全面解锁Matplotlib自定义潜力从基础图表到复杂可视化掌握颜色主题线条样式坐标轴设置图例布局等个性化技巧让你的数据分析更加直观

引言

Matplotlib是Python中最流行的数据可视化库之一，它提供了丰富的绘图功能和高度的自定义选项。在数据分析领域，一个清晰、美观且信息丰富的图表往往能更有效地传达数据背后的故事。本文将深入探讨Matplotlib的自定义潜力，从基础图表到复杂可视化，帮助你掌握颜色主题、线条样式、坐标轴设置、图例布局等个性化技巧，让你的数据分析更加直观和专业。

Matplotlib的强大之处在于其高度的可定制性。通过掌握这些自定义技巧，你可以创建出既美观又专业的可视化图表，使你的数据分析结果更具说服力和吸引力。无论你是数据分析师、科研人员还是数据爱好者，这些技巧都将帮助你提升数据可视化的质量。

基础图表的自定义

颜色主题设置

颜色是数据可视化中最直观的元素之一。Matplotlib提供了多种设置颜色的方法，让你能够创建出既美观又易于理解的图表。

使用预定义颜色

Matplotlib内置了许多预定义颜色，可以通过名称或缩写来指定：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(10, 6)) # 使用颜色名称 plt.plot(x, y, color='red', label='红色线条') # 使用颜色缩写 plt.plot(x, np.cos(x), color='g', label='绿色线条') # 使用十六进制颜色码 plt.plot(x, np.sin(x+1), color='#FF5733', label='自定义橙色') plt.title('不同颜色设置方法') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

使用颜色循环

Matplotlib默认会循环使用一组颜色来区分不同的数据系列。你可以自定义这个颜色循环：

import matplotlib.pyplot as plt import numpy as np # 设置自定义颜色循环 plt.rcParams['axes.prop_cycle'] = plt.cycler(color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']) x = np.linspace(0, 10, 100) plt.figure(figsize=(10, 6)) for i in range(5): plt.plot(x, np.sin(x + i), label=f'系列 {i+1}') plt.title('自定义颜色循环') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

使用颜色映射

对于需要表示数据量大小的场景，颜色映射(colormap)非常有用：

import matplotlib.pyplot as plt import numpy as np x = np.random.rand(50) y = np.random.rand(50) colors = np.random.rand(50) sizes = 1000 * np.random.rand(50) plt.figure(figsize=(10, 8)) # 使用颜色映射 scatter = plt.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis') # 添加颜色条 plt.colorbar(scatter, label='颜色强度') plt.title('使用颜色映射的散点图') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

线条样式调整

线条样式是区分不同数据系列的另一个重要元素。Matplotlib提供了多种线条样式选项。

基本线条样式

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) # 实线 plt.plot(x, y, linestyle='-', linewidth=2, label='实线') # 虚线 plt.plot(x, np.sin(x+1), linestyle='--', linewidth=2, label='虚线') # 点线 plt.plot(x, np.sin(x+2), linestyle=':', linewidth=2, label='点线') # 点划线 plt.plot(x, np.sin(x+3), linestyle='-.', linewidth=2, label='点划线') plt.title('不同线条样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

自定义线条样式

你还可以创建更复杂的自定义线条样式：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) # 自定义虚线模式 (5点线, 2点间隔, 1点线, 2点间隔) plt.plot(x, y, linestyle=(5, 2, 1, 2), linewidth=2, label='自定义虚线') # 自定义虚线模式 (10点线, 5点间隔) plt.plot(x, np.sin(x+1), linestyle=(0, (10, 5)), linewidth=2, label='长虚线') plt.title('自定义线条样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

标记样式设置

在散点图或线图中，标记(markers)可以突出显示数据点。

基本标记样式

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 20) y = np.sin(x) plt.figure(figsize=(12, 8)) # 圆形标记 plt.plot(x, y, marker='o', markersize=8, label='圆形') # 方形标记 plt.plot(x, np.sin(x+1), marker='s', markersize=8, label='方形') # 三角形标记 plt.plot(x, np.sin(x+2), marker='^', markersize=8, label='三角形') # 菱形标记 plt.plot(x, np.sin(x+3), marker='D', markersize=8, label='菱形') plt.title('不同标记样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

自定义标记样式

import matplotlib.pyplot as plt import numpy as np from matplotlib.markers import MarkerStyle x = np.linspace(0, 10, 20) y = np.sin(x) plt.figure(figsize=(12, 8)) # 自定义标记样式 plt.plot(x, y, marker=MarkerStyle('o', fillstyle='none'), markersize=10, markeredgewidth=2, label='空心圆形') plt.plot(x, np.sin(x+1), marker=MarkerStyle('s', fillstyle='left'), markersize=10, markeredgewidth=2, label='半填充方形') plt.plot(x, np.sin(x+2), marker='$u2665$', markersize=10, label='心形符号') plt.title('自定义标记样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

坐标轴的高级定制

坐标轴是图表的骨架，合理设置坐标轴可以让数据展示更加清晰。

坐标轴范围和刻度

设置坐标轴范围

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) plt.plot(x, y) # 设置X轴和Y轴范围 plt.xlim(0, 8) plt.ylim(-1.5, 1.5) plt.title('设置坐标轴范围') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

自定义刻度

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) plt.plot(x, y) # 设置X轴刻度 plt.xticks(np.arange(0, 11, 2), ['零', '二', '四', '六', '八', '十']) # 设置Y轴刻度 plt.yticks([-1, 0, 1], ['最小值', '零', '最大值']) plt.title('自定义刻度标签') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

次刻度设置

import matplotlib.pyplot as plt import numpy as np from matplotlib.ticker import MultipleLocator x = np.linspace(0, 10, 100) y = np.sin(x) fig, ax = plt.subplots(figsize=(12, 8)) ax.plot(x, y) # 设置主刻度 ax.xaxis.set_major_locator(MultipleLocator(2)) ax.yaxis.set_major_locator(MultipleLocator(0.5)) # 设置次刻度 ax.xaxis.set_minor_locator(MultipleLocator(0.5)) ax.yaxis.set_minor_locator(MultipleLocator(0.1)) # 显示次刻度网格 ax.grid(which='minor', linestyle=':', alpha=0.5) ax.grid(which='major', linestyle='-', alpha=0.5) plt.title('主刻度和次刻度设置') plt.xlabel('X轴') plt.ylabel('Y轴') plt.show()

坐标轴标签和标题

添加坐标轴标签和标题

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) plt.plot(x, y) # 添加标题和坐标轴标签 plt.title('正弦函数图像', fontsize=16, pad=20) plt.xlabel('X轴 (弧度)', fontsize=12, labelpad=10) plt.ylabel('Y轴 (sin(x))', fontsize=12, labelpad=10) # 添加网格 plt.grid(True, linestyle='--', alpha=0.6) plt.show()

坐标轴标签格式化

import matplotlib.pyplot as plt import numpy as np from matplotlib.ticker import FuncFormatter x = np.linspace(0, 10, 100) y = np.exp(x) fig, ax = plt.subplots(figsize=(12, 8)) ax.plot(x, y) # 定义Y轴刻度格式化函数 def millions_formatter(x, pos): return f'{x/1e6:.1f}M' # 应用格式化函数 ax.yaxis.set_major_formatter(FuncFormatter(millions_formatter)) plt.title('坐标轴标签格式化') plt.xlabel('X轴') plt.ylabel('Y轴 (百万)') plt.grid(True) plt.show()

双坐标轴设置

当需要在同一图表中展示两个不同量级或单位的数据系列时，双坐标轴非常有用。

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.exp(x/2) fig, ax1 = plt.subplots(figsize=(12, 8)) # 第一个Y轴 color = 'tab:blue' ax1.set_xlabel('X轴') ax1.set_ylabel('正弦函数', color=color) ax1.plot(x, y1, color=color) ax1.tick_params(axis='y', labelcolor=color) ax1.grid(True, linestyle='--', alpha=0.6) # 第二个Y轴 ax2 = ax1.twinx() # 创建共享X轴的第二个Y轴 color = 'tab:red' ax2.set_ylabel('指数函数', color=color) ax2.plot(x, y2, color=color) ax2.tick_params(axis='y', labelcolor=color) plt.title('双坐标轴示例') plt.show()

图例和标签的个性化

图例位置和样式

基本图例设置

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) plt.figure(figsize=(12, 8)) plt.plot(x, np.sin(x), label='正弦函数') plt.plot(x, np.cos(x), label='余弦函数') plt.plot(x, np.tanh(x), label='双曲正切') # 设置图例位置和样式 plt.legend(loc='upper right', frameon=True, fancybox=True, shadow=True, facecolor='white', edgecolor='black', fontsize=12) plt.title('基本图例设置') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

自定义图例位置

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) plt.figure(figsize=(12, 8)) plt.plot(x, np.sin(x), label='正弦函数') plt.plot(x, np.cos(x), label='余弦函数') plt.plot(x, np.tanh(x), label='双曲正切') # 自定义图例位置 (使用坐标) plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left', borderaxespad=0.) plt.title('自定义图例位置') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.tight_layout() # 自动调整布局，防止图例被截断 plt.show()

自定义图例项

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) fig, ax = plt.subplots(figsize=(12, 8)) line1, = ax.plot(x, np.sin(x), 'r-', linewidth=2) line2, = ax.plot(x, np.cos(x), 'g--', linewidth=2) line3, = ax.plot(x, np.tanh(x), 'b:', linewidth=2) # 创建自定义图例 custom_lines = [line1, line2, line3] ax.legend(custom_lines, ['正弦函数', '余弦函数', '双曲正切'], loc='upper right', fontsize=12) plt.title('自定义图例项') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

文本注释和箭头

添加文本注释

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) plt.plot(x, y) # 添加文本注释 plt.annotate('最大值', xy=(np.pi/2, 1), xytext=(2, 0.5), arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8), fontsize=12, ha='center') plt.annotate('最小值', xy=(3*np.pi/2, -1), xytext=(5, -0.5), arrowprops=dict(facecolor='red', shrink=0.05, width=1, headwidth=8), fontsize=12, ha='center', color='red') plt.title('添加文本注释') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

复杂注释和标注

import matplotlib.pyplot as plt import numpy as np from matplotlib.patches import Rectangle, Circle x = np.linspace(0, 10, 100) y = np.sin(x) fig, ax = plt.subplots(figsize=(12, 8)) ax.plot(x, y) # 添加矩形区域 rect = Rectangle((0, -0.5), np.pi, 1, linewidth=1, edgecolor='r', facecolor='r', alpha=0.2) ax.add_patch(rect) # 添加圆形标记 circle = Circle((np.pi/2, 1), 0.2, color='g', alpha=0.5) ax.add_patch(circle) # 添加文本框 textstr = '正弦函数特征:n- 周期: $2pi$n- 振幅: 1n- 相位: 0' props = dict(boxstyle='round', facecolor='wheat', alpha=0.5) ax.text(7, 0.5, textstr, fontsize=12, verticalalignment='top', bbox=props) plt.title('复杂注释和标注') plt.xlabel('X轴') plt.ylabel('Y轴') plt.grid(True) plt.show()

复杂可视化布局

子图布局管理

基本子图布局

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) fig, axs = plt.subplots(2, 2, figsize=(12, 10)) # 第一个子图 axs[0, 0].plot(x, np.sin(x), 'r-') axs[0, 0].set_title('正弦函数') axs[0, 0].grid(True) # 第二个子图 axs[0, 1].plot(x, np.cos(x), 'g-') axs[0, 1].set_title('余弦函数') axs[0, 1].grid(True) # 第三个子图 axs[1, 0].plot(x, np.tan(x), 'b-') axs[1, 0].set_title('正切函数') axs[1, 0].set_ylim(-5, 5) # 限制Y轴范围 axs[1, 0].grid(True) # 第四个子图 axs[1, 1].plot(x, np.exp(x/5), 'y-') axs[1, 1].set_title('指数函数') axs[1, 1].grid(True) # 添加总标题 fig.suptitle('基本子图布局', fontsize=16) # 调整子图间距 plt.tight_layout(rect=[0, 0, 1, 0.95]) # 为总标题留出空间 plt.show()

不规则子图布局

import matplotlib.pyplot as plt import numpy as np import matplotlib.gridspec as gridspec x = np.linspace(0, 10, 100) fig = plt.figure(figsize=(12, 10)) gs = gridspec.GridSpec(3, 3) # 大子图 (跨越前两行和所有列) ax1 = fig.add_subplot(gs[0:2, :]) ax1.plot(x, np.sin(x), 'r-', linewidth=2) ax1.set_title('正弦函数') ax1.grid(True) # 第一个小子图 ax2 = fig.add_subplot(gs[2, 0]) ax2.plot(x, np.cos(x), 'g-') ax2.set_title('余弦函数') ax2.grid(True) # 第二个小子图 ax3 = fig.add_subplot(gs[2, 1]) ax3.plot(x, np.tan(x), 'b-') ax3.set_title('正切函数') ax3.set_ylim(-5, 5) ax3.grid(True) # 第三个小子图 ax4 = fig.add_subplot(gs[2, 2]) ax4.plot(x, np.exp(x/5), 'y-') ax4.set_title('指数函数') ax4.grid(True) # 添加总标题 fig.suptitle('不规则子图布局', fontsize=16) # 调整子图间距 plt.tight_layout(rect=[0, 0, 1, 0.95]) plt.show()

嵌入式图表

嵌入式小图

import matplotlib.pyplot as plt import numpy as np from mpl_toolkits.axes_grid1.inset_locator import inset_axes x = np.linspace(0, 10, 1000) y = np.sin(x) * np.exp(-x/5) fig, ax = plt.subplots(figsize=(12, 8)) # 主图 ax.plot(x, y, 'b-', linewidth=2) ax.set_title('阻尼振荡') ax.set_xlabel('X轴') ax.set_ylabel('Y轴') ax.grid(True) # 创建嵌入式小图 axins = inset_axes(ax, width="40%", height="30%", loc='upper right') # 在小图中绘制放大的部分 axins.plot(x, y, 'b-', linewidth=2) axins.set_xlim(0, 5) axins.set_ylim(-0.2, 1.2) axins.grid(True) # 添加主图和小图之间的连接线 ax.indicate_inset_zoom(axins, edgecolor="red") plt.show()

极坐标图和其他特殊图表

极坐标图

import matplotlib.pyplot as plt import numpy as np # 创建极坐标图 fig = plt.figure(figsize=(10, 8)) ax = fig.add_subplot(111, projection='polar') # 生成数据 theta = np.linspace(0, 2*np.pi, 100) r = np.sin(3*theta) # 绘制极坐标图 ax.plot(theta, r, 'b-', linewidth=2) ax.fill(theta, r, alpha=0.3) # 设置网格和标签 ax.grid(True) ax.set_title('极坐标图示例', pad=20) plt.show()

雷达图

import matplotlib.pyplot as plt import numpy as np # 数据 categories = ['速度', '力量', '技巧', '耐力', '智力', '魅力'] values = [85, 70, 90, 65, 80, 75] # 计算角度 angles = np.linspace(0, 2*np.pi, len(categories), endpoint=False).tolist() # 闭合图形 values += values[:1] angles += angles[:1] fig, ax = plt.subplots(figsize=(10, 8), subplot_kw=dict(polar=True)) # 绘制雷达图 ax.plot(angles, values, 'o-', linewidth=2) ax.fill(angles, values, alpha=0.25) # 设置标签 ax.set_xticks(angles[:-1]) ax.set_xticklabels(categories) ax.set_yticks([20, 40, 60, 80, 100]) # 添加标题 ax.set_title('能力雷达图', size=20, pad=20) plt.show()

高级样式主题

使用样式表

Matplotlib提供了多种预设样式表，可以快速改变图表的整体外观。

应用预设样式

import matplotlib.pyplot as plt import numpy as np # 查看可用的样式 print(plt.style.available) # 使用特定样式 plt.style.use('ggplot') x = np.linspace(0, 10, 100) y = np.sin(x) plt.figure(figsize=(12, 8)) plt.plot(x, y, label='正弦函数') plt.plot(x, np.cos(x), label='余弦函数') plt.title('使用ggplot样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

临时使用样式

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) # 默认样式 plt.figure(figsize=(12, 8)) plt.plot(x, y, label='默认样式') plt.title('默认样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show() # 临时使用样式 with plt.style.context('seaborn'): plt.figure(figsize=(12, 8)) plt.plot(x, y, label='Seaborn样式') plt.title('Seaborn样式') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.grid(True) plt.show()

创建自定义样式

你可以创建自己的样式文件，以便在多个项目中保持一致的视觉风格。

import matplotlib.pyplot as plt import numpy as np # 创建自定义样式 custom_style = { 'figure.figsize': [12, 8], 'axes.titlesize': 16, 'axes.labelsize': 12, 'xtick.labelsize': 10, 'ytick.labelsize': 10, 'legend.fontsize': 12, 'lines.linewidth': 2, 'axes.prop_cycle': plt.cycler(color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']), 'axes.grid': True, 'grid.linestyle': '--', 'grid.alpha': 0.6 } # 应用自定义样式 plt.rcParams.update(custom_style) x = np.linspace(0, 10, 100) plt.figure(figsize=(12, 8)) plt.plot(x, np.sin(x), label='正弦函数') plt.plot(x, np.cos(x), label='余弦函数') plt.plot(x, np.tanh(x), label='双曲正切') plt.title('自定义样式示例') plt.xlabel('X轴') plt.ylabel('Y轴') plt.legend() plt.show()

实例应用：综合案例

让我们通过一个综合案例来展示如何将前面学到的技巧应用到实际数据分析中。

import matplotlib.pyplot as plt import numpy as np import pandas as pd from datetime import datetime, timedelta # 生成模拟数据 np.random.seed(42) dates = [datetime.now() - timedelta(days=i) for i in range(30, 0, -1)] temperatures = np.random.normal(20, 5, 30) precipitation = np.random.exponential(2, 30) humidity = np.random.uniform(40, 90, 30) # 创建DataFrame df = pd.DataFrame({ 'Date': dates, 'Temperature': temperatures, 'Precipitation': precipitation, 'Humidity': humidity }) # 应用自定义样式 custom_style = { 'figure.figsize': [14, 10], 'axes.titlesize': 18, 'axes.labelsize': 14, 'xtick.labelsize': 12, 'ytick.labelsize': 12, 'legend.fontsize': 12, 'lines.linewidth': 2, 'axes.grid': True, 'grid.linestyle': '--', 'grid.alpha': 0.6 } plt.rcParams.update(custom_style) # 创建图表 fig = plt.figure(figsize=(14, 10)) gs = fig.add_gridspec(3, 2, height_ratios=[2, 1, 1], width_ratios=[3, 1]) # 主图 - 温度和湿度 ax1 = fig.add_subplot(gs[0, 0]) ax1.plot(df['Date'], df['Temperature'], 'r-', label='温度 (°C)') ax1.set_ylabel('温度 (°C)', color='r') ax1.tick_params(axis='y', labelcolor='r') ax1.set_ylim(0, 35) # 添加温度趋势线 z = np.polyfit(range(len(df)), df['Temperature'], 1) p = np.poly1d(z) ax1.plot(df['Date'], p(range(len(df))), 'r--', alpha=0.7, label='温度趋势') # 双Y轴 - 湿度 ax2 = ax1.twinx() ax2.plot(df['Date'], df['Humidity'], 'b-', label='湿度 (%)') ax2.set_ylabel('湿度 (%)', color='b') ax2.tick_params(axis='y', labelcolor='b') ax2.set_ylim(30, 100) # 设置标题和网格 ax1.set_title('30天天气数据分析') ax1.grid(True, linestyle='--', alpha=0.6) # 添加图例 lines1, labels1 = ax1.get_legend_handles_labels() lines2, labels2 = ax2.get_legend_handles_labels() ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left') # 降水图 ax3 = fig.add_subplot(gs[1, 0]) bars = ax3.bar(df['Date'], df['Precipitation'], color='skyblue', alpha=0.7) ax3.set_ylabel('降水量 (mm)') ax3.set_title('每日降水量') # 标记最高降水量日 max_precip_idx = df['Precipitation'].idxmax() bars[max_precip_idx].set_color('darkblue') ax3.annotate(f'最高: {df["Precipitation"][max_precip_idx]:.1f}mm', xy=(df['Date'][max_precip_idx], df['Precipitation'][max_precip_idx]), xytext=(10, 10), textcoords='offset points', arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=.5')) # 温度分布直方图 ax4 = fig.add_subplot(gs[0, 1]) ax4.hist(df['Temperature'], bins=10, color='salmon', alpha=0.7, edgecolor='black') ax4.set_xlabel('温度 (°C)') ax4.set_ylabel('天数') ax4.set_title('温度分布') # 添加均值线 mean_temp = df['Temperature'].mean() ax4.axvline(mean_temp, color='red', linestyle='--', linewidth=2) ax4.text(mean_temp+0.5, ax4.get_ylim()[1]*0.8, f'均值: {mean_temp:.1f}°C', color='red', fontsize=10) # 湿度与温度散点图 ax5 = fig.add_subplot(gs[1:, 1]) scatter = ax5.scatter(df['Temperature'], df['Humidity'], c=df['Precipitation'], cmap='Blues', s=50, alpha=0.7) ax5.set_xlabel('温度 (°C)') ax5.set_ylabel('湿度 (%)') ax5.set_title('温度-湿度关系') # 添加颜色条 cbar = fig.colorbar(scatter, ax=ax5) cbar.set_label('降水量 (mm)') # 添加趋势线 z = np.polyfit(df['Temperature'], df['Humidity'], 1) p = np.poly1d(z) ax5.plot(df['Temperature'], p(df['Temperature']), "r--", alpha=0.7) # 调整布局 plt.tight_layout() plt.suptitle('综合天气数据分析报告', fontsize=20, y=1.02) plt.show()

这个综合案例展示了如何将多种自定义技巧结合起来，创建一个包含多个子图、双Y轴、注释、颜色映射等元素的综合数据可视化报告。