數(shù)據(jù)分析做到最后一步圖表出不來或者出來丑得沒法看這事兒我見得太多了。很多人用Pandas把數(shù)據(jù)清洗完、聚合完一到df.plot()就卡住——要么報錯說沒有matplotlib要么畫出來一堆線擠在一起分不清誰是誰要么中文全變成小方塊。Pandas數(shù)據(jù)的畫圖設置這個事說大不大說小也不小它恰好卡在“數(shù)據(jù)算完了”和“圖能給人看”之間那道坎上。我這些年帶過不少做數(shù)據(jù)分析的同事發(fā)現(xiàn)一個規(guī)律凡是能把Pandas畫圖設置玩明白的人出圖效率至少快三倍因為他們不用每次畫完圖再導到別的工具里返工。這篇內(nèi)容就是把我自己踩過的坑、調(diào)過的參數(shù)、攢下來的配置模板一次性攤開講清楚適合已經(jīng)會用Pandas做基本數(shù)據(jù)處理、但一畫圖就頭疼的讀者也適合想把出圖流程標準化的老手參考。1. 先搞清楚Pandas畫圖到底在畫什么1.1 Pandas畫圖的本質(zhì)是matplotlib的語法糖很多人以為Pandas自帶一個畫圖引擎其實不是。df.plot()底層調(diào)用的就是matplotlib的Axes對象Pandas只是幫你把DataFrame的列自動映射成x軸、y軸、圖例標簽這些東西。理解這一點特別關(guān)鍵因為它決定了你所有的“畫圖設置”最終都要落到matplotlib的參數(shù)體系里去。我舉個例子你就明白了。你寫df.plot(kindline)Pandas內(nèi)部做的事情大致是檢查索引是不是默認的RangeIndex如果是就用索引當x軸把每一列數(shù)值列當成一條線自動生成圖例然后把這些信息打包傳給matplotlib的plot()方法。所以你在df.plot()里能傳的參數(shù)大部分是matplotlib參數(shù)的透傳少部分是Pandas自己封裝的快捷方式。這個認知帶來的直接好處是當你遇到Pandas文檔里沒寫的設置需求時不用死磕Pandas文檔直接去查matplotlib對應的參數(shù)就行。比如你想設置線寬Pandas的linewidth參數(shù)背后就是matplotlib的linewidth你想改圖例位置df.plot()里沒有直接暴露這個參數(shù)但你可以拿到返回的Axes對象再調(diào)ax.legend(locupper left)。我見過太多人卡在“Pandas文檔里找不到這個參數(shù)”上其實答案一直在matplotlib那邊。提示df.plot()的返回值是一個matplotlib的Axes對象多子圖時是Axes數(shù)組拿到它之后你可以繼續(xù)用matplotlib的所有方法做精細調(diào)整這是Pandas畫圖設置的核心工作流。1.2 為什么默認出圖總是“能用但不好看”Pandas的默認畫圖設置走的是“最小驚訝原則”——它假設你只是想快速看一眼數(shù)據(jù)長什么樣所以默認樣式非常樸素白底、細線、小字體、圖例擠在角落。這套默認值在Jupyter里快速探索時夠用但一旦你要把圖放進報告、PPT或者給別人看就完全不夠了。默認不好看的具體原因有幾個。第一默認畫布尺寸是6.4×4.8英寸在現(xiàn)在的顯示器上偏小線條和文字都顯得局促。第二默認DPI是100導出圖片時分辨率不夠放大就糊。第三默認字體是英文字體中文標簽直接顯示成方塊。第四默認配色是matplotlib的經(jīng)典色環(huán)幾條線顏色接近色盲用戶根本分不清。第五默認沒有網(wǎng)格線讀數(shù)值全靠目測。這些問題單獨看都不致命但疊在一起就是“這圖沒法用”。我的做法是建一套全局配置模板一次性把這些默認值全部覆蓋掉后面所有圖自動繼承。這套模板我用了好幾年基本覆蓋了日常90%的出圖場景下面會詳細拆解每個配置項為什么這么設。1.3 畫圖設置該在哪一層做全局、局部還是單圖Pandas畫圖的設置可以分三個層次來做選錯層次會導致配置混亂或者重復勞動。全局層是通過pd.options.plotting和matplotlib的rcParams設置的影響當前會話所有圖局部層是在單次df.plot()調(diào)用里傳參數(shù)只影響這一張圖單圖層是拿到Axes對象后做后處理適合精細調(diào)整。我的經(jīng)驗是字體、畫布尺寸、DPI、配色方案這類“每個圖都要用”的設置放全局層標題、坐標軸標簽、圖例位置這類“每張圖不一樣”的設置放局部層刻度密度、標注位置、特殊參考線這類“需要看具體情況”的放單圖層。三層各司其職既不重復也不遺漏。下面幾個章節(jié)會按這個邏輯展開先講全局配置怎么搭再講局部參數(shù)怎么調(diào)最后講后處理技巧。2. 全局配置一次設置后面所有圖都受益2.1 中文字體配置的完整方案與踩坑記錄中文顯示成方塊是Pandas畫圖最高頻的問題沒有之一。根因是matplotlib默認字體族里沒有中文字體遇到中文字符就回退到默認字體而默認字體沒有對應字形于是顯示成方塊。解決辦法是顯式指定一個系統(tǒng)里存在的中文字體。配置代碼大致是這樣import matplotlib.pyplot as plt import matplotlib as mpl mpl.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, PingFang SC, Noto Sans CJK SC] mpl.rcParams[axes.unicode_minus] False這里有幾個細節(jié)值得說。第一font.sans-serif是一個字體列表matplotlib會按順序找第一個系統(tǒng)里存在的字體所以你可以把不同操作系統(tǒng)常見的中文字體都列進去這樣配置模板跨平臺也能用。第二axes.unicode_minus必須設成False否則負號會顯示成方塊——因為中文字體里的負號字形和matplotlib期望的不一樣這個坑我踩過不止一次坐標軸有負數(shù)的時候特別明顯。第三字體名稱必須和系統(tǒng)里注冊的名稱完全一致寫錯了不會報錯只會靜默回退到默認字體然后你又看到方塊了。不同系統(tǒng)常見的中文字體名稱我整理了一下操作系統(tǒng)常見中文字體名稱備注WindowsSimHei、Microsoft YaHei、SimSun黑體、微軟雅黑、宋體macOSPingFang SC、Heiti SC、STHeiti蘋方、黑體LinuxNoto Sans CJK SC、WenQuanYi Micro Hei需提前安裝如果你不確定系統(tǒng)里有哪些字體可以用matplotlib.font_manager模塊查詢或者直接跑一段代碼列出所有可用字體名然后挑一個中文字體填進去。我一般會在配置模板里寫一個字體探測函數(shù)自動從候選列表里選第一個可用的這樣模板拿到任何機器上都能直接跑。注意字體配置必須在畫圖之前執(zhí)行而且如果用了plt.style.use()切換樣式某些樣式會覆蓋字體設置所以字體配置要放在樣式設置之后。2.2 畫布尺寸與DPI導出清晰圖的關(guān)鍵參數(shù)畫布尺寸和DPI這兩個參數(shù)決定了導出圖片的物理大小和清晰度很多人只調(diào)其中一個結(jié)果要么圖太小要么糊。先說結(jié)論畫布尺寸按最終用途定DPI按輸出介質(zhì)定。畫布尺寸用figure.figsize設置單位是英寸。常見的參考值放進文檔或網(wǎng)頁的圖寬度6到8英寸夠用做PPT全屏展示的圖寬度10到12英寸做海報或打印的圖寬度12英寸以上。高度一般按寬高比來折線圖常用16:9或4:3柱狀圖可以矮一點。DPI用figure.dpi設置含義是每英寸多少像素。屏幕顯示72到100就夠?qū)С鯬NG放文檔里150起步打印或高清展示300起步。這里有個容易混淆的點figure.dpi影響的是顯示時的渲染精度而savefig.dpi影響的是保存文件時的精度兩個要分開設。我一般把figure.dpi設成100保證交互時流暢把savefig.dpi設成300保證導出清晰。mpl.rcParams[figure.figsize] (10, 6) mpl.rcParams[figure.dpi] 100 mpl.rcParams[savefig.dpi] 300 mpl.rcParams[savefig.bbox] tightsavefig.bbox設成tight是個小技巧它會在保存時自動裁掉圖周圍的空白邊距避免導出圖有一大圈白邊。這個參數(shù)不影響顯示只影響保存建議默認打開。算一下就很清楚10英寸寬、300 DPI的圖導出后是3000像素寬放進A4紙打印綽綽有余如果DPI只有100同樣10英寸寬只有1000像素打印出來就是糊的。所以別嫌300 DPI文件大該清晰的時候就得清晰。2.3 配色方案讓多條線一眼分得清默認配色在多線場景下辨識度不夠尤其是超過5條線的時候。Pandas畫圖可以通過colormap參數(shù)指定配色方案也可以通過matplotlib的axes.prop_cycle設置全局色環(huán)。我的建議是分類數(shù)據(jù)用定性配色連續(xù)數(shù)據(jù)用漸變配色。定性配色推薦tab10、Set2、Paired這幾套顏色區(qū)分度高且對色盲友好漸變配色推薦viridis、plasma、cividis這幾套在灰度打印下也能保持層次。不要用jet它的亮度變化不單調(diào)容易誤導讀者對數(shù)值大小的判斷。mpl.rcParams[axes.prop_cycle] mpl.cycler(color[ #4C72B0, #DD8452, #55A868, #C44E52, #8172B3, #937860, #DA8BC3, #8C8C8C ])這段配置設了一個8色的全局色環(huán)顏色取自常見的科研配色方案飽和度和明度都經(jīng)過調(diào)校打印和屏幕顯示都舒服。8色基本覆蓋日常多線場景超過8條線建議考慮分面或者換圖表類型硬塞進一張圖里誰也看不清。另外提一句透明度。多條線重疊時適當降低透明度alpha參數(shù)0.6到0.8之間能讓重疊區(qū)域顯現(xiàn)出來避免后面的線完全蓋住前面的線。這個設置在df.plot()里直接傳alpha0.7就行。2.4 網(wǎng)格、邊框與背景決定圖“干凈”還是“雜亂”默認出圖沒有網(wǎng)格線讀數(shù)值全靠目測加上網(wǎng)格線能顯著提升可讀性。但網(wǎng)格線也不能亂加加多了圖會顯得雜亂。我的配置是只開y軸主網(wǎng)格線型用虛線顏色用淺灰透明度調(diào)低。mpl.rcParams[axes.grid] True mpl.rcParams[grid.linestyle] -- mpl.rcParams[grid.color] #CCCCCC mpl.rcParams[grid.alpha] 0.6 mpl.rcParams[axes.grid.axis] y只開y軸網(wǎng)格是因為大多數(shù)圖讀的是y值x軸網(wǎng)格反而干擾視線。如果你的圖是橫向柱狀圖那就改成只開x軸網(wǎng)格。線型用虛線是為了和實線的數(shù)據(jù)線區(qū)分開顏色用淺灰是為了不搶數(shù)據(jù)線的視覺權(quán)重。邊框方面默認四邊都有邊框其實上邊框和右邊框沒什么信息量去掉之后圖更清爽。用ax.spines可以精細控制ax.spines[top].set_visible(False) ax.spines[right].set_visible(False)背景色默認是白色一般不用改。如果要做深色主題的圖把axes.facecolor和figure.facecolor一起改注意同時調(diào)整文字和網(wǎng)格顏色否則對比度不夠。3. 局部參數(shù)單張圖的精細控制3.1 df.plot()常用參數(shù)速查與選擇邏輯df.plot()的參數(shù)不少但日常高頻使用的就那么十幾個。我把它們按用途分成幾組配上選擇邏輯方便你按需查用。參數(shù)作用常用取值選擇邏輯kind圖表類型line、bar、barh、hist、box、scatter、pie看數(shù)據(jù)關(guān)系趨勢用line對比用bar分布用hist/box相關(guān)用scatterx / y指定軸字段列名字符串或列表默認用索引當x顯式指定更可控figsize畫布尺寸元組如(10,6)覆蓋全局設置單圖特殊需求時用title標題字符串每張圖都該有放局部層xlabel / ylabel軸標簽字符串字段名不直觀時必加legend圖例True/False/‘reverse’多列時開單列時關(guān)grid網(wǎng)格True/False覆蓋全局設置時用style線型樣式列表或字典需要區(qū)分線型時用alpha透明度0到1重疊多時調(diào)低rotx軸標簽旋轉(zhuǎn)角度整數(shù)標簽長時設45或90colormap配色方案配色名分類多時換配色subplots是否分面True/False多列且量綱不同時開layout子圖布局元組配合subplots用sharex / sharey共享軸True/False分面時按需開這張表建議存下來畫圖時對著查。重點說幾個容易用錯的。kind參數(shù)決定圖表類型選錯了圖就傳達錯了信息——比如用折線圖畫分類對比讀者會誤以為x軸有連續(xù)關(guān)系。x和y不指定時Pandas用索引當x、所有數(shù)值列當y數(shù)據(jù)量大時容易畫出幾十條線一定要顯式指定。rot參數(shù)在x軸標簽是長字符串時特別有用不旋轉(zhuǎn)的話標簽會重疊成一團。3.2 多列數(shù)據(jù)畫在一張圖還是分開畫DataFrame有多列數(shù)值時df.plot()默認把所有列畫在同一張圖上共用y軸。這在各列量綱相近時沒問題但量綱差異大時就會出問題——比如一列是百分比0到1一列是金額幾萬畫在一起百分比那條線就貼在x軸上成一條直線了。判斷標準很簡單各列量綱相近就畫一張圖量綱差異大就分開畫。量綱相近的例子多個產(chǎn)品的月度銷量、多個指標的同比增速。量綱差異大的例子價格和銷量、溫度和降雨量。分開畫用subplotsTrue參數(shù)df.plot(subplotsTrue, layout(2, 2), figsize(12, 8), sharexTrue)layout指定子圖的行列數(shù)sharexTrue讓所有子圖共用x軸避免重復顯示刻度標簽。注意subplotsTrue時df.plot()返回的是Axes數(shù)組后續(xù)調(diào)整要遍歷數(shù)組操作不能直接當單個Axes用。還有一種折中方案是雙y軸適合兩列量綱不同但需要對照看趨勢的場景。Pandas本身不直接支持雙y軸需要拿到Axes后用twinx()創(chuàng)建第二個y軸這個操作稍微繞一點但用熟了也快。3.3 圖例、標題、軸標簽的排版技巧圖例、標題、軸標簽是圖的“文字部分”排版不好會顯得很業(yè)余。圖例最常見的問題是位置擋住數(shù)據(jù)線解決辦法是用loc參數(shù)指定位置或者放到圖外。Pandas的df.plot()里圖例位置通過ax.legend(loc...)設置常用取值有upper left、upper right、lower left、lower right、best。best會讓matplotlib自動找空白位置但有時候找的位置并不理想我一般手動指定。圖例放到圖外用bbox_to_anchor參數(shù)ax.legend(locupper left, bbox_to_anchor(1.02, 1))這行代碼把圖例放到圖的右側(cè)外面配合savefig.bboxtight保存時不會裁掉。圖例列數(shù)多時可以用ncol參數(shù)排成多列避免圖例豎著拉太長。標題分總標題和子圖標題。總標題用fig.suptitle()子圖標題用ax.set_title()。標題字號比正文大一兩號加粗位置居中。軸標簽用ax.set_xlabel()和ax.set_ylabel()字號比標題小一號不加粗。這里有個細節(jié)軸標簽不要和刻度標簽擠在一起用labelpad參數(shù)調(diào)間距。提示標題和軸標簽里出現(xiàn)中文時確保字體配置已經(jīng)生效否則又是方塊。另外標題不要太長超過一行就換行或者精簡長標題在窄圖上會溢出。3.4 刻度與數(shù)值格式讓數(shù)字讀起來不費勁刻度設置包括刻度位置、刻度標簽格式、刻度密度三塊。刻度位置一般不用手動調(diào)matplotlib自動選的通常合理但數(shù)據(jù)范圍特殊時可能需要干預?？潭葮撕灨袷皆跀?shù)值很大或很小時需要處理比如金額顯示成“1.2萬”比“12000”好讀百分比顯示成“35%”比“0.35”直觀。數(shù)值格式用FuncFormatter自定義from matplotlib.ticker import FuncFormatter def format_wan(x, pos): if abs(x) 10000: return f{x/10000:.1f}萬 return f{x:.0f} ax.yaxis.set_major_formatter(FuncFormatter(format_wan))這段代碼把y軸數(shù)值超過一萬的顯示成“X.X萬”否則顯示整數(shù)。類似的可以寫百分比格式化、千分位格式化。格式化函數(shù)要注意處理負數(shù)和零別寫出除零錯誤或者負號丟失?？潭让芏确矫婵潭忍軜撕灂丿B太疏讀不出精確值。經(jīng)驗值是x軸刻度控制在5到10個y軸控制在5到8個。用MaxNLocator可以限制最大刻度數(shù)from matplotlib.ticker import MaxNLocator ax.xaxis.set_major_locator(MaxNLocator(8))日期型x軸是另一個高頻場景Pandas畫時間序列時x軸刻度經(jīng)常擠成一團。解決辦法是用pd.plotting.register_matplotlib_converters()注冊轉(zhuǎn)換器新版Pandas自動注冊然后用fig.autofmt_xdate()自動旋轉(zhuǎn)日期標簽或者手動用mdates模塊設置日期格式。4. 完整實操流程從數(shù)據(jù)到成圖4.1 環(huán)境準備與配置模板搭建先把環(huán)境理清楚。核心依賴就三個pandas、matplotlib、numpy。如果要做統(tǒng)計圖可能還需要scipy但畫圖本身不需要。安裝命令pip install pandas matplotlib numpy版本方面Pandas 1.5以上、matplotlib 3.5以上比較穩(wěn)新版本的畫圖接口更統(tǒng)一老版本有些參數(shù)行為不一致。裝完之后驗證一下import pandas as pd import matplotlib print(pd.__version__, matplotlib.__version__)接下來搭配置模板。我的習慣是建一個plot_config.py文件把全局配置封裝成一個函數(shù)每個分析腳本開頭調(diào)一次import matplotlib as mpl import matplotlib.pyplot as plt from matplotlib import font_manager def setup_plot_style(): # 字體探測 candidates [SimHei, Microsoft YaHei, PingFang SC, Noto Sans CJK SC, WenQuanYi Micro Hei] available {f.name for f in font_manager.fontManager.ttflist} chosen [f for f in candidates if f in available] if chosen: mpl.rcParams[font.sans-serif] chosen [DejaVu Sans] mpl.rcParams[axes.unicode_minus] False # 畫布與分辨率 mpl.rcParams[figure.figsize] (10, 6) mpl.rcParams[figure.dpi] 100 mpl.rcParams[savefig.dpi] 300 mpl.rcParams[savefig.bbox] tight # 配色 mpl.rcParams[axes.prop_cycle] mpl.cycler(color[ #4C72B0, #DD8452, #55A868, #C44E52, #8172B3, #937860, #DA8BC3, #8C8C8C ]) # 網(wǎng)格與邊框 mpl.rcParams[axes.grid] True mpl.rcParams[grid.linestyle] -- mpl.rcParams[grid.color] #CCCCCC mpl.rcParams[grid.alpha] 0.6 mpl.rcParams[axes.grid.axis] y mpl.rcParams[axes.spines.top] False mpl.rcParams[axes.spines.right] False # 字號 mpl.rcParams[font.size] 11 mpl.rcParams[axes.titlesize] 14 mpl.rcParams[axes.labelsize] 12 mpl.rcParams[legend.fontsize] 10這個模板的每個配置項前面都講過理由這里不重復。重點說字體探測那段它從候選列表里篩出系統(tǒng)實際安裝的字體按優(yōu)先級排序這樣同一份模板在Windows、macOS、Linux上都能用不用改代碼。DejaVu Sans作為兜底放在最后保證至少有個英文字體能顯示。4.2 一個完整案例多指標趨勢圖從零到成品拿一個模擬場景走一遍完整流程。假設有一份某產(chǎn)品連續(xù)12個月的運營數(shù)據(jù)包含訪問量、注冊數(shù)、付費數(shù)、客單價四個指標要畫一張趨勢圖放進月度報告。先造模擬數(shù)據(jù)import numpy as np import pandas as pd np.random.seed(42) months pd.date_range(2024-01-01, periods12, freqMS) df pd.DataFrame({ 訪問量: np.random.randint(8000, 15000, 12), 注冊數(shù): np.random.randint(500, 1200, 12), 付費數(shù): np.random.randint(50, 200, 12), 客單價: np.random.uniform(80, 150, 12).round(2) }, indexmonths)數(shù)據(jù)有了先分析量綱訪問量是萬級注冊數(shù)是千級付費數(shù)是百級客單價是百級。訪問量和付費數(shù)差了兩個數(shù)量級畫在一張圖上付費數(shù)會貼底。所以決定分面畫用subplotsTrue。setup_plot_style() axes df.plot( subplotsTrue, layout(2, 2), figsize(12, 8), sharexTrue, title某產(chǎn)品月度運營指標趨勢, legendFalse, rot45 )跑完這一步圖的基本骨架就有了。但還有幾個問題要處理總標題位置偏上、子圖標題和總標題重復、y軸數(shù)值格式?jīng)]處理、x軸日期標簽可能重疊。逐個解決fig axes[0, 0].get_figure() fig.suptitle(某產(chǎn)品月度運營指標趨勢, fontsize16, y1.02) for ax in axes.flat: ax.set_title(ax.get_title(), fontsize12) ax.set_xlabel() axes[0, 0].yaxis.set_major_formatter(FuncFormatter(format_wan)) axes[0, 1].yaxis.set_major_formatter(FuncFormatter(format_wan)) axes[1, 0].yaxis.set_major_formatter(FuncFormatter(format_wan)) axes[1, 1].yaxis.set_major_formatter(FuncFormatter(lambda x, p: f{x:.0f}元)) fig.autofmt_xdate(rotation45)這里fig.autofmt_xdate()自動處理日期標簽旋轉(zhuǎn)和對齊比手動設rot更省事。數(shù)值格式化按子圖分別設訪問量和注冊數(shù)用“萬”格式客單價加“元”單位。最后保存fig.savefig(monthly_report.png, dpi300, bbox_inchestight)整個流程從造數(shù)據(jù)到出圖不到30行代碼核心工作量在配置模板和格式化函數(shù)上這兩塊是一次性投入后面每張圖都省事。4.3 保存與導出格式選擇與參數(shù)配置保存圖的格式選擇經(jīng)常被忽略其實不同格式適用場景差別很大。PNG適合屏幕顯示和文檔嵌入無損但文件大JPG適合照片類圖有損但文件小不過線條圖用JPG會有壓縮偽影不推薦SVG是矢量格式放大不失真適合網(wǎng)頁和需要后期編輯的場景PDF也是矢量適合打印和正式文檔。fig.savefig(chart.png, dpi300, bbox_inchestight, facecolorwhite) fig.savefig(chart.svg, bbox_inchestight, facecolorwhite)facecolorwhite這個參數(shù)容易被忽略不設的話保存的圖背景可能是透明的放進深色背景的文檔里會很難看。bbox_inchestight前面說過裁掉白邊。矢量格式不需要設DPI設了也沒用。還有一個細節(jié)保存要在plt.show()之前執(zhí)行因為show()之后某些后端會清空畫布再保存就是空白圖。這個坑在腳本里跑的時候特別容易踩Jupyter里因為交互模式的關(guān)系反而不明顯。5. 常見問題排查與避坑實錄5.1 中文方塊、負號方塊、字體警告三連中文相關(guān)的問題占了Pandas畫圖問題的半壁江山我把最常見的三種整理成速查表現(xiàn)象根因解決中文顯示成方塊默認字體無中文字形配置font.sans-serif為中文字體列表負號顯示成方塊中文字體負號字形不匹配設axes.unicode_minusFalse啟動時字體警告配置的字體系統(tǒng)里不存在用font_manager查詢實際可用字體部分中文正常部分方塊字體缺字或回退混亂換覆蓋更全的字體如Noto Sans CJK字體警告特別煩人每次import都刷一屏。根因是font.sans-serif列表里有系統(tǒng)不存在的字體matplotlib找不到就警告。解決辦法是用前面那個字體探測函數(shù)只把實際存在的字體填進去。如果警告來自第三方庫的默認配置可以在腳本開頭用warnings.filterwarnings過濾掉特定警告但這是治標治本還是把字體配對。還有一個隱蔽的坑某些樣式文件.mplstyle里寫死了字體設置plt.style.use()之后會覆蓋你的字體配置。如果你發(fā)現(xiàn)字體配置明明寫了卻不生效檢查一下是不是后面又調(diào)了style.use()。順序應該是先style.use()再設字體。5.2 圖例遮擋、標簽重疊、刻度擁擠的應急處理圖例遮擋數(shù)據(jù)線是最常見的排版問題。應急處理有三招換位置loc參數(shù)、放圖外bbox_to_anchor、縮小圖例fontsize調(diào)小、ncol排多列。長期方案是畫圖前就規(guī)劃好圖例位置數(shù)據(jù)線密集的區(qū)域別放圖例。x軸標簽重疊在分類多或者標簽長的時候必現(xiàn)。處理優(yōu)先級先試旋轉(zhuǎn)rot45或rot90旋轉(zhuǎn)還不行就縮短標簽截斷或換簡稱再不行就換橫向柱狀圖kindbarh標簽變成y軸就不擠了。日期標簽用fig.autofmt_xdate()自動處理比手動調(diào)省心?？潭葥頂D分兩種情況刻度太多和刻度標簽太長?？潭忍嘤肕axNLocator限制數(shù)量標簽太長用格式化函數(shù)縮寫比如把“2024年1月”縮成“24-01”。這里要注意縮寫不能損失關(guān)鍵信息縮寫后的標簽讀者得能看懂。注意旋轉(zhuǎn)標簽之后記得調(diào)plt.tight_layout()或者保存時用bbox_inchestight否則旋轉(zhuǎn)后的標簽可能被裁掉。tight_layout()在子圖場景下有時會失效bbox_inchestight更可靠。5.3 大數(shù)據(jù)量畫圖卡頓的優(yōu)化思路數(shù)據(jù)量到十萬行以上時df.plot()會明顯變慢幾十萬行時可能卡死。根因是matplotlib要把每個數(shù)據(jù)點都渲染出來點數(shù)太多渲染開銷爆炸。優(yōu)化思路分三層。第一層是降采樣。趨勢圖不需要每個點都畫按時間窗口聚合或者等間隔抽樣幾千個點足夠看出趨勢。Pandas的resample()按時間聚合或者df.iloc[::n]等間隔抽樣都是常用手段。第二層是換圖表類型。幾十萬點的散點圖用scatter會卡換成hexbin六邊形分箱圖或者二維直方圖渲染快且更能看出密度分布。折線圖數(shù)據(jù)點多時考慮用alpha降低透明度視覺上也能緩解線條糊成一團的問題。第三層是渲染后端。交互式后端如notebook里的inline渲染慢導出圖時用非交互后端Agg快很多。在腳本開頭設matplotlib.use(Agg)只保存不顯示的場景能快好幾倍。import matplotlib matplotlib.use(Agg)這行要放在import pyplot之前順序錯了不生效。Agg后端不支持plt.show()只適合純保存場景交互分析時別用。5.4 我踩過的五個坑和對應解法第一個坑df.plot()畫完直接plt.savefig()保存出來是空白。原因是某些后端在畫布切換時清空了內(nèi)容。解法是拿到fig對象再保存fig ax.get_figure()然后fig.savefig()。第二個坑設置了figsize但保存出來尺寸不對。原因是savefig的bbox_inchestight會裁邊實際尺寸比設定的小一圈。如果對尺寸有精確要求保存時別用tight或者保存后檢查實際像素尺寸。第三個坑多子圖時tight_layout()報警告說布局無法滿足。原因是子圖標題或標簽太長空間不夠。解法是調(diào)大figsize、縮小字號或者改用constrained_layout。第四個坑時間序列x軸刻度顯示成數(shù)字而不是日期。原因是Pandas的日期轉(zhuǎn)換器沒注冊。新版Pandas自動注冊老版本需要手動調(diào)pd.plotting.register_matplotlib_converters()。第五個坑顏色循環(huán)在多次畫圖后錯亂。原因是axes.prop_cycle是全局狀態(tài)某些操作會重置它。解法是每次畫圖前重新應用配置或者用plt.rcdefaults()重置后再配置保證狀態(tài)干凈。這些坑的共同點是不報錯但結(jié)果不對。所以畫完圖一定要肉眼檢查一遍別只看代碼跑通了就完事。我現(xiàn)在的習慣是每張圖保存后打開看一眼確認字體、顏色、布局都正常再往下走這個習慣幫我省了無數(shù)次返工。6. 把畫圖設置沉淀成可復用的工作流配置模板搭好之后剩下的就是把它用順。我的做法是把setup_plot_style()和幾個常用的格式化函數(shù)、保存函數(shù)打包成一個內(nèi)部小模塊每個分析項目開頭import一次后面畫圖只關(guān)注數(shù)據(jù)本身樣式的事交給模塊處理。這樣做的直接好處是同一個項目里所有圖風格統(tǒng)一不會這張圖字體大那張圖字體小。模塊里我還會放幾個預設的畫圖函數(shù)比如plot_trend(df, title)封裝趨勢圖的常用配置plot_compare(df, title)封裝對比圖的配置。調(diào)用的時候一行代碼出圖需要微調(diào)時再傳參數(shù)覆蓋。這套東西用熟了之后出圖從“每次調(diào)半天”變成“一行代碼加偶爾微調(diào)”效率提升非常明顯。最后分享一個小心得畫圖設置這件事前期多花半小時把模板搭好后面每個項目省下的時間是以小時計的。而且模板是可以迭代的遇到新的需求就往里加配置用久了就成了一套貼合自己習慣的畫圖體系。我現(xiàn)在這套模板已經(jīng)迭代了十幾版從最初的字體加尺寸到后來的配色、格式化、子圖布局每次踩坑就補一條現(xiàn)在基本能做到“配置一次出圖無憂”。你要是剛開始搭別追求一步到位先把字體和尺寸這兩個最影響觀感的配好其他的遇到再加慢慢就攢起來了。