数据可视化（Matplotlib和pyecharts）

一 常见图形概念及使用

图表类型	适用场景	核心特点
柱状图(bar)	比较不同类别数据（如各地区销售额对比）、时间序列分析（离散时间）	高度反映数值大小，支持横向/纵向展示，可叠加分组
折线图(plot)	连续数据趋势比较（适合展示随时间的变化，如股票价格走势、用户增长趋势）、多变量趋势比较	通过线段连接数据点，强调连续性变化
散点图(scatter)	分析变量间相关性（如身高与体重关系），聚类分析初步观察	用点分布揭示数据模式，可添加回归线
饼图/环形图(pie)	显示比例分布（如市场份额占比）、简单分类（不适合多分类情况）	扇形面积代表比例，环形图可突出中心信息
热力图HeatMap()	矩阵数据密度展示（如用户活跃时段分布、网页点击热区）	颜色深浅映射数值大小，适合高维度数据聚类
箱线图(boxplot)	数据分布统计（如收入中位数、异常值检测）、实验的分组之间结果比较	展示最小值、Q1、中位数、Q3、最大值，识别数据离散度
雷达图(polar)	多维能力评估（如技能评分、产品属性对比）	多边形顶点表示维度，面积反映综合能力
地理地图(pyecharts)	空间数据可视化（如疫情分布、物流网络）	结合经纬度坐标，支持气泡图、热力层叠加

• 选择原则：

  • 明确目标： 趋势分析用折线图，占比用饼图，分布用散点/箱线图
  • 简化维度： 避免过度复杂（如3D图表可能降低可读性）
  • 颜色规范： 使用差异明显的色系，色盲友好（避免红绿对比）

• 热力图（Heatmap）

  • 概念:热力图是一种以颜色深浅来表示数据大小的二维图形。颜色通常从浅到深表示数值从低到高，或者相反。
  • 使用场景
    • 二维数据展示 ：用于展示二维数据矩阵中的数值分布情况。例如，展示不同时间段不同地区的销售额热度，或者基因表达矩阵中基因在不同样本中的表达水平。
    • 密度展示 ：可以用于展示数据点的密度分布。例如，在地理信息系统（GIS）中展示人口密度。

二、Matplotlib

（一）Matplotlib 简介

Matplotlib 是 Python 中最常用的绘图库之一，它提供了丰富的绘图功能，可以用于绘制各种静态、动态、交互式的二维和三维图形。

（二）基本图形绘制

    import matplotlib.pyplot as plt
    import numpy as np
    
    # 生成数据
    x = np.linspace(0, 10, 100)
    y = np.sin(x)
    
    # 创建画布与子图
    fig, ax = plt.subplots(figsize=(8, 4))
    
    # 绘制折线图
    # linewidth（线宽）、markersize（标记大小）、alpha（透明度）
    # fontsize 和 fontfamily 用于设置标题和标签的字体大小和字体系列。
    
    
    ax.plot(x, y, label='sin(x)', color='blue', linestyle='--')
    ax.set_title("Sine Wave")          # 标题
    ax.set_xlabel("X Axis")           # X轴标签
    ax.set_ylabel("Y Axis")           # Y轴标签
    ax.legend()                       # 显示图例
    ax.grid(True, linestyle=':')      # 网格线
    
    plt.show()  # 展示图形

2. 多子图与样式控制

    fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 6))
    
    # 第一个子图：柱状图
    axes[0,0].bar(['A', 'B', 'C'], [20, 35