### Python 数据可视化库简介 #### Matplotlib Matplotlib 是一个功能强大的绘图库，广泛用于二维图形的生成。它提供了灵活的接口来创建各种类型的图表，例如折线图、散点图、柱状图以及饼图等。通过 `plt.plot()` 函数可以轻松实现基本的数据可视化操作[^2]。 以下是使用 Matplotlib 绘制一条正弦曲线的例子： ```python import numpy as np import matplotlib.pyplot as plt %matplotlib inline x = np.linspace(0, 100, 1000) y = np.sin(x) plt.plot(x, y, c='red', lw=2, ls='--') plt.show() ``` 此代码片段展示了如何设置线条的颜色 (`c`)、宽度 (`lw`) 和样式 (`ls`)。 #### Seaborn Seaborn 基于 Matplotlib 构建，专注于统计学数据集的高级可视化。它的优势在于提供了一系列精美的默认主题和色彩方案，使得生成的图表更加美观且易于理解。此外，Seaborn 还支持复杂的多变量分析，并能够利用其内置调色板增强视觉效果[^3]。 下面是一个结合 Seaborn 的例子，其中应用了该库特有的配色机制： ```python import seaborn as sns import matplotlib.pyplot as plt sns.set_theme(style="whitegrid") # 设置全局样式 tips = sns.load_dataset("tips") ax = sns.barplot(x="day", y="total_bill", data=tips) plt.title('Total Bill by Day of Week') plt.xlabel('Day') plt.ylabel('Total Bill ($)') plt.show() ``` 上述脚本加载了一个示例数据集并绘制了一张条形图，同时启用了 Seaborn 提供的主题配置[^1]。 #### Plotly Plotly 不仅限于静态图像输出，还擅长制作交互式的动态图表。这对于探索大规模或者高维度的数据尤其有用。相比起 Matplotlib 或者 Seaborn 所生产的固定图片文件，Plotly 能让用户直接在浏览器端调整视角、缩放细节甚至导出 HTML 文件分享给他人。 这里给出一段简单的 Plotly 使用案例： ```python import plotly.express as px df = px.data.gapminder().query("year == 2007") fig = px.scatter_geo(df, locations="iso_alpha", size="pop", color="continent", hover_name="country", projection="natural earth") fig.show() ``` 这段程序选取全球人口分布情况作为素材，在地图上标注各个国家的位置及其对应的人口数量[^无具体引用号因为未提及相关内容来自哪一引用]。 ### 总结 每种工具都有自己的特色领域——如果追求简洁实用可以选择 Matplotlib；要是希望得到更专业的外观则推荐尝试 Seaborn；而当面对复杂场景下的实时反馈需求时，不妨考虑采用 Plotly 来完成任务。