我最近在用的5个数据可视化库

用户11081884

发布于 2026-07-20 20:39:30

400

文章被收录于专栏：用户11081884的专栏用户11081884的专栏

上个月做了一个销售数据分析项目，甲方要求“图要好看，能直接放PPT”。

就这一个需求，我把手边能用的可视化库全试了一遍。踩了不少坑，也摸清楚了每个库的脾气。

1. Matplotlib - 丑但绕不开

Matplotlib是Python可视化的根，很多库底层都是它。

问题是默认画出来的图真的丑。我第一次用它交图给同事，同事直接问“这是Excel画的吗”。

其实只要换个主题，画风完全不一样：

importmatplotlib.pyplotasplt
importnumpyasnp

plt.style.use("seaborn-v0_8-whitegrid")  # 换掉默认主题

months = ["1月", "2月", "3月", "4月", "5月", "6月"]
sales = [12, 19, 15, 22, 18, 25]

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(months, sales, marker="o", linewidth=2.5, color="#2196F3", markersize=8)
ax.fill_between(range(len(months)), sales, alpha=0.1, color="#2196F3")

ax.set_title("上半年销售趋势", fontsize=16, fontweight="bold", pad=15)
ax.set_ylabel("销售额（万元）", fontsize=12)
ax.tick_params(labelsize=11)

plt.tight_layout()
plt.savefig("sales_trend.png", dpi=150, bbox_inches="tight")
plt.show()

两个坑提前说：

一是中文显示方块，这个经典问题几乎每个新手都会碰，三行代码搞定：

importmatplotlib
# macOS
matplotlib.rcParams["font.family"] = "Arial Unicode MS"
# Windows
matplotlib.rcParams["font.family"] = "Microsoft YaHei"
# Linux（需要先安装字体）
matplotlib.rcParams["font.family"] = "WenQuanYi Micro Hei"

二是plt.show()之后再plt.savefig()，存出来是空白图。顺序反过来，先save再show。我当初因为这个重跑了好几次脚本。

2. Plotly - 做报告神器

Plotly画出来的图是可以交互的——鼠标悬停有tooltip、可以缩放、可以隐藏/显示某条线。

做数据报告的时候特别有用，甲方自己就能探索数据，不用我在旁边一直操作演示。

importplotly.expressaspx
importpandasaspd

df = pd.DataFrame({
    "月份": ["1月", "2月", "3月", "4月", "5月", "6月"],
    "销售额": [120, 190, 150, 220, 180, 250],
    "目标额": [150, 170, 160, 200, 200, 230],
})

fig = px.line(
    df,
    x="月份",
    y=["销售额", "目标额"],
    title="销售额 vs 目标额",
    markers=True,
    color_discrete_map={"销售额": "#2196F3", "目标额": "#FF9800"},
)

fig.update_layout(
    font_family="Microsoft YaHei",
    plot_bgcolor="white",
    paper_bgcolor="white",
    legend_title="指标",
)

fig.write_html("sales_report.html")
fig.show()

有个细节要注意：导出HTML默认会把Plotly的JS打包进去，文件大概6MB，发给别人有点重。加一个参数就好：

fig.write_html("report.html", include_plotlyjs="cdn")
# 文件变成几十KB，需要联网加载JS

Plotly Express写起来很顺，但碰到复杂图表要用plotly.graph_objects，那个学习曲线会陡一些，有心理准备。

3. Seaborn - 统计图直接用它

Seaborn是基于Matplotlib的，专门做统计可视化，默认配色就比Matplotlib好看，分布图、相关性热力图、对比图用这个比较顺。

importseabornassns
importmatplotlib.pyplotasplt
importnumpyasnp
importpandasaspd

np.random.seed(42)
df = pd.DataFrame({
    "部门": np.repeat(["销售部", "市场部", "技术部"], 50),
    "月销售额": np.concatenate([
        np.random.normal(15, 3, 50),
        np.random.normal(12, 2, 50),
        np.random.normal(8, 1.5, 50),
    ])
})

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

sns.boxplot(data=df, x="部门", y="月销售额", ax=axes[0], palette="Set2")
axes[0].set_title("各部门销售额分布", fontsize=14)

sns.violinplot(data=df, x="部门", y="月销售额", ax=axes[1], palette="Set2")
axes[1].set_title("各部门销售额分布（小提琴图）", fontsize=14)

plt.tight_layout()
plt.savefig("distribution.png", dpi=150, bbox_inches="tight")

Seaborn 0.12之后有几个API改了，网上很多教程还是旧版写法，遇到警告别慌：

# 旧写法（会报DeprecationWarning）
sns.set(style="whitegrid")

# 新写法
sns.set_theme(style="whitegrid")

还有distplot被废弃了，换成histplot或者kdeplot。不知道有多少人因为这个对着报错信息发呆过。

4. Pyecharts - 给老板看的那种图

Pyecharts是百度ECharts的Python封装，画出来有商业报表的感觉，老板和甲方一眼就喜欢。

frompyecharts.chartsimportBar
frompyechartsimportoptionsasopts

months = ["1月", "2月", "3月", "4月", "5月", "6月"]
sales = [120, 190, 150, 220, 180, 250]
target = [150, 170, 160, 200, 200, 230]

bar = (
    Bar()
    .add_xaxis(months)
    .add_yaxis("实际销售额", sales, color="#2196F3")
    .add_yaxis("目标额", target, color="#FF9800")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="上半年销售完成情况"),
        xaxis_opts=opts.AxisOpts(name="月份"),
        yaxis_opts=opts.AxisOpts(name="金额（万元）"),
        tooltip_opts=opts.TooltipOpts(trigger="axis"),
        legend_opts=opts.LegendOpts(pos_top="5%"),
    )
)

bar.render("sales_bar.html")

有个限制要知道：Pyecharts只能导出HTML，想导出图片要装snapshot-selenium或者snapshot-phantomjs，配置很麻烦，而且经常出问题。我现在直接交HTML，截图让浏览器截，别在这上面浪费时间。

文档也是个坑：中英文两版，中文版更新慢，有时候某个参数对不上，要去看英文文档或者直接翻源码。

5. Altair - 逻辑最清晰的一个

Altair基于Vega-Lite，写法是声明式的——描述“我要把哪列数据映射到哪个视觉通道上”，不用操心怎么画。

第一次用的时候有点不适应，但习惯了之后写起来思路很顺：

importaltairasalt
importpandasaspd

df = pd.DataFrame({
    "月份": ["1月", "2月", "3月", "4月", "5月", "6月"],
    "销售额": [120, 190, 150, 220, 180, 250],
    "同比增长": [0.05, 0.12, -0.02, 0.15, 0.08, 0.18],
})

chart = (
    alt.Chart(df)
    .mark_bar()
    .encode(
        x=alt.X("月份:N", title="月份"),
        y=alt.Y("销售额:Q", title="销售额（万元）"),
        color=alt.condition(
            alt.datum["同比增长"] >0,
            alt.value("#2196F3"),
            alt.value("#F44336"),
        ),
        tooltip=["月份", "销售额", "同比增长"],
    )
    .properties(title="上半年销售额", width=500, height=300)
)

chart.save("sales_altair.html")

两个要注意的：Altair默认只支持5000行数据，超了报错，加这一行：

alt.data_transformers.disable_max_rows()

还有就是Altair在Jupyter里体验最好，普通Python脚本跑需要额外配置才能预览，不然只能导出HTML看，稍微不方便一点。

用哪个

库	适合什么	导出格式
Matplotlib	静态图，细节控制，论文图	PNG / PDF / SVG
Plotly	交互图，数据探索	HTML / PNG
Seaborn	统计分析，分布对比	PNG / PDF
Pyecharts	商业报表，给非技术人员看	HTML
Altair	声明式写法，Jupyter环境	HTML / PNG