从入门到精通掌握Matplotlib数据可视化饼图与柱状图结合使用技巧打造专业数据分析报告提升职场竞争力

引言

在当今数据驱动的时代，数据可视化已成为职场中不可或缺的技能。无论是数据分析、商业智能还是科学研究，能够将枯燥的数据转化为直观、易懂的图表，都是提升工作效率和展示成果的关键。Matplotlib作为Python中最基础、最强大的数据可视化库，掌握其使用技巧将大大提升你的职场竞争力。本文将带你从入门到精通，重点介绍饼图与柱状图的结合使用技巧，帮助你打造专业级的数据分析报告。

Matplotlib基础入门

安装与环境配置

在开始之前，确保你已经安装了Python和Matplotlib库。如果尚未安装，可以通过以下命令进行安装：

pip install matplotlib

同时，我们通常会使用NumPy和Pandas进行数据处理，因此建议一并安装：

pip install numpy pandas

Matplotlib的基本架构

Matplotlib的架构分为三层：

后端层(Backend Layer)：处理如何将图表渲染到各种输出上（如PNG、PDF、GUI窗口等）。
艺术家层(Artist Layer)：负责创建和管理图形元素（如线条、文本、图例等）。
脚本层(Scripting Layer)：提供简单的接口，如pyplot模块，让用户能够快速创建图表。

对于大多数用户来说，我们主要使用脚本层，即pyplot模块来创建图表：

import matplotlib.pyplot as plt import numpy as np import pandas as pd

基本绘图流程

使用Matplotlib绘图的基本流程通常包括以下步骤：

导入必要的库
准备数据
创建图形和坐标轴
绘制图表
设置图表属性（标题、标签、图例等）
显示或保存图表

下面是一个简单的示例：

# 导入库 import matplotlib.pyplot as plt import numpy as np # 准备数据 x = np.linspace(0, 10, 100) y = np.sin(x) # 创建图形和坐标轴 fig, ax = plt.subplots() # 绘制图表 ax.plot(x, y) # 设置图表属性 ax.set_title('Sine Function') ax.set_xlabel('X axis') ax.set_ylabel('Y axis') # 显示图表 plt.show()

饼图基础与进阶

饼图基础概念

饼图(Pie Chart)是一种常见的统计图表，用于展示分类数据的比例关系。它将一个圆形分割成多个扇形，每个扇形的大小代表相应类别的占比。

基本饼图绘制

使用Matplotlib绘制基本饼图非常简单，主要使用plt.pie()函数：

import matplotlib.pyplot as plt # 准备数据 labels = ['A', 'B', 'C', 'D'] sizes = [15, 30, 45, 10] # 绘制饼图 plt.pie(sizes, labels=labels, autopct='%1.1f%%') # 添加标题 plt.title('Basic Pie Chart') # 显示图表 plt.show()

饼图参数详解

plt.pie()函数有许多参数可以调整饼图的外观：

import matplotlib.pyplot as plt # 准备数据 labels = ['Apples', 'Bananas', 'Cherries', 'Dates'] sizes = [30, 25, 20, 25] explode = (0, 0.1, 0, 0) # 突出显示第二块 colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99'] # 自定义颜色 # 绘制饼图 plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', # 显示百分比 pctdistance=0.85, # 百分比标签距离圆心的位置 shadow=True, # 添加阴影 startangle=90, # 起始角度 textprops={'fontsize': 12}) # 文本属性 # 添加标题 plt.title('Fruit Distribution', fontsize=16, pad=20) # 显示图表 plt.axis('equal') # 确保饼图是圆形 plt.tight_layout() plt.show()

嵌套饼图

嵌套饼图可以展示多层级的数据比例关系：

import matplotlib.pyplot as plt # 准备数据 labels = ['A', 'B', 'C', 'D'] sizes = [30, 25, 20, 25] sub_labels = ['A1', 'A2', 'B1', 'B2', 'C1', 'C2', 'D1', 'D2'] sub_sizes = [15, 15, 10, 15, 12, 8, 10, 15] # 创建图形 fig, ax = plt.subplots(figsize=(10, 8)) # 外层饼图 ax.pie(sizes, labels=labels, radius=1, wedgeprops=dict(width=0.3, edgecolor='w'), colors=['#ff9999','#66b3ff','#99ff99','#ffcc99']) # 内层饼图 ax.pie(sub_sizes, labels=sub_labels, radius=0.7, wedgeprops=dict(width=0.3, edgecolor='w'), colors=['#ffb3ba','#ffdfba','#ffffba','#baffc9','#bae1ff','#e0bbff','#ffdfba','#c9c9ff']) # 添加标题 ax.set_title('Nested Pie Chart', fontsize=16, pad=20) # 显示图表 plt.axis('equal') plt.tight_layout() plt.show()

环形图（Donut Chart）

环形图是饼图的变种，中心留空，更加美观：

import matplotlib.pyplot as plt # 准备数据 labels = ['Marketing', 'Sales', 'Development', 'Customer Support'] sizes = [25, 30, 35, 10] colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99'] # 创建图形 fig, ax = plt.subplots(figsize=(8, 8)) # 绘制环形图 wedges, texts, autotexts = ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', pctdistance=0.85, startangle=90, wedgeprops=dict(width=0.3, edgecolor='w')) # 设置文本属性 for text in texts: text.set_fontsize(12) for autotext in autotexts: autotext.set_color('white') autotext.set_fontsize(12) autotext.set_weight('bold') # 添加中心文本 centre_circle = plt.Circle((0,0),0.70,fc='white') fig.gca().add_artist(centre_circle) ax.text(0, 0, 'BudgetnAllocation', horizontalalignment='center', verticalalignment='center', fontsize=14, weight='bold') # 添加标题 ax.set_title('Department Budget Allocation', fontsize=16, pad=20) # 显示图表 plt.axis('equal') plt.tight_layout() plt.show()

柱状图基础与进阶

柱状图基础概念

柱状图(Bar Chart)是一种用长度表示数据的统计图表，常用于比较不同类别的数值大小。柱状图可以分为垂直柱状图和水平柱状图。

基本柱状图绘制

使用Matplotlib绘制基本柱状图主要使用plt.bar()函数：

import matplotlib.pyplot as plt import numpy as np # 准备数据 categories = ['A', 'B', 'C', 'D', 'E'] values = [23, 45, 56, 78, 32] # 绘制柱状图 plt.bar(categories, values) # 添加标题和标签 plt.title('Basic Bar Chart') plt.xlabel('Categories') plt.ylabel('Values') # 显示图表 plt.show()

水平柱状图

水平柱状图使用plt.barh()函数绘制：

import matplotlib.pyplot as plt import numpy as np # 准备数据 categories = ['A', 'B', 'C', 'D', 'E'] values = [23, 45, 56, 78, 32] # 绘制水平柱状图 plt.barh(categories, values, color='skyblue') # 添加标题和标签 plt.title('Horizontal Bar Chart') plt.xlabel('Values') plt.ylabel('Categories') # 显示图表 plt.tight_layout() plt.show()

分组柱状图

分组柱状图可以比较多个数据系列：

import matplotlib.pyplot as plt import numpy as np # 准备数据 categories = ['Q1', 'Q2', 'Q3', 'Q4'] values_2021 = [23, 45, 56, 78] values_2022 = [32, 48, 61, 72] # 设置柱状图位置 x = np.arange(len(categories)) # 类别位置 width = 0.35 # 柱状图宽度 # 创建图形和坐标轴 fig, ax = plt.subplots(figsize=(10, 6)) # 绘制柱状图 rects1 = ax.bar(x - width/2, values_2021, width, label='2021', color='#1f77b4') rects2 = ax.bar(x + width/2, values_2022, width, label='2022', color='#ff7f0e') # 添加标签、标题和自定义X轴刻度 ax.set_ylabel('Sales') ax.set_title('Quarterly Sales Comparison') ax.set_xticks(x) ax.set_xticklabels(categories) ax.legend() # 添加数值标签 def autolabel(rects): """在柱状图上方添加数值标签""" for rect in rects: height = rect.get_height() ax.annotate(f'{height}', xy=(rect.get_x() + rect.get_width() / 2, height), xytext=(0, 3), # 3 points vertical offset textcoords="offset points", ha='center', va='bottom') autolabel(rects1) autolabel(rects2) # 调整布局并显示图表 fig.tight_layout() plt.show()

堆叠柱状图

堆叠柱状图可以显示总体与各部分的关系：

import matplotlib.pyplot as plt import numpy as np # 准备数据 categories = ['Q1', 'Q2', 'Q3', 'Q4'] product_a = [23, 45, 56, 78] product_b = [15, 25, 35, 45] product_c = [10, 20, 30, 40] # 创建图形和坐标轴 fig, ax = plt.subplots(figsize=(10, 6)) # 绘制堆叠柱状图 ax.bar(categories, product_a, label='Product A', color='#1f77b4') ax.bar(categories, product_b, bottom=product_a, label='Product B', color='#ff7f0e') ax.bar(categories, product_c, bottom=np.array(product_a) + np.array(product_b), label='Product C', color='#2ca02c') # 添加标签、标题和图例 ax.set_ylabel('Sales') ax.set_title('Quarterly Product Sales') ax.legend() # 添加数值标签 for i, (a, b, c) in enumerate(zip(product_a, product_b, product_c)): # Product A 标签 ax.text(i, a/2, str(a), ha='center', va='center', color='white') # Product B 标签 ax.text(i, a + b/2, str(b), ha='center', va='center', color='white') # Product C 标签 ax.text(i, a + b + c/2, str(c), ha='center', va='center', color='white') # 调整布局并显示图表 fig.tight_layout() plt.show()

饼图与柱状图的结合使用技巧

技巧一：饼图与柱状图的组合展示

饼图适合展示部分与整体的关系，而柱状图适合比较不同类别的数值。将两者结合可以在一个视图中同时展示这两种信息。

import matplotlib.pyplot as plt import numpy as np # 准备数据 categories = ['Product A', 'Product B', 'Product C', 'Product D'] sales = [450, 320, 280, 150] growth = [15, 8, -5, 12] # 创建图形和子图布局 fig = plt.figure(figsize=(15, 8)) gs = fig.add_gridspec(1, 2, width_ratios=[1, 1.5]) # 第一个子图：饼图 ax1 = fig.add_subplot(gs[0]) wedges, texts, autotexts = ax1.pie(sales, labels=categories, autopct='%1.1f%%', startangle=90, colors=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']) # 设置饼图文本属性 for autotext in autotexts: autotext.set_color('white') autotext.set_fontsize(10) autotext.set_weight('bold') ax1.set_title('Sales Distribution', fontsize=14, pad=20) # 第二个子图：柱状图 ax2 = fig.add_subplot(gs[1]) bars = ax2.bar(categories, growth, color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']) # 添加数值标签 for bar in bars: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height, f'{height}%', ha='center', va='bottom' if height > 0 else 'top') # 添加参考线 ax2.axhline(y=0, color='black', linestyle='-', alpha=0.3) # 设置柱状图属性 ax2.set_title('Year-over-Year Growth', fontsize=14, pad=20) ax2.set_ylabel('Growth Rate (%)') ax2.grid(axis='y', linestyle='--', alpha=0.7) # 添加总体标题 fig.suptitle('Product Sales Analysis', fontsize=16, y=1.02) # 调整布局并显示图表 plt.tight_layout() plt.show()

技巧二：饼图与柱状图的联动分析

通过饼图的选择来更新柱状图，实现交互式数据分析：

import matplotlib.pyplot as plt import numpy as np from matplotlib.patches import ConnectionPatch # 准备数据 regions = ['North', 'South', 'East', 'West'] region_sales = [1200, 1800, 1500, 1000] # 每个区域的产品销售数据 products = ['Product A', 'Product B', 'Product C'] north_sales = [400, 500, 300] south_sales = [600, 800, 400] east_sales = [500, 600, 400] west_sales = [300, 400, 300] # 创建图形和子图布局 fig = plt.figure(figsize=(15, 8)) gs = fig.add_gridspec(1, 2, width_ratios=[1, 1.5]) # 第一个子图：饼图 ax1 = fig.add_subplot(gs[0]) wedges, texts, autotexts = ax1.pie(region_sales, labels=regions, autopct='%1.1f%%', startangle=90, colors=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']) # 设置饼图文本属性 for autotext in autotexts: autotext.set_color('white') autotext.set_fontsize(10) autotext.set_weight('bold') ax1.set_title('Sales by Region', fontsize=14, pad=20) # 第二个子图：柱状图 ax2 = fig.add_subplot(gs[1]) x = np.arange(len(products)) width = 0.2 # 绘制每个区域的产品销售柱状图 rects1 = ax2.bar(x - width*1.5, north_sales, width, label='North', color='#1f77b4') rects2 = ax2.bar(x - width/2, south_sales, width, label='South', color='#ff7f0e') rects3 = ax2.bar(x + width/2, east_sales, width, label='East', color='#2ca02c') rects4 = ax2.bar(x + width*1.5, west_sales, width, label='West', color='#d62728') # 设置柱状图属性 ax2.set_title('Product Sales by Region', fontsize=14, pad=20) ax2.set_ylabel('Sales') ax2.set_xticks(x) ax2.set_xticklabels(products) ax2.legend() # 添加连接线，突出显示特定区域 # 这里我们选择突出显示"South"区域 theta1, theta2 = wedges[1].get_theta1(), wedges[1].get_theta2() center, r = wedges[1].center, wedges[1].r x_center, y_center = center # 绘制从饼图到柱状图的连接线 con1 = ConnectionPatch(xyA=(x_center + r/2*np.cos(np.radians(theta1)), y_center + r/2*np.sin(np.radians(theta1))), xyB=(1 - width/2, south_sales[0]), coordsA="data", coordsB="data", axesA=ax1, axesB=ax2, color='red', linestyle='--', linewidth=2) con2 = ConnectionPatch(xyA=(x_center + r/2*np.cos(np.radians((theta1+theta2)/2)), y_center + r/2*np.sin(np.radians((theta1+theta2)/2))), xyB=(1 - width/2, south_sales[1]), coordsA="data", coordsB="data", axesA=ax1, axesB=ax2, color='red', linestyle='--', linewidth=2) con3 = ConnectionPatch(xyA=(x_center + r/2*np.cos(np.radians(theta2)), y_center + r/2*np.sin(np.radians(theta2))), xyB=(1 - width/2, south_sales[2]), coordsA="data", coordsB="data", axesA=ax1, axesB=ax2, color='red', linestyle='--', linewidth=2) # 添加连接线到图形 fig.add_artist(con1) fig.add_artist(con2) fig.add_artist(con3) # 添加总体标题 fig.suptitle('Regional Product Sales Analysis', fontsize=16, y=1.02) # 调整布局并显示图表 plt.tight_layout() plt.show()

技巧三：多层次饼图与分组柱状图的组合

展示更复杂的数据关系，如不同时间段的类别分布和变化趋势：

import matplotlib.pyplot as plt import numpy as np # 准备数据 categories = ['Electronics', 'Clothing', 'Food', 'Furniture'] colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728'] # 2021年和2022年的销售数据 sales_2021 = [1200, 800, 1500, 600] sales_2022 = [1500, 900, 1800, 750] # 季度数据 q1_2021 = [300, 200, 400, 150] q2_2021 = [300, 200, 350, 150] q3_2021 = [300, 200, 400, 150] q4_2021 = [300, 200, 350, 150] q1_2022 = [350, 200, 450, 180] q2_2022 = [400, 250, 450, 180] q3_2022 = [400, 200, 500, 200] q4_2022 = [350, 250, 400, 190] # 创建图形和子图布局 fig = plt.figure(figsize=(18, 10)) gs = fig.add_gridspec(2, 2, width_ratios=[1, 1.5], height_ratios=[1, 1]) # 第一个子图：2021年饼图 ax1 = fig.add_subplot(gs[0, 0]) ax1.pie(sales_2021, labels=categories, autopct='%1.1f%%', startangle=90, colors=colors) ax1.set_title('2021 Sales Distribution', fontsize=12) # 第二个子图：2022年饼图 ax2 = fig.add_subplot(gs[0, 1]) ax2.pie(sales_2022, labels=categories, autopct='%1.1f%%', startangle=90, colors=colors) ax2.set_title('2022 Sales Distribution', fontsize=12) # 第三个子图：季度销售柱状图 ax3 = fig.add_subplot(gs[1, :]) x = np.arange(4) width = 0.1 # 绘制季度数据柱状图 rects1 = ax3.bar(x - width*1.5, q1_2021, width, label='Q1 2021', color='#1f77b4', alpha=0.7) rects2 = ax3.bar(x - width/2, q2_2021, width, label='Q2 2021', color='#1f77b4') rects3 = ax3.bar(x + width/2, q3_2021, width, label='Q3 2021', color='#1f77b4', alpha=0.7) rects4 = ax3.bar(x + width*1.5, q4_2021, width, label='Q4 2021', color='#1f77b4', alpha=0.4) rects5 = ax3.bar(x + width*2.5, q1_2022, width, label='Q1 2022', color='#ff7f0e', alpha=0.7) rects6 = ax3.bar(x + width*3.5, q2_2022, width, label='Q2 2022', color='#ff7f0e') rects7 = ax3.bar(x + width*4.5, q3_2022, width, label='Q3 2022', color='#ff7f0e', alpha=0.7) rects8 = ax3.bar(x + width*5.5, q4_2022, width, label='Q4 2022', color='#ff7f0e', alpha=0.4) # 设置柱状图属性 ax3.set_title('Quarterly Sales Comparison', fontsize=14, pad=20) ax3.set_ylabel('Sales') ax3.set_xticks(x + width*2) ax3.set_xticklabels(categories) ax3.legend(ncol=4, bbox_to_anchor=(1, 1), loc='upper left') # 添加总体标题 fig.suptitle('Multi-Year Sales Analysis by Category', fontsize=16, y=1.02) # 调整布局并显示图表 plt.tight_layout() plt.show()

技巧四：饼图与堆叠柱状图的组合

展示整体构成和各部分的变化趋势：

import matplotlib.pyplot as plt import numpy as np # 准备数据 years = ['2019', '2020', '2021', '2022'] categories = ['Product A', 'Product B', 'Product C', 'Product D'] colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728'] # 每年的产品销售数据 sales_data = { '2019': [300, 250, 200, 150], '2020': [350, 300, 250, 200], '2021': [400, 350, 300, 250], '2022': [450, 400, 350, 300] } # 创建图形和子图布局 fig = plt.figure(figsize=(18, 8)) gs = fig.add_gridspec(1, 2, width_ratios=[1, 2]) # 第一个子图：2022年饼图 ax1 = fig.add_subplot(gs[0]) ax1.pie(sales_data['2022'], labels=categories, autopct='%1.1f%%', startangle=90, colors=colors) ax1.set_title('2022 Sales Distribution', fontsize=14, pad=20) # 第二个子图：堆叠柱状图 ax2 = fig.add_subplot(gs[1]) # 准备堆叠数据 bottom = np.zeros(len(years)) for i, category in enumerate(categories): values = [sales_data[year][i] for year in years] ax2.bar(years, values, bottom=bottom, label=category, color=colors[i]) bottom += values # 添加数值标签 for i, year in enumerate(years): total = sum(sales_data[year]) ax2.text(i, total + 20, f'Total: {total}', ha='center', va='bottom', fontweight='bold') # 添加各部分标签 y_offset = 0 for j, category in enumerate(categories): value = sales_data[year][j] if value > 50: # 只有当值足够大时才显示标签 ax2.text(i, y_offset + value/2, f'{value}', ha='center', va='center', color='white') y_offset += value # 设置柱状图属性 ax2.set_title('Yearly Sales Trend', fontsize=14, pad=20) ax2.set_ylabel('Sales') ax2.legend(loc='upper left') ax2.grid(axis='y', linestyle='--', alpha=0.7) # 添加总体标题 fig.suptitle('Sales Analysis: Distribution and Trend', fontsize=16, y=1.02) # 调整布局并显示图表 plt.tight_layout() plt.show()

打造专业数据分析报告的技巧

报告结构设计

一份专业的数据分析报告通常包含以下几个部分：

标题与摘要：简明扼要地概括报告内容和主要发现。
引言与背景：介绍分析的目的、背景和数据来源。
数据概览：提供数据的基本统计信息和总体情况。
详细分析：使用各种图表深入分析数据，发现规律和趋势。
结论与建议：总结分析结果，提出可行的建议。
附录：提供详细的数据表格、方法说明等补充信息。

图表选择原则

在报告中选择合适的图表至关重要：

饼图：适合展示部分与整体的关系，特别是类别较少（通常不超过7个）时。
柱状图：适合比较不同类别的数值大小，尤其是类别较多或需要展示时间序列数据时。
组合图表：当需要同时展示多种数据关系时，如饼图与柱状图的组合，可以提供更全面的数据视角。

视觉设计原则

颜色选择：
- 使用一致的颜色方案，确保图表间的视觉连贯性。
- 避免使用过多颜色，通常3-5种颜色足够。
- 考虑色盲友好型配色方案。
标签与注释：
- 确保所有图表都有清晰的标题、轴标签和图例。
- 在关键数据点添加注释，突出重要发现。
- 使用简洁明了的语言解释图表内容。
布局与排版：
- 保持一致的图表大小和间距。
- 合理安排图表位置，确保阅读流畅。
- 避免图表过于拥挤，留出足够的空白区域。

示例：完整的销售数据分析报告

下面是一个使用饼图与柱状图组合的完整销售数据分析报告示例：

import matplotlib.pyplot as plt import numpy as np import pandas as pd # 准备数据 regions = ['North', 'South', 'East', 'West'] products = ['Product A', 'Product B', 'Product C', 'Product D'] quarters = ['Q1', 'Q2', 'Q3', 'Q4'] colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728'] # 区域销售数据 region_sales = { 'North': [120, 150, 180, 200], 'South': [200, 220, 250, 280], 'East': [150, 180, 200, 220], 'West': [100, 120, 150, 180] } # 产品销售数据 product_sales = { 'Product A': [180, 200, 220, 250], 'Product B': [150, 170, 190, 210], 'Product C': [120, 140, 160, 180], 'Product D': [100, 110, 120, 140] } # 创建报告图形 fig = plt.figure(figsize=(20, 16)) gs = fig.add_gridspec(3, 3, hspace=0.3, wspace=0.3) # 1. 标题 fig.suptitle('Annual Sales Analysis Report 2022', fontsize=24, y=0.98) # 2. 年度销售概览饼图 ax1 = fig.add_subplot(gs[0, 0]) total_region_sales = [sum(region_sales[region]) for region in regions] wedges, texts, autotexts = ax1.pie(total_region_sales, labels=regions, autopct='%1.1f%%', startangle=90, colors=colors) ax1.set_title('Annual Sales by Region', fontsize=14, pad=20) # 3. 季度销售趋势柱状图 ax2 = fig.add_subplot(gs[0, 1:]) x = np.arange(len(quarters)) width = 0.2 for i, region in enumerate(regions): ax2.bar(x + i*width, region_sales[region], width, label=region, color=colors[i]) ax2.set_title('Quarterly Sales Trend by Region', fontsize=14, pad=20) ax2.set_ylabel('Sales (in thousands)') ax2.set_xticks(x + width * 1.5) ax2.set_xticklabels(quarters) ax2.legend() ax2.grid(axis='y', linestyle='--', alpha=0.7) # 4. 产品销售分布饼图 ax3 = fig.add_subplot(gs[1, 0]) total_product_sales = [sum(product_sales[product]) for product in products] ax3.pie(total_product_sales, labels=products, autopct='%1.1f%%', startangle=90, colors=colors) ax3.set_title('Annual Sales by Product', fontsize=14, pad=20) # 5. 产品季度销售堆叠柱状图 ax4 = fig.add_subplot(gs[1, 1:]) bottom = np.zeros(len(quarters)) for i, product in enumerate(products): values = [product_sales[product][j] for j in range(len(quarters))] ax4.bar(quarters, values, bottom=bottom, label=product, color=colors[i]) bottom += values ax4.set_title('Quarterly Product Sales Distribution', fontsize=14, pad=20) ax4.set_ylabel('Sales (in thousands)') ax4.legend(loc='upper left') ax4.grid(axis='y', linestyle='--', alpha=0.7) # 6. 区域-产品热力图 ax5 = fig.add_subplot(gs[2, :]) region_product_data = np.array([ [sum(region_sales[region][i] for i in range(4)) / 4 for region in regions] for product in products ]) im = ax5.imshow(region_product_data, cmap='Blues') # 设置刻度标签 ax5.set_xticks(np.arange(len(regions))) ax5.set_yticks(np.arange(len(products))) ax5.set_xticklabels(regions) ax5.set_yticklabels(products) # 添加数值标签 for i in range(len(products)): for j in range(len(regions)): text = ax5.text(j, i, f'{region_product_data[i, j]:.1f}', ha="center", va="center", color="black") ax5.set_title('Average Quarterly Sales by Region and Product', fontsize=14, pad=20) fig.colorbar(im, ax=ax5, label='Average Quarterly Sales (in thousands)') # 添加总结文本 conclusion_text = """ Key Findings: 1. South region leads in total sales, accounting for 35.2% of annual revenue. 2. Q4 shows the highest sales across all regions, indicating seasonal demand. 3. Product A is the top-selling product, representing 32.5% of total product sales. 4. The combination of South region and Product A shows the strongest performance. 5. All regions and products show consistent growth throughout the year. Recommendations: 1. Increase inventory in South region before Q4 to meet seasonal demand. 2. Allocate more marketing resources to Product A in underperforming regions. 3. Investigate the reasons for West region's lower sales and develop improvement strategies. """ fig.text(0.5, 0.02, conclusion_text, ha='center', va='bottom', fontsize=12, bbox=dict(facecolor='white', alpha=0.8, boxstyle='round,pad=0.5')) # 调整布局并显示图表 plt.tight_layout(rect=[0, 0.1, 1, 0.95]) plt.savefig('sales_analysis_report.png', dpi=300, bbox_inches='tight') plt.show()

提升职场竞争力的实用建议

技能提升路径

基础阶段：
- 熟练掌握Matplotlib的基本绘图功能，包括各种图表类型的绘制。
- 学习Python基础语法和数据处理库（NumPy、Pandas）。
- 完成小型数据可视化项目，如个人财务分析、社交媒体数据统计等。
进阶阶段：
- 深入学习Matplotlib的高级功能，如自定义样式、动画和交互式图表。
- 掌握数据可视化设计原则，学习如何选择合适的图表类型。
- 完成中等复杂度的项目，如销售数据分析、市场趋势报告等。
精通阶段：
- 学习如何结合多种图表类型创建综合性的数据报告。
- 掌握数据可视化的最佳实践和行业应用案例。
- 完成复杂的数据分析项目，如业务仪表板、预测分析报告等。

实战项目建议

销售数据分析项目：
- 收集或模拟销售数据，包括产品、区域、时间等多维度数据。
- 使用饼图分析产品销售占比和区域销售分布。
- 使用柱状图分析销售趋势和产品表现。
- 创建综合性的销售分析报告。
客户行为分析项目：
- 收集或模拟客户行为数据，如购买历史、网站浏览记录等。
- 使用饼图分析客户群体构成。
- 使用柱状图分析客户行为模式和偏好。
- 创建客户细分和行为分析报告。
财务数据分析项目：
- 收集或模拟财务数据，如收入、支出、利润等。
- 使用饼图分析成本结构和收入来源。
- 使用柱状图分析财务指标的变化趋势。
- 创建财务分析报告和预测模型。

职场应用场景

业务汇报：
- 在会议或报告中使用专业图表展示业务数据和业绩。
- 通过可视化图表简化复杂信息，提高沟通效率。
- 使用饼图和柱状图组合展示业务整体情况和趋势。
决策支持：
- 通过数据可视化发现业务问题和机会。
- 使用图表支持决策建议，提高说服力。
- 创建交互式仪表板，支持实时决策。
团队协作：
- 使用统一的数据可视化标准，提高团队协作效率。
- 创建共享的数据报告，确保团队成员对数据有一致的理解。
- 通过可视化图表促进跨部门沟通和协作。

持续学习资源

官方文档：
- Matplotlib官方文档：https://matplotlib.org/stable/contents.html
- NumPy官方文档：https://numpy.org/doc/stable/
- Pandas官方文档：https://pandas.pydata.org/docs/
在线课程：
- Coursera上的”Data Visualization with Python”课程
- Udemy上的”Python for Data Science and Machine Learning Bootcamp”课程
- DataCamp上的”Data Visualization with Matplotlib and Python”课程
实践平台：
- Kaggle：参与数据可视化竞赛，学习他人作品。
- GitHub：探索开源数据可视化项目，学习最佳实践。
- Tableau Public：学习专业的数据可视化设计理念。