Python数据可视化核心是用图表讲清数据故事，需按序安装Matplotlib、Pandas、Seaborn三库，从散点图理解参数逻辑，依分析目标选图型，并通过单位、图例、字体三步提升可读性。
Python数据可视化不是堆砌代码，而是用图表讲清数据背后的故事。掌握核心库、理解图表逻辑、避开常见坑，比死记参数更重要。
先装对工具：别一上来就写plot
新手常卡在环境配置。真正要用的只有三个库，按顺序装：
- Matplotlib：基础绘图引擎，所有可视化底层都绕不开它。装法：pip install matplotlib
- Pandas：读数据、整理数据、自带简单绘图（比如df.plot()），是分析流程的起点。pip install pandas
- Seaborn：基于Matplotlib的高级接口，一行代码画出热力图、分布图、分类统计图，适合快速探索。pip install seaborn
不用急着装Plotly或Bokeh——交互式图表是进阶需求，入门阶段先跑通静态图逻辑更实在。
从一张散点图开始：看清x、y、color、size到底代表什么
别直接抄模板。打开Jupyter，输入这四行，边改边理解：
立即学习“Python免费学习笔记（深入）”；
import matplotlib.pyplot as plt plt.scatter(x=df['年龄'], y=df['收入'], c=df['城市等级'], s=df['消费额']/100) plt.colorbar(label='城市等级') plt.show()
重点看四个参数：
- x/y：必须是数值型列，不是字符串标签
- c：控制颜色，可以是数值（自动映射色阶）或类别（自动分组上色）
- s：控制点大小，注意别直接传原始大数（比如万元级消费），要缩放，否则图全挤成黑块
- colorbar：加了c就得考虑是否需要图例，数值型用colorbar，类别型用plt.legend()
换图不靠猜：根据问题类型选图表
数据可视化不是审美比赛，是解题工具。对照你的分析目标选图：
- 看分布趋势：用折线图（时间序列）或直方图（数值分布），别用饼图——人眼难分辨面积差异
- 比几组数量：用柱状图（类别少）或水平条形图（类别多、标签长）
- 查两变量关系：散点图（数值×数值）、箱线图（数值×类别）、小提琴图（更细粒度分布）
- 看构成比例：只在总数固定、子类互斥时用饼图；否则优先堆叠柱状图或百分比条形图
调图不靠蒙：三步搞定可读性
再好的图，别人看不懂等于白画。每次画完检查这三项：
- 坐标轴有单位吗？比如“收入（万元）”不能只写“收入”
- 图例能对应上吗？尤其用了hue参数后，确认legend标题和颜色分组一致
- 字体够大吗？导出为PNG或PDF时，字号至少12pt，中文推荐SimHei或Noto Sans CJK
一行代码就能全局设置字体：plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
基本上就这些。不复杂但容易忽略——可视化真正的门槛不在代码，而在想清楚“我想让读者看到什么”。
