简介：数据处理中，当横轴为日期时，从Excel读取数据并用matplotlib绘制坐标图，常面临日期格式识别异常、刻度间距不合理等问题。这份PDF梳理了两种解决方案：一种是在Excel中将日期型数据改为带单引号的文本，读取后通过datetime.strptime转换，适合快速出图但刻度可能非等间距；另一种是直接在Python中用mdates.DateFormatter与ticker.MultipleLocator设置日期格式和显示密度，同时给出解决中文不显示的rcParams配置。此外，还讨论了方法一带来的横坐标非等间距、日期取整显示等副作用，便于理解方案取舍。整个资源为一份PDF文件，压缩包约228KB，包含问题分析、完整代码、运行结果和Excel数据示例；已有4643人学习，适合需要处理时间序列可视化、尤其是刚接触matplotlib日期绘图的Python学习者参考。通过对比两种处理思路，读者可以快速定位日期读取与坐标轴显示异常的根源，并在实际项目中直接套用代码，减少摸索时间。
1. 日期横轴为什么让你在 Excel 绘图上翻车
拿到一张 Excel，里面是某产品半年来的每日销量，想用 Python 画一张横轴带日期的折线图。很多人第一次跑这段代码时，画出来的横轴要么是 0、1、2、3 这样的序号，要么是一堆按字符串排过序的“2024/1/5”标签，跟 Excel 里看到的时间顺序完全对不上。
原因很直接：Excel 里的“日期”本质上可能是三种东西——序列号、字符串、或者是 pandas 读进来之后被当成 object 的文本列。而 matplotlib 只认 datetime 类型，类型不对，横轴就只能是乱序或数字。这篇文章讲的就是把「Excel 读进来 → 日期列转标准时间类型 → 画成横轴为日期的图」这条管线走通，覆盖读取时该设什么参数、to_datetime 的边界情况、刻度怎么调、以及最常见的五个翻车现场。适合每天要出报表、做数据分析和用 Python 批量出图的人，新手能照步骤跑通，熟手能直接拿去排查自己画的图为什么乱。
2. 把 Excel 读进来：pandas 读取与列类型把关
2.1 用 read_excel 拿到干净数据的第一步
我一般不会拿到 Excel 就直接df = pd.read_excel("data.xlsx")然后df.plot()。读文件这一步，参数设对了，后面能省掉大半的日期类型麻烦。最常用的做法是这样的：
import pandas as pd # 读取指定 sheet，并把日期列在读取阶段就直接转成 datetime df = pd.read_excel( "销售数据.xlsx", sheet_name="Sheet1", parse_dates=["日期"], # 告诉 pandas：这一列按日期解析 dtype={"销量": "float64"}, # 数值列显式指定类型，避免 int/float 混用 engine="openpyxl", # 处理 .xlsx 文件的官方引擎 ) print(df.dtypes)这里的parse_dates是最关键的一个参数。pandas 在读到这一列时，如果值是标准日期格式（比如2024-01-05、2024/1/5），parse_dates会直接把它转成datetime64[ns]类型。dtype参数用来显式约束销量这一列是浮点数，防止某些单元格里混入了文本导致整体被读成 object。engine="openpyxl"是.xlsx文件的默认选项，但当你面对.xls老格式时，需要改成engine="xlrd"。
有两点在读取阶段就要盯住。第一，如果 Excel 文件第一行不是列名而是标题行，比如“某某公司销售报表”占了一行，需要用skiprows跳过，否则列名会被顶到第二行。第二，如果文件里有合并单元格，pandas 会把它读成 NaN，这个后面要单独处理，不能指望读取参数一步到位。
df = pd.read_excel( "销售数据.xlsx", sheet_name="Sheet1", header=0, # 第一行是列名（默认值，显式写出来更清楚） skiprows=None, # 如果文件第 0 行是杂项标题，改成 skiprows=1 parse_dates=["日期"], )读取阶段常见的经验是：宁可多设参数把类型管住，也不要事后救。一旦日期列被读成 object，你后面每次画图都要面对str和datetime混战的局面，且出错的地方往往不是画图本身，而是排序和索引对齐，那个排查成本比读取时多花两行参数高得多。不过有一类情况parse_dates救不了：Excel 里日期被存成了文本格式，单元格左上角带绿色小三角，这种值读进来是"2024/01/05"字符串，得靠第三章的to_datetime来兜底。
2.2 先看类型再动手：dtype 检查是画出日期横轴的前提
很多人的代码逻辑没问题，问题出在df.plot()那一刻，pandas 根本不知道这一列是日期。所以读取完成后，第一步不是 head 看数据，而是看dtypes。我每次读完 Excel 都会跑一遍这两行：
print(df.info()) # 看每列类型和非空数量 print(df.head(3)) # 看前几行长什么样df.info()输出里，如果“日期”这一列显示object，而销量那一列显示object而不是float64，就说明读取阶段没处理干净。object意味着这一列是混合类型，里面装的可能是字符串、可能是数字、甚至可能有空值。想画日期横轴，第一步就是把object干到datetime64[ns]。
这里有一个高频场景：Excel 里日期列看着是日期，但里面混了几个手工录入的文本，比如“-”或“待定”，整列就会被 pandas 读成 object，parse_dates遇到这种脏值不会报错，但那一行日期会变成 NaT（Not a Time）。所以读取配合后面的 to_datetime 清洗，才是完整方案。若你只是画图，NaT会被 matplotlib 自动跳过，但如果你要做时间序列运算，比如 rolling 均值，NaT会导致窗口错位，这个后面会专门讲。
3. 把任意日期写法统一成横轴：日期预处理与排序
3.1 to_datetime 统一格式：format 参数自动识别
读取阶段没拦住的那批字符串日期，统一在这儿处理。pd.to_datetime是转换的核心函数，但直接用不指定 format，它会猜，猜对大多数情况，猜错你就得到一堆 NaT 而且不知道哪儿错了。我一般会先看实际的字符串样子再定 format。
# 假设“日期”列里有 "2024/1/5" 和 "2024-1-5" 两种格式 df["日期"] = pd.to_datetime(df["日期"], format="%Y-%m-%d", errors="coerce") print(df["日期"].dtype) # 应该显示 datetime64[ns] print(df[df["日期"].isna()]) # 专门看哪些行转换失败了代码逻辑说明：format="%Y-%m-%d"是告诉 pandas 你期望的格式，%Y是四位数年份，%m是两位数月份，%d是两位数日期。加了 format 之后，pandas 不再猜测，速度更快，而且不会因为某些行格式特殊导致整列推断错误。errors="coerce"的作用是：转换失败的值不抛异常，而是变成NaT。紧接着用isna()把那几行捞出来人工看，这个习惯能让你迅速定位脏数据来自哪些行。
如果 Excel 里的日期是"2024年1月5日"这种中文格式，format就要写成format="%Y年%m月%d日"。还有一种比较坑的：使用"01/05/2024"这种欧美格式，pandas 默认会把前面的数字当月，如果你的业务是习惯日/月/年，要在to_datetime里加dayfirst=True。这部分属于格式识别里的常见分叉，新手建议直接打开 Excel 看一列到底长什么样，再写 format。
另外注意：to_datetime 处理的是字符串列，但现实中还有一种情况——Excel 里日期被存成数字，比如 45234。这是 Excel 的内部日期序列号，1900 年 1 月 1 日为 1。pandas 读进来后如果没被 parse_dates 干预，会是 int64。这种情况的处理方式不是 to_datetime，而是在读取阶段就设置parse_dates，或在转换时加unit="D", origin="1899-12-30"参数做序列号换算。但说实话，与其自己换算，不如直接在read_excel里用parse_dates一步到位，序列号交给 pandas 内部逻辑去处理。
3.2 排序、去重与缺失日期：横轴不乱画的三个前提
日期列转成datetime64只是第一步。Excel 里的数据往往不是按时间顺序排好的，尤其是手工汇总的表格，可能 1 月的数据在最后，或者某一天被录了两次。如果你直接拿这个 DataFrame 去画图，折线会沿着原始行序画出乱跳的线，看起来像心电图。
# 排序 + 去重 + 重设索引，三个动作一步到位 df = ( df.dropna(subset=["日期"]) # 丢掉日期为空的行 .sort_values("日期") # 日期升序，横轴才能从左到右 .drop_duplicates(subset=["日期"], keep="last") # 同一天多条记录只留最后一条 .reset_index(drop=True) # 把索引重置成 0,1,2,3... )这里的dropna(subset=["日期"])把转换失败的 NaT 行干掉，避免后面画图时出现空洞。sort_values("日期")用的是 datetime 排序，跟字符串排序完全是两回事。字符串排序会把2024/1/10排到2024/1/5前面，datetime 排序则会按时间真实先后排。drop_duplicates(subset=["日期"], keep="last")处理同一天重复记录的情况，keep="last"表示保留最后一行——因为很多时候手工追加的数据是修正后的，晚录入的更准。这个参数按你的数据情况选，如果是同一天多条记录要画在同一个点上，那就不该去重而应该做聚合。
聚合也是常见的预处理。如果一天有多个门店的数据，你想画的是全公司每日总销量，那就不能直接画原表，而应该先按日期分组求和：
df_daily = df.groupby("日期")["销量"].sum().reset_index()groupby("日期")要求日期列是 datetime 类型，如果是字符串它也能聚合，但聚合后的分组顺序是按字符串排的，不是按时间排的，后面画图还是要重新排序。所以再次强调：先 to_datetime，再 groupby，这俩顺序不能反。
日期缺失的问题则视业务而定。如果某天没有销售记录，画出来的折线就是断的。如果业务上需要“当天无销售就画 0”，可以用asfreq重采样把缺失日期补出来：
df_daily = df_daily.set_index("日期").asfreq("D", fill_value=0).reset_index()asfreq("D")是按天重采样，fill_value=0把缺失日期的销量填成 0。同样的思路可以扩展成按周"W"、按月"MS"聚合。这一步不是必须的，但它是「让横轴看着完整」的关键，尤其当你的图表要展示给业务方看时，断点会引发“那几天怎么没数据”的误会。
4. 画图：让 matplotlib 认准日期横轴的三个配置
4.1 直接从 DataFrame 绘图：plot 的 x 轴解析规则
日期数据准备干净之后，画图本身反而简单。pandas 内置的df.plot()是最高效的入口，它内部帮你封装了 matplotlib 的调用。但有一个规则必须知道：x参数必须是 datetime 类型列，或者你要先把日期列设为索引。
import matplotlib.pyplot as plt # 方式 A：指定 x 和 y 列 df.plot(x="日期", y="销量", figsize=(12, 5), title="每日销量趋势") plt.show() # 方式 B：把日期设为索引后直接绘图 df.set_index("日期")["销量"].plot(figsize=(12, 5), title="每日销量趋势") plt.show()两种方式我都常用。方式 A 语义更直白，适合两张表、多列需要分别指定时用。方式 B 更适合时间序列运算，因为 pandas 的时间序列方法都要求 datetime 索引，比如rolling、resample、shift这些操作在索引是日期列而非日期索引时都会出问题。日常画图推荐方式 A，数据准备和后续建模推荐方式 B。
figsize=(12, 5)是宽和高，单位为英寸。日期图建议宽度拉长，因为短宽度下日期刻度很容易挤成一团。如果你的 Excel 数据跨度超过半年，宽度 12 是底线，数据再多就 15 或 18。图太窄时 matplotlib 为了塞下所有刻度，会旋转标签或者直接跳刻度，观感很差。
4.2 日期刻度与标签：AutoDateLocator 和 DateFormatter 配合
df.plot()能用，但默认刻度有时很蠢：数据跨度三个月，它可能给你标出好几个“Jan”“Feb”的英文月份；数据跨度半年，标出来的标签可能都是“2024-01”这样的长格式，挤成一团。想精确控制横轴刻度，就要脱离df.plot()的便捷层，直接操作 matplotlib 的日期工具。
import matplotlib.dates as mdates from matplotlib import dates as mdates_alt # 只起说明作用，可删 fig, ax = plt.subplots(figsize=(12, 5)) ax.plot(df["日期"], df["销量"], linewidth=1.5, marker="o", markersize=3) # 设置横轴刻度定位器：自动按数据跨度选择年/月/日级别 locator = mdates.AutoDateLocator(minticks=5, maxticks=10) ax.xaxis.set_major_locator(locator) # 设置刻度标签格式：只显示年和月 formatter = mdates.ConciseDateFormatter(locator, formats=["%Y", "%b", "%d", "%H:%M"]) ax.xaxis.set_major_formatter(formatter) plt.xticks(rotation=30) # 标签旋转 30 度，重叠时视觉更清爽 plt.tight_layout() plt.show()AutoDateLocator(minticks=5, maxticks=10)是 matplotlib 自动选择刻度间隔的机制。它会根据横轴数据的跨度决定是每 3 天标一个刻度、每一周标一个、还是每月标一个。minticks和maxticks控制最少和最多刻度数，这两个参数决定了标签密度。跨度大的数据，默认刻度太少会觉得信息不足，调大maxticks到 12 或 15 能展示更多时间点。跨度小的数据，比如只有一周的数据，默认会按小时或天标，这时候直接把AutoDateLocator换成DayLocator(interval=1)更明确。
ConciseDateFormatter的好处是标签更短：2024 年 1 月的标签会显示成 “2024 Jan” 而不是 “2024-01-01”。它省去了手动对每个刻度做字符串格式化的麻烦。但如果你需要完整的2024-01-05格式，用DateFormatter("%Y-%m-%d")替换即可。这里要留意ConciseDateFormatter是相对较新的 API，如果你还在用比较旧的 matplotlib 版本（2.2 以下），会报ImportError，那就退回用DateFormatter。
plt.xticks(rotation=30)解决标签重叠。30 度是常见起步值，数据密集时可以调 45 或 60。tight_layout()是必须的，否则旋转后的标签会被裁剪掉一部分。这些配置组合在一起，才能做到“横轴是日期”这件事真正肉眼可见地正确和清爽。
4.3 专业级配置：月份主刻度、每周副刻度与网格
再往前一步，就是自行指定主刻度和副刻度。很多时候你要的不是自动，而是强制每月标一次，每周画条淡网格线。做法是手动MonthLocator加WeekdayLocator：
from matplotlib.ticker import FuncFormatter fig, ax = plt.subplots(figsize=(14, 5)) ax.plot(df["日期"], df["销量"], color="#1f77b4", alpha=0.85) # 主刻度：每月 1 号 ax.xaxis.set_major_locator(mdates.MonthLocator()) ax.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m")) # 副刻度：每周一 ax.xaxis.set_minor_locator(mdates.WeekdayLocator(byweekday=0)) # 网格：主刻度实线，副刻度虚线更浅 ax.grid(which="major", linestyle="-", linewidth=0.6, alpha=0.8) ax.grid(which="minor", linestyle=":", linewidth=0.4, alpha=0.4) plt.xticks(rotation=45) plt.tight_layout() plt.show()MonthLocator()没有参数，默认每月初标一个主刻度。WeekdayLocator(byweekday=0)中byweekday=0代表周一，0 是周一，6 是周日——如果你要每周天标副刻度，改成byweekday=6。主副刻度分开设置后，网格线会自动分层，视觉上主刻度的实线网格与副刻度的点线网格形成层次，日报看趋势时能快速对应到具体周和月。这部分配置适用于周报或月报场景，是我在给业务侧交付图表时最常用的一套配置。
5. 日期横轴绘图的避坑指南：五个高频翻车现场
5.1 现象：横轴标签是按字典序排的字符串
你在 Excel 里看到 1 月、2 月、3 月的数据排得整整齐齐，画出来却变成了 10 月、11 月、12 月、1 月……的乱序。
原因：日期列没有经过to_datetime转换，pandas 把它按字符串排序。字符串排序下"2024-10-05" < "2024-9-30"，因为字符 '1' 比 '9' 小。所有画图前没做日期类型转换的，横轴全是假的。
解决：回到第三章，df["日期"] = pd.to_datetime(df["日期"])，再重新sort_values。若你用的是df.plot()，pandas 对 datetime 类型列会自动按时间排，不会按原始行序画。这个坑是五个里面最常见的，只要你把df.info()的输出里日期列类型从object改成datetime64[ns]，它就消失了。
5.2 现象：横轴变成 1900 年左右的超大序列号
画的图横轴是一串五位数字，比如 45234，或者 x 轴的刻度全是 1900-01-01 附近。
原因：Excel 里日期是纯数值格式，单元格显示为日期，但底层是序列号。read_excel如果没指定parse_dates，读进来就是int64。matplotlib 把这个当普通数字画，于是五位数直接铺满横轴。
解决：把parse_dates=["日期"]加进read_excel。如果文件已经读进来了，用pd.to_datetime(df["日期"], unit="D", origin="1899-12-30")把序列号转回日期。这是 Excel 日期序列号的通用换算基准，1900 年 1 月 1 日对应序列号 1，所以 origin 从 1899-12-30 开始。注意 Windows 版 Excel 有 1900 闰年 bug，但 pandas 用这个 origin 处理绝大多数场景不会出问题，除非你的日期在 1900-03-01 之前，这个概率极低，知道即可。
5.3 现象：两条线的时间轴错位
同一张图里画销量和库存两条线，ax.plot(df1["日期"], df1["销量"])和ax.plot(df2["日期"], df2["库存"])，看起来波形对不上。
原因：两个 DataFrame 的日期类型不一致。一个已经是datetime64[ns]，另一个是字符串或序列号。matplotlib 在画第二种时把它当成普通数值轴，两条线的横轴坐标基准完全不同。更隐蔽的情况是：两边都是 datetime，但一个含时区datetime64[ns, UTC]，一个不含时区，合并时直接报错或静默错位。
解决：画多序列前先统一两个人的日期格式。检查df1["日期"].dtype == df2["日期"].dtype，不一致就先转一致。另外多张表要合并时，统一用pd.to_datetime再merge。这个坑我见过有人在报表上用一个多月才发现数据对不齐，根源就是两个 sheet 一个用了 parse_dates，一个没用。
5.4 现象：横轴刻度挤成一团，或者标签互相覆盖
数据跨度 30 天或 90 天，横轴标签密密麻麻堆在一起，完全没法读。
原因：matplotlib 默认刻度策略是尽量把所有日期都标出来，或者相反——在某些版本里自动跳过太多，一个月才一个刻度。这是AutoDateLocator在没有额外观测区间时表现的默认行为，跟数据密度不匹配。
解决：显式设置刻度。跨度 30 天用DayLocator(interval=5)，每 5 天标一个；跨度 90 天用WeekdayLocator(byweekday=0)，每周一标一个；跨度一年以上用MonthLocator(interval=1)每月初标一个。再配合ConciseDateFormatter缩短标签长度。记住规则：数据点密集时加密刻度，跨度大时稀释刻度，这个平衡没有通用解，必须按你的数据周期手动试。一个不算方法的方法：AutoDateLocator加上maxticks=8，能强制 matplotlib 最多显示 8 个刻度，这个值适合大多数看趋势的日报场景。
5.5 现象：中文标题和图例变方块
图能画出来，但标题、坐标轴标签、图例里所有中文全部变成空心的方框。
原因：matplotlib 默认字体里没有中文字形，回退到字体替换机制后找不到可用的 CJK 字体。有人说换plt.rcParams["font.sans-serif"] = ["SimHei"]就行，但这是在系统装了 SimHei 的前提下。很多服务器环境、瘦客户机和 macOS 上根本没有这个字体，配了也无效。
解决：用matplotlib.font_manager动态查找系统中文字体。但我更建议的做法是：轴标签和图例直接用英文，中文只出现在标题里，并且标题用plt.rcParams["font.sans-serif"]指定一个确认存在的字体。Windows 下常见黑体是"SimHei"，macOS 常见苹方是"PingFang SC"，Linux 看有没有"Noto Sans CJK SC"。写代码时先查再设：
import matplotlib.font_manager as fm # 列出系统里所有可用中文字体名 for font in fm.fontManager.ttflist: if "CJK" in font.name or "Hei" in font.name or "PingFang" in font.name: print(font.name)查到后用plt.rcParams["font.sans-serif"] = [查到的那一个]，同时设置plt.rcParams["axes.unicode_minus"] = False，否则负号也会乱。这个配置要在plt.show()之前、所有绘图代码最开头设置。如果你只是快速出图，最稳的规避方案就是标题用英文，横轴标签用数字和月份缩写，完全绕开中文字体问题。
6. 进阶：让日期横轴的图能缩放、能联动、能看趋势
6.1 用 plotly 把日期横轴做成可交互的图
静态 matplotlib 图适合打印和嵌入文档，但做数据分析时，交互式图表的优势是鼠标悬浮能看到具体某天的数值，拖动缩放能看任意时间段的趋势。用 plotly express 画日期横轴，只需要改数据准备阶段，图形代码更短：
import plotly.express as px fig = px.line( df, x="日期", y="销量", title="每日销量趋势（可缩放）", ) fig.update_xaxes(rangeslider_visible=True) # 底部加一个范围滑块 fig.show()这段代码最核心的配置是rangeslider_visible=True，它会在图底部生成一个迷你范围选择器，拖动它就能快速框选任意时间段，plotly 会自动缩放横轴。px.line要求x列是 datetime 类型，否则它不会按时间排序，所以之前的预处理步骤在这里依然有效。如果你的数据量超过几千个点，plotly 的渲染会变慢，这个时候用plotly.graph_objects.Scatter配合mode="lines"并关闭标记点，性能会好一些。
6.2 副刻度和滚动窗口：日期图里最常用的两个叠加
交互式图表适合探索，但正经汇报时还是静态图多。日期横轴图上，两个最常叠加的元素是「移动平均线」和「双 Y 轴副刻度」。滚动平均能消除每日波动暴露趋势，双轴则能同时展示销量和累计增长率这种量级不同的数据。
import matplotlib.dates as mdates fig, ax1 = plt.subplots(figsize=(14, 6)) # 主轴：每日销量 ax1.plot(df["日期"], df["销量"], color="#1f77b4", label="每日销量", alpha=0.6) ax1.set_ylabel("销量（件）") # 计算 7 日滚动平均 df["销量_7d"] = df["销量"].rolling(window=7, min_periods=1).mean() ax1.plot(df["日期"], df["销量_7d"], color="#d62728", linewidth=2, label="7日平均") # 副轴：累计增长率 ax2 = ax1.twinx() df["累计"] = df["销量"].cumsum() ax2.plot(df["日期"], df["累计"], color="#2ca02c", linestyle="--", linewidth=1, label="累计销量") ax2.set_ylabel("累计销量（件）") # 时间刻度统一设置 ax1.xaxis.set_major_locator(mdates.MonthLocator()) ax1.xaxis.set_major_formatter(mdates.DateFormatter("%Y-%m")) plt.xticks(rotation=45) # 合并图例 lines1, labels1 = ax1.get_legend_handles_labels() lines2, labels2 = ax2.get_legend_handles_labels() ax1.legend(lines1 + lines2, labels1 + labels2, loc="upper left") plt.tight_layout() plt.show()rolling(window=7, min_periods=1)是日期图最常用的一个滑动窗口计算，window=7是 7 天窗口，min_periods=1保证数据不足 7 天的前 6 天也能算出平均值（用已有数据算），否则前 6 天全是 NaN，折线会从第 7 天才开始画。twinx()创建共享 x 轴的第二个 y 轴对象，cumsum()算累计值。这里最容易踩的坑是：副轴的数据量级和主轴差很多，图例合并时要先获取两个轴的图例句柄再合并，否则只显示一个轴的图例。
这个结构延伸出去可以玩出很多东西：把rolling(7)改成rolling(30)做月趋势线，把累计销量换成同比环比增速，把副轴换成另一个产品的销量做对比。日期横轴的底层逻辑都是一样的——数据准备好了，剩下的就是视觉呈现的选择。我在实际工作中，最常用的组合就是「每日销量 + 7 日平均 + 月度主刻度」，这套图既能看出单日异常，又不被单日波动迷惑。如果你画出来的日期图总让人觉得“哪里怪怪的”，先检查日期列类型，再看刻度设置，最后才是颜色和样式的调整——顺序别反了。
希望这六个场景的拆解和代码能让你把日期横轴这件事做得滚瓜烂熟，少走我当年走过的弯路。遇到日期图翻车时，先回来看看类型检查那一步，多数时候问题就出在那儿。希望帮到你。
本文还有配套的精品资源，点击获取
 OVER窗口报错解析与避坑指南)