Python数据可视化全攻略：主流图表库详解与实战案例

Python作为数据科学领域的主流语言，拥有丰富多样的可视化库，能够帮助开发者将枯燥的数据转化为直观的图表。本文将全面介绍Python中最常用的几种可视化库，包括Matplotlib、Seaborn、Plotly、PyG2Plot等，并通过多个实战案例展示它们的具体应用方法。

一、Python可视化生态概览

Python的可视化库可以分为几个层次：

1. 基础层：Matplotlib - Python可视化基石，提供底层绘图接口
2. 统计图形层：Seaborn - 基于Matplotlib的高级统计图形库
3. 交互层：Plotly、Bokeh - 支持丰富交互功能的现代可视化库
4. 企业级层：PyG2Plot - 基于AntV G2Plot的Python封装

这些库各有侧重，开发者可以根据项目需求选择合适的工具。下面我们将详细介绍每个库的特点和使用方法。

二、Matplotlib：Python可视化的基石

2.1 基本特点

Matplotlib是Python最基础、最广泛使用的绘图库，具有以下特点：

• 支持几乎所有常见的图表类型
• 高度可定制化
• 良好的文档和社区支持
• 可以输出多种格式（PNG、PDF、SVG等）

2.2 基础示例

import matplotlib.pyplot as plt
import numpy as np

# 准备数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图表
plt.figure(figsize=(8, 4))
plt.plot(x, y, label='sin(x)', color='blue', linewidth=2)
plt.title('Sine Wave')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.legend()
plt.grid(True)

# 显示图表
plt.show()

这段代码展示了Matplotlib绘制正弦波的基本流程：准备数据→创建图表→设置样式→显示/保存图表。

2.3 实战案例：股票K线图

import matplotlib.pyplot as plt
from mplfinance.original_flavor import candlestick_ohlc
import pandas as pd
import matplotlib.dates as mdates

# 准备股票数据
data = pd.read_csv('stock_data.csv')
data['Date'] = pd.to_datetime(data['Date'])
data['Date'] = data['Date'].map(mdates.date2num)

# 创建图表
fig, ax = plt.subplots(figsize=(10, 5))

# 绘制K线
candlestick_ohlc(ax, data.values, width=0.6, colorup='g', colordown='r')

# 设置格式
ax.xaxis_date()
ax.grid(True)
plt.title('Stock Price')
plt.xlabel('Date')
plt.ylabel('Price'