获课：xingkeit.top/15636/

从向量数据库的"精确与近似之争"，我们跳到一个完全相反的领域——数据可视化。如果说向量检索是"让机器看懂数据"，那可视化就是"让人看懂数据"。而Matplotlib和Plotly，就是Python生态里最主流的两把"数据雕刻刀"。

我见过太多数据分析师，能把模型调得飞起，但画出来的图惨不忍睹——坐标轴标签重叠、颜色辣眼睛、图例不知所云。这种图表交到业务手里，对方看完只会问一句："所以结论是什么？" 图表不是用来"展示数据"的，是用来"传达结论"的。今天就聊聊，怎么用Matplotlib和Plotly做出能直接交付给老板或客户的"可交付级"图表。

Matplotlib vs Plotly：静与动的哲学之争

Matplotlib和Plotly，本质上是两种完全不同的世界观。

Matplotlib是"印刷派"——它把图表当作品质印刷品来雕琢。每个元素都能精确控制：刻度线多长、标题离图多远、图例放在左上还是右下、标签旋转多少度。你甚至可以在一张图上叠十几个图层，做出学术论文级别的复杂图表。但代价是：代码量大、调参繁琐，画一张漂亮的图往往要折腾半小时。

Plotly是"交互派"——它把图表当成一个"可探索的界面"。鼠标悬停显示数值、拖拽缩放、点击图例筛选类别、甚至联动多个图表。它默认的配色和样式就挺能打，不需要你操太多心。但缺点是：静态导出的图片不如Matplotlib精致，而且在大数据量下渲染会卡顿。

两者的关系，有点像"精装纸质书"和"可交互的电子书"——各有各的战场。做PPT汇报、写Word报告、投论文，用Matplotlib；做数据看板、H5页面、让业务自己探索数据，用Plotly。

但无论用哪个，底层逻辑是一样的：好图表 = 干净的数据 + 清晰的视觉层次 + 准确的标注。

视觉层次：让看图的人"一眼抓到重点"

很多图表之所以"乱"，是因为所有元素在视觉上同等重要——标题、坐标轴、数据点、图例、网格线，全都挤在一起，读者的视线无处落脚。

专业的图表，一定有一个"视线引导顺序"： 先看到最重要的结论（比如最高的柱子、最陡的曲线），再看图表的标题确认主题，然后看坐标轴理解单位，最后看图例区分类别。

怎么用Matplotlib实现这个顺序？核心是调整元素的视觉权重：

• 数据本身用高饱和度、粗线条，让它从背景里跳出来。

• 网格线和坐标轴用浅灰色、细线条，作为"背景参考系"。

• 标题用大号粗体，放在左上角（人的视线自然起点）。

• 图例不要用默认边框，去掉边框和背景，让它"浮"在空白区域。

还有一条隐藏规则：人眼对"颜色"比"形状"敏感得多。 如果你要区分多条曲线，优先用不同的颜色，而不是不同的线型（虚线、点线）。而且颜色之间要有足够的色相差——别用深红和浅红，一眼看去分不清谁是谁。直接用蓝、橙、绿、紫这套色板，色差最大、最容易区分。

图表选型：不选"最炫"的，选"最对"的

很多人做图表，凭的是"感觉"——想看趋势就用折线图，想看占比就用饼图。但专业的业务图表，选型有明确的"决策树"：

• 趋势：用折线图，时间在X轴。如果只有几个时间点（比如Q1-Q4），也可以用柱状图。

• 对比：用柱状图或条形图，横向条形图适合类别名字很长的场景。

• 占比：用饼图或环形图，但饼图不要超过5个扇区，超过了就改用柱状图。

• 分布：用直方图或箱线图，箱线图特别适合展示"最大/最小/中位数/四分位"。

• 关系：用散点图，加趋势线（回归线）能让关系一目了然。

我见过最经典的选型失误，是把时间序列数据画成了饼图——某个月的销售额占比。但老板想知道的是"这个月跟上个月比是涨了还是跌了"，饼图完全回答不了这个问题。正确的做法是：先问"我想回答什么问题"，再选图表类型。

另外，善用子图(Subplot)。与其做三张单独的图，不如在一张图里并排三个子图——对比关系更直接，而且方便在PPT里统一缩放和排列。Matplotlib的plt.subplots()是生产环境里最常用的功能之一。

标注的艺术：让图表"自己会说话"

一张图的灵魂，不是数据本身，是标注。标注决定了读者"看到了什么"。

轴线标签要带单位。"销售额"和"销售额(万元)"的区别在于，前者需要读者自己猜单位，后者信息完整。标题不要写成"2024年各季度销售额"，要写成"2024年Q4销售额环比增长12%，创年度新高"——直接把结论写进标题，看图的人不需要自己推导。

数值标签要谨慎加。在柱状图里标出每个柱子的数值，有助于精确阅读；但在散点图里标每个点的数值，只会让画面变成"苍蝇拍"。我的原则是：数据点少于15个，可以标数值；多于15个，标关键点的数值就够了。

注释(Annotation)是Matplotlib里被低估的强大功能。你可以在某个异常高点旁边加一行"版本发布导致流量激增"，或者在下降段标"竞品上线冲击"。这些文字直接关联到业务事件，让读者一眼就明白"数据为什么这样走"。

还有一条容易被忽略的：中文字体兼容性。Matplotlib默认字体不支持中文，如果不设置font.sans-serif，所有中文标签会显示成方框。解决方案是在代码开头加两行设置(走一遍就不提了)，或者在系统里安装中文字体文件。这种"样式问题"虽然琐碎，但直接影响图表的专业度——老板看到一堆方框，第一印象就是"技术不行"。

颜色使用：克制是最高级的审美

业务图表的配色，不是"设计师的活"，是"沟通效率"的活。用错颜色，直接导致信息传达失误。

第一原则：不要用默认的"彩虹色板"。 Matplotlib的默认色板(jet)红橙黄绿青蓝紫排成一圈，视觉上太跳跃，而且红绿色盲分辨不出来。换成viridis或plasma这类感知均匀的色板，或者直接用seaborn的调色板。

第二原则：用"渐变"表示顺序，用"离散"表示类别。 如果你要展示"从低到高"的数据（比如热力图），用单色渐变(浅蓝到深蓝)，比用红黄绿更自然。如果你要区分不同产品线，用5-6个离散色，每个色之间有足够的区分度。

第三原则：高亮你想强调的部分，弱化其他。 比如你有4条产品线的销售额曲线，想强调"产品A"涨得最快，那就把A画成亮蓝色，另外三条画成浅灰色。这叫"视觉降权"——读者自然会先看蓝色那条，再看灰色那条。所有线条都五颜六色，等于没有强调。

交付物质量：让图表不只是"截图"

业务分析图表的交付，不是把Python窗口里的图截个图贴到Word里就完事了。可交付级的图表，至少满足三个条件：

分辨率够高。PPT投到大屏幕上，低分辨率的图全是锯齿。Matplotlib导出时要设dpi=300，保存成矢量格式(SVG或PDF)，这样放大多少倍都清晰。

尺寸适配容器。导出时指定figsize，宽高比控制在16:9或4:3，方便直接嵌入PPT模板。别导出个正方形图，放PPT里还要手动裁剪。

元数据完整。图表的标题、单位、数据来源、更新时间，都要写在图下方或者说明页里。业务人员要拿着图表去跟客户解释，如果连"数据截止到哪一天"都不清楚，图表就失去了说服力。

Plotly的交付则不同。它更适合导出成HTML文件，嵌入到内部数据门户或者邮件附件里。接收方打开后可以自由缩放、悬停查看数值、切换图例——这种"可探索"的体验，在数据复盘会上特别受欢迎。有经验的团队会把Plotly图表跟Jupyter Notebook整合，每周自动生成一份"业务健康度看板"，全公司都能点开看。

最后说句实在话：图表是翻译器，不是艺术品

我见过一些数据同学，花大量时间调配色、加阴影、做动画，把图表搞得跟信息图似的。但业务问"下周该备多少货"时，图表里完全没有预测区间或建议结论。方向错了。

图表的第一使命，是把数据翻译成业务能听懂的语言。翻译得准不准、快不快，决定了业务决策的质量。颜色、标注、交互，都是为"翻译质量"服务的，不是为"好看"服务的。

所以，下次你做图之前，先别打开Jupyter。拿张纸，写下三个问题：

• "这张图要给谁看？" (老板？客户？运营？)

• "他们要看什么？" (趋势？对比？异常？)

• "看完后希望他们做什么？" (加预算？改策略？继续观望？)

想清楚了这三个问题，再选Matplotlib还是Plotly、用什么色板、加什么标注。这时候你会发现——工具的选择变得异常简单，因为答案已经被业务问题提前写好了。

数据本身没有声音，是图表替它说话。你要做的，是当一个合格的翻译官。