3.3 高效数据可视化

3.3 高效数据可视化

本节摘要：SOURCE 3.3–3.4 合并：静态图用 %matplotlib inline + matplotlib/seaborn；交互探索用 plotly。本节保留原文图表类型建议，并说明何时 Clear Output、如何用 Mermaid 规划报告结构而非重复画同一数据。

学习目标

阅读完本节，你应当能够：

1. 首格或绘图前执行 %matplotlib inline
2. 用 df.plot 与 seaborn 画分布、关系、分类对比图
3. 了解 plotly.express 交互散点/折线的适用场景
4. 导出前清理冗余大图输出

一、内嵌显示：%matplotlib inline

SOURCE 与第 2 章一致：经典 Notebook 常需：

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
​

JupyterLab 默认内嵌；若图不显示，先查 Magic 是否执行、内核是否 Busy。

二、Pandas 与 seaborn 快速作图

SOURCE 3.1 已用 df.plot.scatter、hist。扩展常用模式：

df["age"].hist(bins=30)
plt.title("Age distribution")
plt.show()

sns.boxplot(data=df, x="category", y="score")
plt.xticks(rotation=45)
plt.show()

sns.heatmap(df.corr(numeric_only=True), annot=False, cmap="coolwarm")
plt.show()
​

三、plotly 交互（SOURCE 3.4 并入）

SOURCE 3.4 强调 plotly 缩放、悬停、筛选——适合汇报演示：

import plotly.express as px
fig = px.scatter(df, x="x_col", y="y_col", color="category",
                 hover_data=["id"])
fig.show()
​

Notebook 体积会因 plotly HTML 膨胀——分享前 Clear Output 或导出 HTML 单文件，Git 里存无输出的 ipynb。

四、Mermaid 报告结构（SOURCE intro 第 8 节）

Markdown 格可用 Mermaid 画分析流程，与数据图互补：

同一张数据不要 mermaid 和 matplotlib 各画一遍——mermaid 表达步骤，matplotlib 表达数据。

五、性能与习惯

• 大图先 df.sample(n=10000) 试色，再全量
• %timeit df.plot(...) 对比聚合后再画
• 多子图用 fig, axes = plt.subplots(2, 2) 避免开十个独立 figure

⚠️ 常见坑：seaborn 新版 API 与旧版参数名不同——Shift+Tab 查当前版本签名。

💡 关键直觉：探索阶段「图比表快」——一眼看出离群比 describe 记得牢；确认后再写结论格。

本节速览

• %matplotlib inline：经典 Notebook 内嵌
• hist / scatter / boxplot / heatmap：EDA 四件套
• plotly.express：交互汇报
• Mermaid：流程结构，不重复数据图
• Clear Output：提交前减体积

第 3 章完结；第 4 章把 Notebook 纳入 Git 并导出分享。

图表选型速查

出图习惯：先采样后全量

sample = df.sample(n=10000, random_state=42)
sns.scatterplot(data=sample, x="x_col", y="y_col", hue="category")
​

大表直接全量绘图，浏览器和 Notebook 都会卡。先用 sample 试配色、试坐标轴，确认无误再决定是否全量出图。

坐标轴与标签的三个细节

• rotation=45：类别标签多时斜排，避免互相叠字。
• 共享颜色：同一张报告里 categorical 用同一套色板，别每个图各用一套。
• 标题携带结论：plt.title("7 月销售额比 6 月高 12%") 比 plt.title("sales") 对读者友好得多。

Clear Output 与图片体积

plotly 交互图导出为 HTML 时会内嵌整段 JS，体积可达数百 KB。分享前判断受众：给团队审阅走 GitHub，给业务方看走 HTML 单文件，公开教程再考虑在线服务。本地 Notebook 的 Git 提交一律先 Clear Output。

可视化环节的时间分配

一次正常 EDA，加载与清洗占六成时间，画图占四成。画图阶段不要追求一次到位：先画最小版本，看分布再决定是否需要分组、是否需要 log 变换。探索笔记里保留"失败图"和"最终图"对比，本身就是很好的分析记录。

图表的保存与复用

探索出的关键图，用 plt.savefig("reports/dist_age.png", dpi=150, bbox_inches="tight") 保存，供报告引用；不要每次都重跑大表出图。保存时统一命名规则（主题_维度_日期），配合 reports/ 目录，交付时直接打包。

fig, ax = plt.subplots(figsize=(8, 4))
df["age"].hist(bins=30, ax=ax)
ax.set_title("Age distribution")
fig.tight_layout()
fig.savefig("reports/dist_age.png", dpi=150)
​

一组图讲一个故事

比单张图更重要的是图与图之间的顺序。一份 EDA 报告建议按"数据长什么样 → 分布 → 关系 → 异常 → 结论"排图，每张图前面用一句话交代动机。读者顺着读下来，就是一次完整的推理过程，而不是图集。

中文字体与坐标轴

在 Windows 环境画图，中文字体偶尔会显示成方框。临时解法是在绘图前指定字体：plt.rcParams["font.sans-serif"] = ["SimHei"]，并加上 plt.rcParams["axes.unicode_minus"] = False 处理负号。这个问题与内核无关，属于绘图环境配置，排查时优先检查 rcParams 而不是数据。

从图到结论的转化

一张图画完，立刻在下方 Markdown 格写一句结论：这张图告诉我什么，支持或推翻了哪个假设，下一步要验证什么。坚持"每图必有一句结论"，你的 EDA 就从图集变成了论证链条，分享给同事时价值完全不同。

多子图布局的实用写法

需要并排对比多个分布时，用 fig, axes = plt.subplots(1, 3, figsize=(15, 4)) 生成三格画布，分别在 axes[0]、axes[1]、axes[2] 上画图。子图共享坐标轴范围才能直观对比，记得手动设置 xlim 与 ylim 保持一致。

图注与数据来源

每张图下方标注一行图注：数据范围、筛选条件、单位。图注看似琐碎，却是防止误读的关键。同事拿到图能直接知道画的是什么、覆盖了哪些数据，不必追回代码里去猜。

可视化与结论的一一对应

一份好的 EDA 报告里，每个结论都对应至少一张图，每张图都支撑一个结论。检查时把 Markdown 格里的每句"发现"和图列表对照：找不到支撑图的结论要谨慎，画了图却没有结论的段落要么补结论要么删图。这种一一对应关系是报告可信度的基础。