1. 为什么我始终推荐“matplotlib打底、seaborn精修”这套组合
做了几年的数据分析和可视化，但凡有朋友问我Python画图该学哪个库，我都会给同一个答案：先把matplotlib用熟，再把seaborn当“快捷方式”来用，两个一起配合，基本能覆盖日常工作里九成以上的图表需求。
这个建议不是拍脑袋。matplotlib是Python生态里最底层的绘图库之一，几乎所有其他可视化库的底层渲染都建立在它之上。它足够灵活，但灵活的另一面是繁琐：一个简单的柱状图，从坐标轴、刻度、边框到图例，零零碎碎要设置的东西不少。而seaborn是基于matplotlib封装出来的统计绘图库，它的核心价值在于“用一行代码画出统计图表”，并且自带一套比matplotlib默认样式好看得多的主题配色。对新手来说，seaborn上手非常快；对老手来说，seaborn的统计 API 能极大减少重复劳动。
但需要注意的是，seaborn并未替代matplotlib，它只是帮你把matplotlib的很多底层细节做了封装和美化。所以，你在seaborn里画完图之后，如果想要调节坐标轴名称、修改图例位置、加注释、调整子图布局，最终还是得回到matplotlib的API层去操作。真正成熟的用法，是把seaborn当成“快速绘图入口”，把matplotlib当成“精细化调整层”，两者叠加使用。
这篇文章的目标读者有两类。一类是刚接触数据可视化的小白，你想知道这两个库分别能做什么、该怎么选；另一类是有一定经验、但经常在画图时被各种细节卡住的同学，比如坐标轴刻度格式、中文乱码、图例重复、配色不协调等常见问题，我会把这些实操中容易踩的坑一并整理出来。内容不堆砌理论，全部是可复现的代码思路，你可以直接拿自己手头的数据试。
2. 分清两兄弟的分工：matplotlib解决“能画”，seaborn解决“画得快且好看”
先直观感受下两个库的差异。假设我们有一份模拟的某电商平台一周销售数据，包含日期、销售额、订单数、商品类目四个字段。用matplotlib从零画一张简单折线图，你可能需要这样写：
import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(8, 4)) ax.plot(data["日期"], data["销售额"], marker="o", linestyle="-", color="#4C72B0") ax.set_xlabel("日期") ax.set_ylabel("销售额（元）") ax.set_title("一周销售额趋势", pad=12) ax.grid(True, linestyle="--", alpha=0.3) ax.tick_params(labelsize=10) plt.xticks(rotation=45) plt.tight_layout() plt.show()需要留意的地方不少：fig, ax = plt.subplots()代表你创建了一个画布fig和一个坐标区ax；所有元素都要通过ax.set_xxx一个一个手动添加；坐标轴标签、标题、网格、刻度旋转、边框间距全部靠手工调。这对新手来说很容易漏掉某一步，但优点是每一步你都有绝对的控制权。
2.1 seaborn是如何“偷懒”的
同样的折线图，如果使用seaborn的lineplot函数：
import seaborn as sns sns.set_theme(style="whitegrid") sns.lineplot(data=data, x="日期", y="销售额", marker="o")两行核心代码，背景网格、默认配色、坐标轴自适应已经都处理好了。如果你新增需求，想按不同类目分别绘制多条趋势线，只需要增加一个hue参数：
sns.lineplot(data=data, x="日期", y="销售额", hue="类目", marker="o")一条线变成多条线，颜色自动区分，图例自动生成。这就是seaborn在统计图表场景下的核心优势：它能自动帮你完成“分组聚合再绘图”的整个流程。在matplotlib里，你得先groupby，再循环画多条线，还要手动处理图例标签。
2.2 选择逻辑
坦白讲，日常需求里两者并没有绝对的边界，但我的选择逻辑是这样的：如果只是快速摸下数据分布、画个内部报表、做个探索性分析，直接seaborn，几行代码就出图，效率很高；如果需要做对外展示、精确控制图表每个像素，或者seaborn没有对应的高级图形（例如复杂的多面板组合、自定义不等宽布局、极坐标系图），就回到matplotlib手动搭建。
更关键的是，不要把seaborn和matplotlib当成两套割裂的工具。seaborn画完返回的其实也是matplotlib的axes对象。我经常这样操作：
ax = sns.boxplot(data=data, x="类目", y="销售额") ax.set_title("各品类销售额分布", fontsize=14, pad=12) ax.axhline(data["销售额"].mean(), linestyle="--", color="gray", linewidth=1)sns.boxplot生成坐标区后，后续的标题、参考线、坐标轴调整全走matplotlib的老路子，两个库就这样自然衔接。
3. 环境准备与一份可复用的数据造数方案
写图之前先解决环境。我建议使用最新的稳定版本，而不是最高版本。多个项目里出现过seaborn新版升级后部分统计接口行为变化的情况，所以升级前最好先看下更新日志。
pip install matplotlib seaborn pandas numpy如果你用的是Anaconda或者其他科学计算发行版，这三个库通常已经预装。装完在Python或者Jupyter里验证下：
import matplotlib import seaborn as sns print("matplotlib:", matplotlib.__version__) print("seaborn:", sns.__version__)3.1 Jupyter里显示图的两种方式
Jupyter Notebook里画图，有两种方式让图表直接显示在单元格下方，但很多人会混淆：
%matplotlib inline上面这行是魔法指令，让matplotlib内嵌显示在Notebook里，不需要写plt.show()也能显示。还有一种更现代的方式是：
%config InlineBackend.figure_format = "retina"这行设置图片按Retina分辨率渲染，在Mac或者高分屏上图表文字边缘更清晰，同样需要和%matplotlib inline配合使用。如果你用的是Jupyter Lab，推荐使用%matplotlib widget，它可以生成可交互的浮动图窗，缩放和悬停查看数值都很方便。
注意：
%matplotlib widget需要安装ipympl，直接用pip install ipympl即可。
数据方面，为了方便后续示例演示，我准备生成一份完全虚构的“某便利店30天销售数据”，包含日期、销售额、订单数、天气情况、是否促销五个字段：
import numpy as np import pandas as pd from datetime import datetime, timedelta rng = np.random.default_rng(2024) base_date = datetime(2024, 5, 1) dates = [base_date + timedelta(days=i) for i in range(30)] sales = rng.normal(12000, 2500, size=30).clip(6000, 20000).round(2) orders = (sales / rng.normal(80, 15, size=30)).clip(80, 260).round(0) weather = rng.choice(["晴", "多云", "小雨"], size=30) promotion = rng.choice([0, 1], size=30, p=[0.7, 0.3]) data = pd.DataFrame({ "日期": dates, "销售额": sales, "订单数": orders, "天气": weather, "促销": promotion }) print(data.head())用随机种子保证每次运行结果一致，这样你复现代码时，看到的图表和我下面描述的一致，方便对照。
4. matplotlib从“能看”到“专业”的五个细节
很多人用matplotlib画图，功能上没问题，但图就是不“高级”。问题通常集中在细节：字体、间距、配色、刻度、信息密度。我挑几个高频场景展开说一下。
4.1 中文字体问题的根治方案
matplotlib默认字体不包含中文字符，直接绘图会出现方块乱码。网上最常见的方法是plt.rcParams["font.sans-serif"] = ["SimHei"]，但不同操作系统可用字体不一样，换台电脑就得重配。我的做法是做一个统一初始化函数：
import matplotlib.pyplot as plt def set_global_font(): # 常见的跨平台中文字体候选 font_candidates = [ "Microsoft YaHei", # Windows "PingFang SC", # macOS "SimHei", # Windows 黑体 "WenQuanYi Micro Hei" # Linux ] from matplotlib import font_manager available = {f.name for f in font_manager.fontManager.ttflist} for font in font_candidates: if font in available: plt.rcParams["font.sans-serif"] = [font] plt.rcParams["axes.unicode_minus"] = False return font return None注意axes.unicode_minus = False这一行不能省，否则坐标轴上负号会显示为方块。项目中如果经常画图，建议把这个设置放进一个公共配置模块，每次绘图前调用一次。
4.2 用rcParams统一全局风格
如果想给所有图表统一风格，不要在每个绘图函数里重复设置一堆参数，直接改rcParams：
plt.rcParams.update({ "figure.dpi": 100, "savefig.dpi": 300, "axes.spines.top": False, "axes.spines.right": False, "axes.titlesize": 13, "axes.labelsize": 11, "xtick.labelsize": 10, "ytick.labelsize": 10, "legend.frameon": False, "figure.autolayout": True, })axes.spines.top/right设置为False可以去掉顶部和右边的边框线，图表立刻显得干净很多；“留白”本身就是专业感的来源。
4.3 子图布局与其背后的设计逻辑
多子图是matplotlib的强项。最常用的写法有两种。plt.subplots(nrows=2, ncols=2)适合均等网格，但如果想要第一行是宽图、第二行是两个小图的复合布局，推荐用gridspec：
import matplotlib.gridspec as gridspec fig = plt.figure(figsize=(10, 7)) gs = gridspec.GridSpec(2, 2, height_ratios=[1.2, 1], width_ratios=[1, 1], hspace=0.35, wspace=0.25) ax1 = fig.add_subplot(gs[0, :]) # 第一行整行 ax2 = fig.add_subplot(gs[1, 0]) # 左下 ax3 = fig.add_subplot(gs[1, 1]) # 右下height_ratios控制行高比例，width_ratios控制列宽比例。实际项目中，每张子图的x轴经常是同一个日期字段，这种时候我通常先建一个大坐标区，然后对子坐标区做sharex=ax1的处理：
fig = plt.figure(figsize=(10, 6)) ax1 = fig.add_subplot(2, 1, 1) ax2 = fig.add_subplot(2, 1, 2, sharex=ax1)共享x轴后，上下两张图横坐标范围完全一致，并且只需要在底部子图设置x轴标签，上方子图的x轴刻度会自动隐藏，版面更紧凑，看起来也专业很多。
4.4 刻度格式化：让坐标轴说人话
画金额或者数量相关的图，坐标轴上的大数字经常需要格式化。比如销售额是“12345.67”元，直接放在y轴上既不美观也难读。用FuncFormatter可以轻松转成“1.23万”或“12.3K”：
from matplotlib.ticker import FuncFormatter def fmt_money(x, _): if x >= 10000: return f"{x / 10000:.1f}万" return f"{x:.0f}" ax.yaxis.set_major_formatter(FuncFormatter(fmt_money))日期轴上的刻度也要注意。如果日期跨了好几个月，matplotlib默认可能每个点都显示一个标签，密密麻麻挤在一起。一个简单的方法是设置MaxNLocator：
from matplotlib.ticker import MaxNLocator ax.xaxis.set_major_locator(MaxNLocator(nbins=6))强制x轴最多显示6个刻度，视觉效果会清爽很多。
4.5 保存图的几个细节
保存图片时最常犯的错误是：明明屏幕上看着清晰，保存到本地却模糊。原因在于savefig的默认dpi和屏幕dpi不同。推荐：
fig.savefig("output.png", dpi=300, bbox_inches="tight", facecolor="white")bbox_inches="tight"会自动裁剪掉图表周围多余白边，防止标题或轴标签被截断。如果做文档报告，建议直接存PDF矢量图，非高清不糊：
fig.savefig("output.pdf", bbox_inches="tight")5. seaborn统计图的正确打开方式：从分布探索到多变量关系
seaborn的价值在于统计分析，我挑四个最常用、最能体现它优势的图型来说。
5.1 直方图与核密度估计组合
单变量分布是探索数据的起点。seaborn的histplot可以在一张图里同时展示直方图和核密度曲线。对销售数据里的“订单数”字段分布情况：
import seaborn as sns sns.set_theme(style="whitegrid") ax = sns.histplot(data["订单数"], kde=True, bins=15, color="#4C72B0") ax.set_title("订单数分布：直方图 + 核密度估计", pad=12)如果设置kde=True，才会同时画出KDE曲线；如果不加这个参数，就只有直方图。比起distplot（旧版函数，不少教程还在用，但已经废弃），新版本统一用histplot，别再用旧API了。
5.2 箱线图与分类散点的互补
箱线图适合观察不同类别的分布对比。比如比较不同天气下销售额的差异：
sns.boxplot(data=data, x="天气", y="销售额", palette="Set2")但箱线图会隐藏数据的“形状”，看不出数据点具体聚在哪个区间。我习惯在箱线图上方叠加一层抖动散点，这样既能看到整体分布形态，又能保留每个样本的细节：
sns.boxplot(data=data, x="天气", y="销售额", palette="Set2", width=0.5) sns.stripplot(data=data, x="天气", y="销售额", color="black", alpha=0.3, jitter=True)真实项目里，只要数据量在几百以内，叠加散点都能增加不少信息量。数据量特别大的时候，stripplot会变成一团黑线，建议改用sns.violinplot直接看密度分布，或者使用sns.boxenplot，它能更好地展示大数据量的分位数细节。
5.3 热力图：相关性矩阵与缺失值矩阵
热力图是我用得最频繁的可视化图形。特别是拿到一份新的数据表，第一件事就是画相关性矩阵：
corr = data[["销售额", "订单数", "促销"]].corr() sns.heatmap(corr, annot=True, cmap="RdBu_r", center=0, fmt=".2f", square=True, linewidths=0.5, cbar_kws={"shrink": 0.8})几个参数值得说下：annot=True在格子里显示相关系数数值；fmt=".2f"控制显示小数位；center=0让0值落在色带正中间，正负相关性用红蓝区分更直观；square=True让热力图单元格为正方形，视觉更舒服；cbar_kws={"shrink": 0.8}缩短色带长度，避免色带太大抢风头。
除了相关性矩阵，热力图还有一个很容易被忽略的用法：画缺失值分布图。如果你的数据里有空值，用sns.heatmap(data.isnull(), cbar=False)一下子就能看清哪些字段在哪些行有缺失，是很实用的数据清洗工具。
5.4 多变量关系：pairplot和FacetGrid
先看pairplot，它能在一张图里展示所有数值型变量两两之间的散点关系，对角线位置放单变量分布：
sns.pairplot(data, vars=["销售额", "订单数", "促销"], hue="天气", diag_kind="kde", corner=True)corner=True只显示下三角部分，去掉重复对称的上三角，在大数据量时可以显著提速，图也更好看。hue还会自动根据分组给散点和分布曲线着色，一张图能看出非常多信息。
FacetGrid是更灵活的分面工具，适合“按某个分类变量拆分数据、分别绘图、最后拼在一个大图里”的场景。比如想看不同天气条件下销售额和订单数的关系，可以把画布按天气拆成三块：
g = sns.FacetGrid(data, col="天气", height=3.5, sharex=False) g.map_dataframe(sns.scatterplot, x="订单数", y="销售额", hue="促销", alpha=0.7) g.add_legend()这段代码会自动创建三个子图，分别对应“晴”“多云”“小雨”，每张图里都用不同颜色区分是否促销。sharex=False的意思是让每个子图的x轴范围独立缩放，防止某个分组的数据过窄被压扁。
6. seaborn的高级定制：从统计图无缝切换到底层控制
很多人用seaborn画完图之后，不知道怎么继续调节细节。其实方法很简单：seaborn的所有绘图函数都返回一个Axes对象，拿到这个对象后，所有matplotlib坐标轴操作方法都能照常使用。
6.1 调整配色
seaborn有一个很容易被忽略的灵活功能：可以直接传matplotlib的色带或者自定义颜色序列给palette参数。比如要突出促销组和非促销组的对比，可以指定一个显眼的亮色序列：
custom_palette = ["#E4572E", "#3B7EA1"] sns.boxplot(data=data, x="天气", y="销售额", palette=custom_palette, width=0.5)这里的两个十六进制颜色，一个橙色一个蓝色，形成互补色对比。不用记复杂的色带API，只要是matplotlib能识别的颜色格式，seaborn基本都支持。
6.2 在seaborn图上叠加自定义元素
假设我们已经用histplot画出了销售额分布，现在想用一条参考线标出均值位置，并添加文本注释：
ax = sns.histplot(data["销售额"], kde=True, bins=20, color="#4C72B0") mean_sale = data["销售额"].mean() ax.axvline(mean_sale, color="#C0392B", linestyle="--", linewidth=1.5) ax.text(mean_sale + 300, ax.get_ylim()[1] * 0.9, f"均值：{mean_sale:.0f}", color="#C0392B")ax.axvline是matplotlib画垂直线的方法，ax.text用于添加文字，位置由ax.get_ylim()动态计算，而不是硬编码坐标。这种做法在汇报场景中很实用，一张图上同时展示分布形态和关键统计量，信息量立刻提升。
6.3 组合图表的构建思路
最常用的组合图需求是“柱状图 + 折线图双轴”，比如展示销售额柱状图的同时，叠加一条订单量折线。seaborn没有直接的“双轴图”函数，但我们可以利用两个库的协同来完成：
fig, ax1 = plt.subplots(figsize=(10, 5)) sns.barplot(data=data, x="日期", y="销售额", ax=ax1, color="#9ECAE1", alpha=0.6, label="销售额") ax2 = ax1.twinx() sns.lineplot(data=data, x="日期", y="订单数", ax=ax2, color="#E4572E", marker="o", label="订单数") ax1.set_ylabel("销售额（元）") ax2.set_ylabel("订单数（单）") # 合并两个图例 lines1, labels1 = ax1.get_legend_handles_labels() lines2, labels2 = ax2.get_legend_handles_labels() ax1.legend(lines1 + lines2, labels1 + labels2, loc="upper left")代码里的twinx()创建了第二个y轴坐标系，柱状图和折线图各用各的轴。最后合并图例的手法是这类图的通用做法，如果你经常画双轴图，建议把这逻辑封装成函数。
7. 组合布局与画布管理的进阶整理
当图表数量多起来之后，布局管理变得非常关键。我分享两个进阶方案，一个是共享图例的整页多图展示，一个是利用plt.GridSpec精细控制画布划分。
7.1 一页多图、共享图例的实现方式
制作数据周报时，我经常需要把销售趋势、订单分布、促销效果等好几个图放到一张大画布上。常见误区是每张图都有自己独立的图例，挤在一起很乱。更专业的做法是只保留一个总图例：
fig, axes = plt.subplots(2, 2, figsize=(12, 8)) axes = axes.flatten() # 在每个子图里画图，但不显示图例 sns.lineplot(ax=axes[0], data=data, x="日期", y="销售额", hue="促销") sns.histplot(ax=axes[1], data=data, x="订单数", kde=True) sns.boxplot(ax=axes[2], data=data, x="天气", y="销售额", hue="促销") sns.scatterplot(ax=axes[3], data=data, x="订单数", y="销售额", hue="促销") # 统一设置图例 handles, labels = axes[0].get_legend_handles_labels() fig.legend(handles, labels, loc="upper right", bbox_to_anchor=(0.98, 0.98)) # 清除子图自身图例 for ax in axes: ax.legend_.remove() if ax.legend_ else None这里需要注意axes.flatten()将二维数组转为一维数组，循环处理起来方便很多；fig.legend是在画布级别创建图例，通过loc和bbox_to_anchor控制位置；ax.legend_是matplotlib保存图例对象的内部属性，用它可以判断图例是否存在并将其移除。
7.2 不等宽布局的实际场景
假设要画一张“左图是箱线图、右图是散点图，且右图宽度是左图两倍”的复合图：
from matplotlib.gridspec import GridSpec fig = plt.figure(figsize=(12, 4)) gs = GridSpec(1, 3, width_ratios=[1, 2, 2]) ax1 = fig.add_subplot(gs[0]) ax2 = fig.add_subplot(gs[1]) ax3 = fig.add_subplot(gs[2]) sns.boxplot(ax=ax1, data=data, x="天气", y="销售额") sns.scatterplot(ax=ax2, data=data, x="订单数", y="销售额", hue="天气", alpha=0.7) sns.scatterplot(ax=ax3, data=data, x="日期", y="销售额", hue="促销", alpha=0.7)width_ratios=[1,2,2]决定了三列宽度比为1:2:2。所谓“复杂布局”，本质上就是控制这些比例数字。
7.3 坐标轴共享与对齐细节
多图中如果多个子图带有相同的横轴标签，虽然共享坐标轴能减少冗余，但不同子图的标题、刻度标签宽度不同，可能导致子图区域没有严格对齐。解决办法是手动统一y轴标签宽度，或者在开头和结尾只保留一个纵轴标签：
fig, axes = plt.subplots(1, 3, figsize=(12, 4), sharey=True) sns.boxplot(ax=axes[0], data=data, x="天气", y="销售额") sns.boxplot(ax=axes[1], data=data, x="天气", y="订单数") sns.boxplot(ax=axes[2], data=data, x="天气", y="促销") fig.supylabel("数值") for ax in axes: ax.set_ylabel("")sharey=True让三张图共享同一个y轴范围，fig.supylabel在画布级别创建共同的y轴标签，子图内的set_ylabel("")则清空各自的重复标签，整张图干净不少。
8. 两个库配合使用时常踩的坑与排查思路
下面把实际项目里最常遇到、且搜索引擎很难一下子找到答案的几个坑列出来，每一条都附上排查思路。
8.1 中文乱码的终极排查手法
设置完字体后依然乱码，通常有两个原因。第一，字体名拼写错误——中文字体在系统中的显示名称并不总是中文拼音，比如mac上的“PingFang SC”如果写成“PingFang”就找不到。排查办法很直接：
from matplotlib import font_manager for f in font_manager.fontManager.ttflist: if "PingFang" in f.name or "YaHei" in f.name or "SimHei" in f.name: print(f.name, f.fname)把系统中已注册的所有字体打印出来，再去rcParams里填上准确的字体名字。第二，axes.unicode_minus没有设置为False，这个参数只影响负号的显示，但很多人会忘记，导致负数坐标标签变成乱码方块。
8.2 seaborn图表里的图例与hue参数的冲突
使用hue分组后，如果图表本身需要再添加一个图例，很容易出现图例重复混乱的情况。比如boxplot使用hue分组，又额外传了label参数，最后有两个图例叠在一起。我的建议是：所有需要hue分组的情况，统一用ax.legend(title="分组名")来控制图例的标题和位置，而不是依赖seaborn默认的图例生成逻辑。
8.3 颜色映射与palette参数的类型错误
某次项目里遇到一个很隐蔽的报错：传入了一个numpy数组作为palette，seaborn报“Could not interpret value”的错误。原因是palette参数期望的是列表、字典或matplotlib色带名称，而不是numpy数组。排查方法就是先检查最基础的参数类型，不要一上来就去查别的层级。凡是报错信息中出现interpret这个词的，八成是参数类型出了问题。
8.4 子图过多导致渲染缓慢
如果你用pairplot画了十几列数据的全变量关系图，再加hue分组，计算量会指数级上升，渲染慢是正常的。优化思路有三个：一是用corner=True只显示一半子图；二是只选择真正需要考察的数值列，控制在6列以内；三是减少散点采样数，例如对大数据框进行抽样：
sample_df = data.sample(n=500, random_state=42) sns.pairplot(sample_df, corner=True)8.5 坐标轴上限被自动截断的问题
有时候我们故意要画出某个指标的极大值，但seaborn会自动把y轴拉得特别宽，导致数据的主体分布被压成一条线。这时候不要犹豫，直接用matplotlib的ax.set_ylim()限制坐标轴范围：
ax = sns.scatterplot(data=data, x="订单数", y="销售额", hue="促销") ax.set_ylim(0, 18000)设置范围后，请注意此时如果存在超出上限的数据点，图表只是把它隐藏了，并不是删除，汇报时需要提前说明这一点，避免读者误判数据缺失。
9. 我常用的环境配置与自定义样式模板
最后分享一个自己维护的样式配置模块。它延续了前面提到的思路，把字体、网格、配色、输出大小全部集中到一个函数里，每次画图前调用一次即可。
def setup_style(): plt.rcParams.update({ "figure.dpi": 110, "savefig.dpi": 300, "savefig.bbox": "tight", "axes.spines.top": False, "axes.spines.right": False, "axes.grid": True, "grid.color": "#E0E0E0", "grid.linestyle": "--", "grid.alpha": 0.6, "axes.titlesize": 13, "axes.titleweight": "bold", "axes.labelsize": 11, "xtick.labelsize": 10, "ytick.labelsize": 10, "legend.frameon": False, "font.size": 10, })axes.grid设为True后，所有子图默认都会带网格线，省去每次画完图再补grid(True)的麻烦。如果你不喜欢网格线，可以修改grid.alpha让它变淡，或者干脆设为False。
还有一点关于seaborn全局样式的经验。sns.set_theme()会一次性覆盖matplotlib的多个全局参数，包括背景、网格、字体大小等。我一般会把sns.set_theme(style="whitegrid")放在代码开头，之后再用plt.rcParams.update微调局部参数。注意调用顺序：后执行的配置会覆盖先执行的配置，所以如果你自定义的rcParams.update放在set_theme()后面，才会最终生效。
10. 从画图到交付：几个真实场景中的完整示例
既然理论和踩坑都讲了不少，最后用三个最常见的真实需求，把代码串成一个比较完整的流程。
10.1 场景一：日销售额趋势与促销事件标注
需求是观察30天内销售额变化，同时标出哪天有促销活动。实现思路是折线图加垂线标注：
fig, ax = plt.subplots(figsize=(10, 4)) sns.lineplot(data=data, x="日期", y="销售额", marker="o", ax=ax, color="#4C72B0") promo_days = data[data["促销"] == 1]["日期"] for day in promo_days: ax.axvline(x=day, color="#E4572E", linestyle="--", alpha=0.5, linewidth=1) # 用颜色区别促销日与普通日 colors = ["#E4572E" if p else "#9ECAE1" for p in data["促销"]] ax.scatter(data["日期"], data["销售额"], c=colors, s=40, zorder=3) ax.set_ylabel("销售额（元）") ax.set_title("30天销售额趋势：橙点为促销日", pad=12) plt.xticks(rotation=30)散点重新着色后，促销日一眼可见，垂直线是辅助参考。注意zorder=3让散点绘制在网格线和折线之上。
10.2 场景二：不同天气、促销组合的销售额对比
项目里常见的是多因素对比。用分面柱状图做二维比较：
fig, ax = plt.subplots(figsize=(10, 5)) sns.barplot(data=data, x="天气", y="销售额", hue="促销", palette=["#9ECAE1", "#E4572E"]) # 把精确数值标在柱子上方 for container in ax.containers: ax.bar_label(container, fmt="%.0f", label_type="edge", fontsize=9, padding=2) ax.set_ylabel("销售额（元）") ax.set_title("不同天气与促销状态下的平均销售额对比", pad=12)ax.bar_label是matplotlib 3.4以后提供的柱子数值标注方法，不必再手动循环写text计算坐标位置。注意label_type="edge"可以控制数值标注在柱子顶端。
10.3 场景三：一份可直接粘贴到PPT里的汇总图
做汇报时我倾向于一页多图，把所有关键结论放在一张大图上，方便读者对比：
fig = plt.figure(figsize=(14, 8)) gs = GridSpec(3, 3, figure=fig, height_ratios=[1, 1, 1.2], hspace=0.4, wspace=0.3, width_ratios=[1, 1, 1.2]) # 左上：销售额趋势 ax1 = fig.add_subplot(gs[0, :]) sns.lineplot(data=data, x="日期", y="销售额", ax=ax1, color="#4C72B0") ax1.set_title("销售趋势") # 左下：订单数分布 ax2 = fig.add_subplot(gs[1, 0]) sns.histplot(data["订单数"], kde=True, bins=12, color="#55A868", ax=ax2) ax2.set_title("订单数分布") # 中下：天气箱线图 ax3 = fig.add_subplot(gs[1, 1]) sns.boxplot(data=data, x="天气", y="销售额", ax=ax3, palette="Set2") ax3.set_title("天气对销售影响") # 右下：一周销售热力图 pivot_data = pd.crosstab(data["日期"].dt.day_name(), data["促销"]) pivot_data = pivot_data.reindex(["Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday", "Sunday"]) sns.heatmap(pivot_data, annot=True, fmt="d", cmap="Blues", cbar=False, ax=ax4) fig.suptitle("某便利店30天销售汇总", fontsize=16, y=1.02)打印一张图胜过多页PPT，汇报前直接在fig.savefig时调大dpi即可。有一点小经验：热力图里如果当天没有促销日，显示为0，动画播放时有同学误以为数据缺失，所以热力图的cbar参数我一般设成False或明确标注色带含义。
这几个场景串联起来你会发现，真正有用的可视化技能从来不是记住某个库的全部API，而是知道在什么需求下调用哪个函数，以及在函数处理不好的情况下，如何回到matplotlib层兜底。把这两个库当作一套组合拳来用，绝大多数日常绘图需求都能从容应对。
