往是 “Seaborn 打主力，Matplotlib 做定制”。

场景：我们想分析 Titanic 数据集中，不同性别和舱位等级（Pclass）的乘客年龄分布，并突出显示中位数。

代码示例：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
# 1. 数据准备
titanic = sns.load_dataset("titanic")
# 2. 使用 Seaborn 绘制漂亮的小提琴图
fig, ax = plt.subplots(figsize=(10, 6))
sns.violinplot(x='pclass', y='age', hue='sex', data=titanic,
               split=True, inner='quartile', palette='muted', ax=ax)
# 3. 使用 Matplotlib 进行精细定制ax.set_title('泰坦尼克号乘客年龄分布（按舱位与性别）', fontsize=14, fontweight='bold')
# 自定义坐标轴标签
ax.set_xlabel('客舱等级', fontsize=12)
ax.set_ylabel('年龄 (岁)', fontsize=12)
# 调整图例位置
ax.legend(loc='upper left', title='性别')
# 添加水平参考线（如全局平均年龄）
mean_age = titanic['age'].mean()
ax.axhline(y=mean_age, color='red', linestyle='--', linewidth=1, label=f'全局平均年龄 ({mean_age:.1f})')
ax.legend(loc='upper right')
# 去除顶边和右边框（Matplotlib 定制）
sns.despine(top=True, right=True)
# 调整布局并显示
plt.tight_layout()
plt.show()

在这个例子中：

Seaborn 帮我们 90% 的活：漂亮的颜色、小提琴图的统计计算、按性别分色、内置四分位线。
Matplotlib 负责最后 10% 的细节：修改字体、添加参考线、去除多余边框、调整图例。

第四章：进阶技巧与最佳实践

样式管理：
- 使用 sns.set_theme(style='darkgrid', palette='muted') 可以一键切换 Seaborn 的全局视觉风格。
- 使用 plt.style.use('ggplot') 或 plt.style.use('seaborn-v0_8') 也很有趣。
颜色映射：
- Seaborn 提供了直观的调色板，如 deep、muted、bright、pastel、dark、colorblind。
- 对于连续数据,可以使用 sns.color_palette('viridis', as_cmap=True) 或 sns.light_palette('blue', as_cmap=True)。
面向对象的绘图：
- 始终记住 fig, ax = plt.subplots() 模式，这在需要在一个画布上组合多个复杂图表（如柱状图 + 折线图）时至关重要。
不要重复造轮子：
- 使用 sns.histplot 代替 plt.hist，因为前者自动内置了 KDE 曲线和更智能的 bin 选择。
- 使用 sns.heatmap(corr_df, annot=True) 绘制相关性矩阵，一行代码远超 Matplotlib 的 imshow。