python学习之快速掌握 pandas 数据可视化：「matplotlib+seaborn」极简实战方案

一.python可视化库

不用学太多库，优先掌握「matplotlib+seaborn」，两者配合能搞定 90% 的日常可视化需求

可视化库	定位	Java 类比
matplotlib	Python 可视化「基础引擎」，能画所有基础图表，但默认样式丑	Java 的 Swing（原生画图工具，功能全但样式原始）
seaborn	基于 matplotlib 封装，语法更简单、样式更美观，适配 pandas	Java 的 EasyUI/ElementUI（封装原生组件，美化 + 简化操作）
pandas.plot	pandas 直接调用 matplotlib 的快捷接口，一行代码从 DataFrame 出图	Java 中 List 直接调用工具类画图，不用手动初始化画布

简单说：先用 pandas.plot 画基础图（最快），再用 seaborn 美化，matplotlib 做细节调整（比如改标题、坐标轴），不用单独学复杂的 matplotlib 语法。

二、前置准备：内网离线安装可视化库

1. 需安装的库（适配 Python3.8）

库名	版本（适配 Python3.8）	作用
matplotlib	3.7.5	核心可视化引擎
seaborn	0.12.2	美化图表，简化语法
pillow	9.5.0	辅助图片保存（内网 Win7 必装）

2. 离线安装步骤

外网 Win7 32 位 Python3.8 执行下载命令（适配内网 64 位）：

pip download matplotlib==3.7.5 seaborn==0.12.2 pillow==9.5.0 --platform win_amd64 --python-version 38 --only-binary=:all: -d D:\python_packages -i https://mirrors.aliyun.com/pypi/simple/

拷贝所有.whl包到内网，执行安装：

pip install *.whl

验证安装：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
# 无报错即成功

三、搞定4 类高频图表（覆盖 80% 场景）

前置：通用初始化（解决内网 Win7 中文乱码）

Win7 下 matplotlib 默认不支持中文，先加这几行代码（复制到所有可视化脚本开头）：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 解决中文乱码（内网Win7必加）
plt.rcParams["font.family"] = ["SimHei"]  # 黑体，适配Win7
plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题

# 读取并清洗数据（复用之前的代码）
df = pd.read_csv("sales_data.csv")
df["销售额"] = df["销售额"].fillna(0)  # 填充空值
df["日期"] = pd.to_datetime(df["日期"])  # 转换日期类型
df["月份"] = df["日期"].dt.month  # 提取月份

1. 柱状图（最常用：对比不同类别数据，比如各部门销售额）

需求：展示销售一部 / 二部的总销售额对比

# 步骤1：用pandas分组统计（复用之前的分析代码）
dept_sales = df.groupby("部门")["销售额"].sum()

# 步骤2：一行代码画柱状图（pandas.plot快捷方式）
dept_sales.plot(kind="bar", title="各部门总销售额对比", xlabel="部门", ylabel="销售额（元）")

# 步骤3：显示/保存图片（内网无界面也能保存）
plt.tight_layout()  # 自动调整布局，避免标题/标签被截断
plt.savefig("部门销售额柱状图.png")  # 保存到本地（内网可查看）
# plt.show()  # 有桌面界面的话，显示图片（内网Win7可能需要装tkinter，优先用savefig）

关键调整：改kind="barh"就是横向柱状图，适合类别多的场景。

2. 折线图（展示趋势：比如每日销售额变化）

需求：展示 1 月份每天的销售额趋势

# 步骤1：按日期分组统计
day_sales = df.groupby("日期")["销售额"].sum()

# 步骤2：画折线图（seaborn美化版）
sns.lineplot(x=day_sales.index, y=day_sales.values, marker="o", color="red")
plt.title("1月份每日销售额趋势")
plt.xlabel("日期")
plt.ylabel("销售额（元）")
plt.xticks(rotation=45)  # 日期标签旋转45度，避免重叠
plt.tight_layout()
plt.savefig("每日销售额折线图.png")

关键调整：marker="s"是方形标记，color="blue"改颜色，按需调整。

3. 饼图（展示占比：比如各部门销售额占总销售额的比例）

需求：展示各部门销售额的占比

# 步骤1：分组统计
dept_sales = df.groupby("部门")["销售额"].sum()

# 步骤2：画饼图
plt.pie(dept_sales.values, labels=dept_sales.index, autopct="%1.1f%%", startangle=90)
plt.title("各部门销售额占比")
plt.axis("equal")  # 保证饼图是正圆形
plt.tight_layout()
plt.savefig("部门销售额饼图.png")

关键调整：autopct="%1.2f%%"是保留 2 位小数，startangle=0改起始角度。

4.散点图（展示关联：比如销售员销售额分布）

# 步骤1：准备数据（销售员+销售额）
salesman_data = df[["销售员", "销售额"]].dropna()

# 步骤2：画散点图
sns.scatterplot(x="销售员", y="销售额", data=salesman_data, s=100, color="green")
plt.title("销售员销售额分布")
plt.xlabel("销售员")
plt.ylabel("销售额（元）")
plt.tight_layout()
plt.savefig("销售员销售额散点图.png")

关键调整：s=200放大点的尺寸

四、完整实战案例（从数据分析到可视化）

基于「销售数据」做全流程可视化，覆盖「清洗→分析→多图表输出」，代码如下：

# 1. 导入库+初始化
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 2. 读取并清洗数据
df = pd.read_csv("sales_data.csv")
df["销售额"] = df["销售额"].fillna(0)
df["日期"] = pd.to_datetime(df["日期"])
df["月份"] = df["日期"].dt.month

# 3. 多维度分析
# 3.1 部门总销售额
dept_sales = df.groupby("部门")["销售额"].sum()
# 3.2 每日销售额
day_sales = df.groupby("日期")["销售额"].sum()
# 3.3 销售员销售额
salesman_sales = df.groupby("销售员")["销售额"].sum()

# 4. 批量生成可视化图表（子图：一张图里放多个图表）
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(12, 8))  # 2行2列子图

# 4.1 柱状图（部门销售额）
dept_sales.plot(kind="bar", ax=ax1, title="各部门总销售额")
ax1.set_xlabel("部门")
ax1.set_ylabel("销售额（元）")

# 4.2 折线图（每日销售额）
sns.lineplot(x=day_sales.index, y=day_sales.values, ax=ax2, marker="o")
ax2.set_title("每日销售额趋势")
ax2.set_xlabel("日期")
ax2.tick_params(axis='x', rotation=45)

# 4.3 饼图（部门占比）
ax3.pie(dept_sales.values, labels=dept_sales.index, autopct="%1.1f%%")
ax3.set_title("部门销售额占比")

# 4.4 散点图（销售员销售额）
sns.scatterplot(x=salesman_sales.index, y=salesman_sales.values, ax=ax4, s=100)
ax4.set_title("销售员销售额分布")

# 5. 保存总图表
plt.tight_layout()
plt.savefig("销售数据可视化总览.png")
print("所有图表已保存到本地！")

五、内网 Win7 可视化避坑点

常见问题	原因 + 解决方法
中文乱码	matplotlib 默认无中文字体 → 加plt.rcParams["font.family"] = ["SimHei"]
plt.show()无反应 / 报错	Win7 缺少 tkinter 组件 → 优先用plt.savefig()保存图片，不用显示；若要显示，外网下载tkinter-8.6.12-cp38-cp38-win_amd64.whl内网安装
图片保存后截断标题 / 标签	没加plt.tight_layout() → 保存前必加这行

六、快速掌握的核心技巧

• 「复用分析结果」 ：可视化不用重新写数据分析代码，直接用 pandas 分组后的结果（如dept_sales），减少重复工作；
• 「先画再改」：先跑通基础代码画出图，再调整标题、颜色、尺寸，不用一开始就纠结样式；
• 「聚焦高频图表」：先搞定柱状图 / 折线图 / 饼图 / 散点图，复杂图表（热力图、箱线图）等有需求再学；
• 「本地验证」 ：内网不用联网，画完用savefig()保存图片，打开查看效果，比在线调试更高效；
• 「极简记忆」 ：每个图表记 1 行核心代码，比如柱状图 =df.plot(kind="bar")，折线图 =sns.lineplot(x,y)，忘了就查速查表

七、可视化速查表（内网可记，忘了就查）

图表类型	核心代码（基于 pandas 分析结果）	适用场景
柱状图	df.groupby("列1")["列2"].sum().plot(kind="bar")	类别对比（部门 / 销售员销售额）
折线图	sns.lineplot(x=索引, y=值, marker="o")	趋势分析（每日 / 每月销售额）
饼图	plt.pie(值, labels=索引, autopct="%1.1f%%")	占比分析（部门销售额占比）
散点图	sns.scatterplot(x="列1", y="列2", data=df)	关联分析（销售员 - 销售额）

总结（3 个核心要点）

• 工具选择：优先用pandas.plot（快）+seaborn（美）+matplotlib（调细节），不用学多余库；
• 学习路径：先练 4 类高频图表，基于已有分析数据画，再做完整实战案例；
• 内网适配：解决中文乱码、优先保存图片、批量安装依赖，避免卡壳。