Python数据可视化讲座：Matplotlib与Seaborn的奇妙之旅
大家好！欢迎来到今天的Python数据可视化讲座。我是你们的讲师，一个热爱编程和吃披萨的技术宅。今天我们要一起探索两个强大的工具——Matplotlib和Seaborn，它们就像数据界的魔术师，能把枯燥的数据变成美丽的图形。
如果你还在用Excel画图，那你就OUT了！让我们一起进入Python的世界，看看如何用代码绘制出令人惊叹的图表吧！
第一章：Matplotlib的基础魔法
1.1 初识Matplotlib
Matplotlib是一个功能强大的绘图库，它就像一把瑞士军刀，可以满足你几乎所有基础绘图需求。从简单的折线图到复杂的3D图形，Matplotlib都能搞定。
安装Matplotlib
首先，我们需要安装Matplotlib。如果你已经安装了Anaconda，恭喜你，它自带Matplotlib。如果没有，请运行以下命令：
pip install matplotlibHello, Matplotlib!
我们从最简单的例子开始，绘制一条直线。
import matplotlib.pyplot as plt
# 数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# 绘制折线图
plt.plot(x, y)
plt.title("My First Plot") # 图表标题
plt.xlabel("X-Axis") # X轴标签
plt.ylabel("Y-Axis") # Y轴标签
plt.show() # 显示图表这段代码会生成一个简单的折线图，看起来是不是很酷？
1.2 更多魔法技巧
Matplotlib的强大之处在于它的灵活性。我们可以自定义颜色、线条样式、标记等等。
自定义颜色和线条样式
plt.plot(x, y, color='red', linestyle='--', marker='o')
plt.show()color='red'：设置线条为红色。linestyle='--'：设置线条为虚线。marker='o'：在每个数据点上添加圆形标记。
添加图例
如果图表中有多个数据系列，图例就显得尤为重要。
x1 = [1, 2, 3, 4, 5]
y1 = [2, 4, 6, 8, 10]
y2 = [1, 3, 5, 7, 9]
plt.plot(x1, y1, label="Series 1")
plt.plot(x1, y2, label="Series 2")
plt.legend() # 显示图例
plt.show()第二章：Seaborn的魅力登场
2.1 Seaborn是什么？
Seaborn是基于Matplotlib的一个高级数据可视化库。它提供了更简洁的API，并且内置了许多漂亮的默认主题和配色方案。如果你觉得Matplotlib太复杂，那就试试Seaborn吧！
安装Seaborn
同样，如果你使用的是Anaconda，Seaborn可能已经预装了。否则，可以通过以下命令安装：
pip install seabornHello, Seaborn!
让我们用Seaborn绘制一个散点图。
import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
tips = sns.load_dataset("tips")
# 绘制散点图
sns.scatterplot(data=tips, x="total_bill", y="tip")
plt.title("Scatter Plot with Seaborn")
plt.show()2.2 Seaborn的高级功能
Seaborn真正厉害的地方在于它能够轻松处理复杂的统计图表。
箱形图（Boxplot）
箱形图是一种常用的统计图表，用于显示数据的分布情况。
sns.boxplot(x="day", y="total_bill", data=tips)
plt.title("Boxplot Example")
plt.show()热力图（Heatmap）
热力图非常适合用来展示二维数据。
flights = sns.load_dataset("flights")
flights_pivot = flights.pivot("month", "year", "passengers")
sns.heatmap(flights_pivot, annot=True, fmt="d")
plt.title("Heatmap Example")
plt.show()第三章：Matplotlib vs Seaborn
3.1 功能对比
| 功能 | Matplotlib | Seaborn |
|---|---|---|
| 灵活性 | 高度灵活，适合定制化需求 | 较低，但提供许多内置样式 |
| 学习曲线 | 较陡峭 | 较平缓 |
| 数据分析能力 | 基础数据分析 | 专注于统计分析 |
| 默认主题和配色 | 普通 | 内置多种美观的主题和配色方案 |
3.2 使用场景
- 如果你需要高度定制化的图表，选择Matplotlib。
- 如果你希望快速生成美观的统计图表，选择Seaborn。
第四章：实战演练
为了让大家更好地掌握这两个工具，我们来做一个小项目：分析电影评分数据。
数据准备
假设我们有一个电影评分数据集，包含以下字段：
movie_name：电影名称rating：评分genre：类型release_year：上映年份
分析步骤
- 绘制评分分布的直方图。
- 绘制不同类型的平均评分柱状图。
- 绘制评分随时间变化的趋势图。
代码实现
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 创建示例数据
data = {
"movie_name": ["Movie A", "Movie B", "Movie C", "Movie D", "Movie E"],
"rating": [7.5, 8.2, 6.8, 9.0, 7.8],
"genre": ["Action", "Drama", "Comedy", "Action", "Drama"],
"release_year": [2010, 2012, 2015, 2018, 2020]
}
df = pd.DataFrame(data)
# 1. 绘制评分分布的直方图
sns.histplot(df["rating"], bins=5, kde=True)
plt.title("Rating Distribution")
plt.show()
# 2. 绘制不同类型的平均评分柱状图
average_rating_by_genre = df.groupby("genre")["rating"].mean().reset_index()
sns.barplot(data=average_rating_by_genre, x="genre", y="rating")
plt.title("Average Rating by Genre")
plt.show()
# 3. 绘制评分随时间变化的趋势图
sns.lineplot(data=df, x="release_year", y="rating", marker="o")
plt.title("Rating Trend Over Time")
plt.show()总结
今天我们一起学习了Matplotlib和Seaborn的基础知识，并通过实际案例了解了它们的应用场景。Matplotlib像是一位严谨的科学家，而Seaborn则是一位艺术大师。两者各有千秋，关键在于根据需求选择合适的工具。
最后，记得多动手实践！只有通过不断的练习，你才能真正掌握这些技能。祝你在数据可视化的道路上越走越远！
下课啦！下次见～
