Python 数据可视化入门：matplotlib 和 seaborn 一行代码出图！

上周四下午四点半，运营部的欧阳给我发了条消息：matplotlib 报错，帮我看一下。

我点开截图，二十多行代码，fig、ax、plt、subplots 堆在一起，报错信息是 AttributeError: 'NoneType' object has no attribute 'set_xlabel'。她就是想画个月度趋势图，结果被 matplotlib 的面向对象接口搞懵了。

"我照着 CSDN 抄的，跑了半天跑不通。“ 

这场景太熟悉了。

pandas 数据分析做完了，领导说给我一张图，你打开 matplotlib 官方文档，fig/ax/axes/subplot 四个概念看了半小时还没搞清楚谁是谁。

其实很多场景根本不需要这么复杂，一行 seaborn 就够了。

matplotlib 和 seaborn 到底是什么关系

matplotlib 是 Python 最基础的绘图库。用 pandas 画图，底层调的就是它，几乎所有 Python 可视化工具都是基于这个库。

seaborn 是基于 matplotlib 的高级封装。它帮你处理了统计聚合、配色方案、默认样式这些脏活累活。你丢一行 sns.barplot(data=df, x='month', y='revenue')，它自动帮你算均值、画置信区间、选配色。

简单场景用 seaborn，精细定制用 matplotlib。

为什么需要它们？你花半小时写 pandas 代码分析出来的数据趋势，不画图，领导看 Excel 表格根本看不出规律。数据不可视化，等于白分析。

实战：3 行代码 vs 20 行代码

先看 seaborn 的写法，假设我们有份月度销售数据：

import pandas as pdimport seaborn as snsimport matplotlib.pyplot as plt
# 月度销售数据df = pd.DataFrame({    'month': ['1月','2月','3月','4月','5月','6月'],    'revenue': [120, 135, 158, 142, 190, 210],    'cost': [80, 85, 95, 88, 110, 125]})
# seaborn 一行出图sns.barplot(data=df, x='month', y='revenue', palette='Blues_d')plt.title('月度营收趋势')plt.tight_layout()plt.savefig('monthly_revenue.png', dpi=150, bbox_inches='tight')plt.show()

5 行核心代码，出来的图配色专业、柱子间距合理、坐标轴自动标注。

同样的图用纯 matplotlib 画：

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(8, 5))colors = ['#1f77b4'] * len(df)bars = ax.bar(df['month'], df['revenue'], color=colors, width=0.6)ax.set_xlabel('月份')ax.set_ylabel('营收（万元）')ax.set_title('月度营收趋势')ax.spines['top'].set_visible(False)ax.spines['right'].set_visible(False)for bar in bars:    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 3,            f'{bar.get_height():.0f}', ha='center', fontsize=10)fig.tight_layout()fig.savefig('monthly_revenue.png', dpi=150, bbox_inches='tight')plt.show()

15 行起步，还得手动去边框、加数据标签、调间距。如果你要画热力图（heatmap）、箱线图（boxplot）、小提琴图（violinplot），matplotlib 的代码量会更夸张。

seaborn 一行搞定的事，matplotlib 要写十行，这就是封装的价值。

matplotlib 复杂化的设计思想

matplotlib 有两个接口：pyplot 接口（plt.plot()）和面向对象接口（fig, ax = plt.subplots()）。

新手都喜欢 pyplot，因为它像 MATLAB，调用顺序写就行。但代码一长，你根本搞不清楚当前操作的是哪个画布、哪个子图。面向对象接口虽然写起来啰嗦，但 ax 这个变量明确指向你要操作的那块画布。

推荐写法永远是 fig, ax = plt.subplots()，先拿到对象再操作。

这是工程思维：变量指向明确，不会出意外。

seaborn 的设计哲学更值得学：统计图表不需要你手动算均值、方差、置信区间。sns.barplot 内部帮你聚合好了，你只管告诉它按这个维度分组，画这个指标。

中文字体问题是另一个大坑。matplotlib 默认不支持中文，坐标轴标签会显示方块。

解决办法：

plt.rcParams['font.sans-serif'] = ['SimHei']  # 黑体plt.rcParams['axes.unicode_minus'] = False     # 解决负号显示问题

这两行加在 import 之后，全局生效。Mac 用户把 SimHei 换成 'Arial Unicode MS' 或 'PingFang SC'。

新手常见的 4 个坑

中文显示方块？ 就是上面说的字体问题，两行代码解决，别去改系统字体。

图片太模糊？savefig 时设 dpi=150 或 dpi=300。屏幕显示 150 够了，打印用 300。不设 dpi，默认 100，发群里糊成一片。

子图怎么排？plt.subplots(nrows=2, ncols=3) 返回一个 (fig, axes) 元组，axes 是个二维数组，用 axes[0,1] 访问第一行第二列的子图。

seaborn 和 matplotlib 到底什么关系？ seaborn 底层就是 matplotlib。你用 seaborn 画完图，照样可以用 matplotlib 的方法微调，比如 plt.title()、ax.set_xlabel()。两者不冲突，是上下层关系。

数据分析结果不画图，等于白分析。快速探索用 seaborn，精细定制用 matplotlib，两者搭配才是正经组合。

以上就是“Python 数据可视化入门：matplotlib 和 seaborn 一行代码出图！”的详细内容，想要了解更多Python教程欢迎持续关注编程学习网。