第四章 可视化工具概览：Python 绘图库怎么选

做数据可视化，说白了就是给数据“化妆”——让枯燥的数字变成一眼能看懂的图形。我见过太多人一开始就扎进代码里，结果画出来的图自己都看不懂。工具选对了，事半功倍；工具没选对，后期改图改到哭。

Python 的绘图库少说也有十几个，但真正在生产里常用的，其实就四个：Matplotlib、Seaborn、Plotly、Bokeh。它们各有各的脾气，下面我一个一个讲清楚。

4.1 四大核心库的定位

先看一张总览图，帮你快速建立画面感。这是我每次给团队新人讲课时都会贴出来的框架，你就把它当一张“地图”用。

Python 可视化库生态全景 Python 可视化 Matplotlib 底层、通用、基础 Seaborn 统计图表、美观简洁 Plotly 交互式、Web 友好 Bokeh 仪表盘、流数据 快速选型指南 • 一次性静态图表 → Matplotlib • 统计分析与美观配色 → Seaborn • Web 端交互、3D、地图 → Plotly • 实时流数据仪表盘 → Bokeh • 科研论文出版 → Matplotlib + Seaborn 组合
我的建议： 别贪多，把 Matplotlib 和 Seaborn 练熟就能覆盖 90% 的场景。剩下两个按需学，别一开始就全铺开。

4.2 Matplotlib：基本功必须扎实

Matplotlib 是 Python 可视化界的“老大哥”。我当年入坑时，第一个可视化工就是它。它最大的特点就是“给你一个画板，剩下你说了算”——每个像素你都能控制。

但问题也出在这：代码啰嗦。画一个简单的柱状图，你得调 figure、axes、tick、label 一大堆。不过别怕，只要你掌握下面这个核心模板，后面都是套娃。

import matplotlib.pyplot as plt
import numpy as np

# 基础模板
fig, ax = plt.subplots(figsize=(8, 5))
x = np.arange(5)
y = [3, 5, 2, 7, 4]
ax.bar(x, y, color='steelblue')
ax.set_xlabel('类别')
ax.set_ylabel('值')
ax.set_title('我的第一个柱状图')
plt.show()
避坑指南： 我刚开始用 Matplotlib 时，最常犯的错是忘记写 fig, ax = plt.subplots()，直接用 plt.plot() 一通乱画，结果后面想改子图布局时全得重来。记住：永远用面向对象方式，别用 pyplot 的全局接口。

4.3 Seaborn：统计图表的美颜相机

Seaborn 是建立在 Matplotlib 之上的高层封装。你想想看，每次画分布图都要自己调颜色、边框、图例，烦不烦？Seaborn 把这些琐事全包了。

它最擅长三件事：

  • 分布可视化：histplot、kdeplot、boxplot，一行代码带置信区间
  • 关系可视化：scatterplot、regplot，自动拟合趋势线
  • 分类可视化：catplot、stripplot，处理多组数据对比

举个例子，画一个带核密度估计的直方分布图：

import seaborn as sns
import pandas as pd
import numpy as np

# 生成样本数据
data = np.random.normal(0, 1, 1000)
df = pd.DataFrame({'值': data})

sns.histplot(data=df, x='值', kde=True, bins=30, color='#3498db')
# 只需一行就完成了分布 + 密度曲线
注意： Seaborn 虽然好看，但定制灵活性不如 Matplotlib。如果你需要精细到图例位置、刻度字体、轴线粗为 1.2 px 这种级别，就得回 Matplotlib 再调。我有个项目因为论文投稿要求严格，最后还是在 Seaborn 基础上又写了 60 行 Matplotlib 定制代码。

4.4 Plotly：交互式图表的首选

Plotly 是做 web 交互的。它的图表可以直接嵌入 Flask/Django 页面，支持鼠标悬停、缩放、拖拽。我去年帮业务团队做销售数据看板，选了 Plotly，原因是他们需要给老板演示时能动态钻取数据。

核心思路：Plotly 的接口和 Matplotlib 很像，但返回的是一个 Figure 对象，可以序列化成 JSON，再在前端渲染。

import plotly.express as px
import pandas as pd

df = px.data.iris()
fig = px.scatter(df, x='sepal_width', y='sepal_length',
                 color='species', size='petal_length',
                 hover_data=['petal_width'])
fig.show()  # 默认在浏览器打开，可交互

嗯，这里要注意：Plotly 的离线版本特别大（~15 MB），部署到生产环境时最好用 plotly-orca 导出静态图，或者用 plotly.py 的 JupyterLab 渲染。另外，不要轻易用 Plotly 画大数据集（>10万点），浏览器会卡死。我踩过这个坑。

4.5 Bokeh：专为流式数据而生

Bokeh 和 Plotly 类似，都做 web 交互。但它有两个差异化优势：

  1. 后端流式更新：可以实时追加数据点，适合监控系统
  2. Bokeh Server：能跑在 Tornado/Flask 上，实现仪表盘联动

不过它的学习曲线比 Plotly 陡。我个人习惯是：如果不是要做实时流仪表盘，优先选 Plotly。Bokeh 的语法有点奇怪，尤其是 ColumnDataSource 的概念，好多新手都绕半天。

from bokeh.plotting import figure, show
from bokeh.io import output_notebook

output_notebook()
p = figure(width=400, height=400, title="Bokeh 示例")
p.circle([1,2,3,4,5], [6,7,2,4,5], size=15, color="navy", alpha=0.5)
show(p)

4.6 选型对比表

我把四个库的核心维度列成一张表，你按需查就行。

维度MatplotlibSeabornPlotlyBokeh
学习曲线中等低中等偏高
输出类型静态（PNG/SVG/PDF）静态交互式 HTML交互式 HTML
大数据性能好（后端渲染）好差（浏览器压力大）好（WebGL 加速）
定制精度极高（像素级）中中高中
典型场景论文、报告探索性分析Web 仪表盘实时监控
包体积~12 MB~20 MB（含 Matplotlib）~15 MB~8 MB

4.7 我常用的组合拳

我做了五年数据可视化，总结出一套“铁三角”打法拉去复制：

  • 探索阶段 → Seaborn + Jupyter Notebook。快速画分布、相关性矩阵，找规律。
  • 定稿出图 → 把 Seaborn 图用 Matplotlib 精调。比如 y 轴范围、图注位置、字体大小。
  • 演示交付 → Plotly 导出交互式 HTML，或 Bokeh 做成自刷新的数据看板。

切记，不要在一个项目里同时用四个库。团队协作时统一一个库，避免后期“这个图是哪个库画的”这种低效沟通。

避坑指南： 我曾经在同一个 Notebook 里混用 matplotlib.pyplot 和 seaborn 的 style，结果画出来的边框一会带网格一会不带，排查了一小时。解决办法很简单：在开头定义好 sns.set_theme() 或 plt.style.use()，贯穿全文。

4.8 快速起步的安装命令

别在安装上浪费时间。直接跑下面这条，四个库一步到位：

pip install matplotlib seaborn plotly bokeh pandas numpy

如果你想在 Jupyter Notebook 里直接显示 Plotly 图，再加一行：

pip install plotly nbformat

Bokeh 在 Notebook 里默认是 output_notebook()，不需要额外包。

← 上一章 📖 返回目录 下一章 →