Matplotlib图表美化与标注教学¶

教学目标¶

面向大一文科生讲解Matplotlib图表的美化技巧与标注方法，使数据可视化更加专业、美观且易于理解。

1. 图表美化基础¶

1.1 定义与重要性¶

定义：图表美化是通过调整视觉元素（颜色、字体、布局等）提升图表可读性和美观度的过程。

人文社科意义：

  • 增强学术报告的专业性
  • 突出关键数据发现
  • 使复杂数据更易于理解
  • 符合出版物的视觉要求
In [1]:
import matplotlib.pyplot as plt
import numpy as np

# 设置全局样式（在绘图前调用）
plt.style.use('seaborn')  # 使用seaborn风格
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 创建示例数据
years = np.arange(2015, 2023)
gdp = [70.9, 74.6, 83.2, 91.9, 99.1, 101.4, 114.9, 121.0]  # 单位：万亿元

# 绘制基础图表并美化
plt.figure(figsize=(10, 6), dpi=100)  # 设置画布大小和分辨率
plt.plot(years, gdp, 
         color='#2b8cbe',  # 使用HEX颜色代码
         linewidth=2.5, 
         marker='o',
         markersize=8,
         markerfacecolor='white',
         markeredgewidth=1.5)

# 添加标题和标签（美化版）
plt.title('2015-2022年中国GDP增长趋势', 
          fontsize=16, 
          pad=20)
plt.xlabel('年份', fontsize=12, labelpad=10)
plt.ylabel('GDP (万亿元)', fontsize=12, labelpad=10)
plt.grid(True, linestyle='--', alpha=0.6)
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.tight_layout()
plt.show()

2. 图表标注技巧¶

2.1 文字标注¶

人文社科应用：标注重大事件对数据的影响

In [2]:
# 继续使用前面的GDP数据
plt.figure(figsize=(10, 6))
plt.plot(years, gdp, color='#2b8cbe', linewidth=2.5)
plt.annotate('新冠疫情爆发',
             xy=(2020, 101.4),
             xytext=(2018, 90),
             arrowprops=dict(arrowstyle='->', color='#d62728'),
             fontsize=10,
             bbox=dict(boxstyle='round', facecolor='white', alpha=0.8))
plt.scatter(2020, 101.4, color='red', s=100, zorder=5)
plt.title('重大事件对GDP增长的影响', fontsize=16)
plt.xlabel('年份', fontsize=12)
plt.ylabel('GDP (万亿元)', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.6)
plt.show()

2.2 图例美化¶

In [3]:
# 多系列数据示例
literature = [8.2, 8.5, 9.1, 9.4, 9.8, 10.2, 10.5]  # 文学类图书销量（百万册）
history = [5.1, 5.3, 6.0, 6.2, 6.5, 6.3, 6.8]  # 历史类
years = np.arange(2016, 2023)

plt.figure(figsize=(10, 6))
line1, = plt.plot(years, literature, color='#e6550d', marker='s', label='文学类')
line2, = plt.plot(years, history, color='#756bb1', marker='^', label='历史类')

# 美化图例
plt.legend(handles=[line1, line2],
           loc='upper left',
           frameon=True,  # 显示边框
           shadow=True,  # 添加阴影
           framealpha=0.8,  # 透明度
           title='图书类别',  # 图例标题
           title_fontsize=12,
           fontsize=10)

plt.title('2016-2022年图书销售趋势', fontsize=16)
plt.xlabel('年份', fontsize=12)
plt.ylabel('销量 (百万册)', fontsize=12)
plt.grid(True, linestyle=':', alpha=0.5)  # 点线网格
plt.show()

3. 人文社科案例实战¶

3.1 调查数据可视化¶

案例：大学生阅读习惯调查结果美化

In [4]:
# 调查数据
categories = ['经典文学', '历史传记', '社会科学', '科学技术', '艺术设计']
ratings = [4.2, 3.8, 3.5, 3.0, 3.7]  # 平均评分（1-5分）
std_dev = [0.5, 0.6, 0.4, 0.7, 0.3]  # 标准差

plt.figure(figsize=(10, 6))
bars = plt.bar(categories, ratings, 
               color=['#fdae6b', '#e6550d', '#756bb1', '#3182bd', '#74c476'],
               yerr=std_dev,  # 添加误差条
               capsize=5)  # 误差条端帽长度

# 添加数值标签
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2., height-0.1,
             f'{height:.1f}', 
             ha='center', va='top',
             color='white', fontsize=10, fontweight='bold')

# 美化图表
plt.title('大学生各类图书阅读评分', fontsize=16, pad=20)
plt.xlabel('图书类别', fontsize=12, labelpad=10)
plt.ylabel('平均评分 (1-5分)', fontsize=12, labelpad=10)
plt.ylim(0, 5)  # 固定y轴范围
plt.grid(axis='y', linestyle='--', alpha=0.3)

# 添加数据来源说明
plt.text(0.5, -0.4, '数据来源：2023年大学生阅读调查，样本量n=1200', 
         ha='center', va='center',
         transform=plt.gca().transAxes,  # 使用相对坐标
         fontsize=9, color='gray')

plt.tight_layout()
plt.show()

3.2 多图组合展示¶

案例：区域文化发展多维度分析

In [5]:
# 准备数据
regions = ['东部', '中部', '西部']
culture_funds = [12.5, 8.3, 6.7]  # 文化事业费投入（亿元）
museums = [356, 278, 192]  # 博物馆数量
art_troupes = [1245, 876, 532]  # 艺术表演团体

# 创建子图
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(18, 6))

# 图表1：文化投入
ax1.bar(regions, culture_funds, color='#6baed6')
ax1.set_title('各地区文化事业费投入', fontsize=14)
ax1.set_ylabel('投入金额 (亿元)', fontsize=12)

# 图表2：博物馆数量
ax2.scatter(regions, museums, color='#fd8d3c', s=200)  # s控制点大小
ax2.set_title('博物馆数量分布', fontsize=14)
ax2.set_ylabel('数量', fontsize=12)

# 图表3：艺术团体
ax3.plot(regions, art_troupes, color='#74c476', marker='o')
ax3.set_title('艺术表演团体数量', fontsize=14)
ax3.set_ylabel('数量', fontsize=12)

# 添加整体标题
fig.suptitle('2022年区域文化发展指标对比', fontsize=16, y=1.05)  # y调整垂直位置

# 统一美化
for ax in [ax1, ax2, ax3]:
    ax.grid(True, linestyle=':', alpha=0.3)
    ax.tick_params(labelsize=10)

plt.tight_layout()
plt.show()

4. 练习与作业¶

4.1 基础练习¶

图表美化练习：

选择任意一组社会调查数据

应用至少5种不同的美化技巧（如修改颜色、添加网格、调整字体等）

对比美化前后的效果差异

标注练习：

在图表中添加至少3处不同类型的标注（箭头、文字框、特殊标记等）

解释为什么选择这些位置进行标注

4.2 综合应用¶

任务：创建一份完整的"城市文化发展报告"可视化图表

要求：

包含至少2种不同类型的图表

使用统一的配色方案

添加必要的标注和说明

包含数据来源和注释

4.3 思考题¶

在学术论文中，图表美化应该遵循哪些原则？

如何平衡图表的美观性和信息传达的准确性？

在什么情况下应该避免使用过多的图表装饰元素？

附录：常用美化资源¶

颜色方案推荐¶

1. 定性调色板（分类数据）¶

名称 适用场景 示例颜色
Set2 6-8个分类 Set2
Paired 成对对比数据 Paired
Accent 突出显示关键分类 Accent

使用方法： ```python colors = plt.cm.Set2(np.linspace(0, 1, 5)) # 从colormap取5个颜色

附录：常用美化资源¶

颜色方案推荐¶

1. 定性调色板（分类数据）¶

名称 适用场景 示例颜色
Set2 6-8个分类 适用于少量分类数据的对比展示
Paired 成对对比数据 适合AB测试等对比实验数据
Accent 突出显示关键分类 用于强调重要分类

2. 顺序调色板（数值大小）¶

名称 适用场景 色系示例
Blues 正数数据/渐进式变化 浅蓝到深蓝渐变
Oranges 需要暖色强调的数据 浅橙到深橙渐变
Greens 环保/增长类数据 浅绿到深绿渐变

3. 发散调色板（正负值）¶

名称 适用场景 色系特点
RdBu 红-蓝对比（政治/温度） 红色表正，蓝色表负
PiYG 粉-绿对比（生物/医疗） 粉色表正，绿色表负
BrBG 棕-绿对比（地理/环境） 棕色表正，绿色表负

代码实现示例¶

颜色映射使用¶

# 定性调色板使用示例
colors = plt.cm.Set2(np.linspace(0, 1, 5))  # 生成5个Set2色系的颜色

# 顺序调色板使用示例
plt.imshow(data, cmap='Blues')

# 发散调色板使用示例
plt.contourf(x, y, z, cmap='RdBu', levels=20)

字体与排版设置¶

````markdown

# 推荐中文排版设置
plt.rcParams.update({
    'font.family': 'SimHei',       # 中文显示
    'font.size': 12,               # 基础字号
    'axes.titlesize': 14,          # 标题字号
    'axes.labelsize': 12,          # 坐标轴标签
    'xtick.labelsize': 10,         # X轴刻度
    'ytick.labelsize': 10,         # Y轴刻度
    'legend.fontsize': 10          # 图例文字
})

扩展资源推荐¶

1. Matplotlib官方样式库¶

  • 特点：

    • 包含20+种预设样式表
    • 可直接通过plt.style.use('样式名')调用
    • 示例代码展示每种样式的效果

  • 适用场景：

    • 快速统一图表风格
    • 学术论文图表格式规范

2. ColorBrewer配色工具¶

  • 核心功能：

    • 提供色盲友好的配色方案
    • 支持三种配色模式：
      • 定性（Qualitative）
      • 顺序（Sequential）
      • 发散（Diverging）
    • 可导出HEX/RGB颜色值

  • 推荐用途：

    • 科研论文图表配色
    • 地理信息系统(GIS)制图

3. 学术图表设计指南¶

  • 主要内容：

    • 根据数据类型推荐可视化形式
    • 常见错误及避免方法
    • 交互式图表选择工具

  • 特色模块：

    • "从数据到图表"决策树
    • 每种图表类型的R/Python实现代码
    • 可访问性设计建议
In [ ]: