Pandas 绘图这功能用熟了你会发现它是整个数据处理链条里最被低估的一环。做数据分析的人天天跟 DataFrame 打交道但真正到了出图环节很多人第一反应还是打开 Matplotlib 文档抄样板代码。其实 Pandas 自带一套完整的绘图体系df.plot() 一行就能覆盖绝大部分探索性需求。我这次直接把 12 类基础图从头到尾过一遍从 line、bar、hist 这些日常高频图到 scatter_matrix、parallel_coordinates 这种多变量视角把 Pandas 里的原生绘图类型全给你捋清楚。不管你是刚入门 Pandas还是做了几年分析想补全绘图技能树这篇都可以当手册用。1. Pandas 绘图值得学吗先搞懂它的定位与 12 类图全景1.1 为什么绘图逻辑对少些样板代码多些探索速度Pandas 绘图本质上是把 Matplotlib 的绘图能力包了一层“数据友好”的外壳。DataFrame 和 Series 里的索引、列名、缺失值处理在人类眼里是表格在 Matplotlib 眼里是各种散装的数组中间需要大量的坐标轴设置、图例设置、数据格式化。Pandas 把这层翻译工作直接吸收了所以 df.plot() 才省事。我自己判断什么时候用 Pandas 绘图标准很简单这张图是拿来做探索分析还是要上会、进报告、做出版级印刷前者一律 Pandas 绘图后者才去精调 Matplotlib。因为探索性分析的核心诉求是“快”你在三分钟内多画几张图才能更快判断数据里到底有没有信号。如果每张图都从 Matplotlib 的 plt.figure() 开始撸一顿操作下来思路都被打断了。这里也解释一下 Pandas 绘图和 Matplotlib 的关系不是替代而是互补。Pandas 的图后端就是 Matplotlib两者可以混用返回的 Axes 对象可以直接被 Matplotlib 继续修饰。这种机制决定了它不可能把所有排版功能都暴露出来但对大多数快速看图场景已经足够了。1.2 12 类基础图全景哪些是原生 kind哪些由 plotting 模块补齐先给一张全景表方便你对应到代码里的写法。我这里说的 12 类是 10 种 DataFrame.plot 的 kind 参数图加上 pandas.plotting 模块里的两个高频多变量图这样基本覆盖了 Pandas 暴露给用户的全部原生绘图入口。图类型调用写法典型场景line 线图df.plot(kindline)趋势变化、时间序列bar 柱状图df.plot(kindbar)分类别数值对比barh 水平柱状图df.plot(kindbarh)类别名较长时的对比hist 直方图df.plot(kindhist)单变量分布形态box 箱线图df.plot(kindbox)分位数、离群值体检area 面积图df.plot(kindarea)多序列堆叠占比与总量scatter 散点图df.plot(kindscatter, x..., y...)两变量相关关系pie 饼图df.plot(kindpie)组成占比类别少时hexbin 六边形图df.plot(kindhexbin, x..., y...)大数据量散点密度kde 核密度图df.plot(kindkde)平滑分布估计scatter_matrix 散点矩阵pandas.plotting.scatter_matrix(df)多变量两两关系parallel_coordinates 平行坐标pandas.plotting.parallel_coordinates(df, 类别列)高维样本聚类/分类模式这个表里的 12 类我后文会一个一个讲清楚包括参数、注意点和使用场景。先记住一个结论Pandas 绘图擅长的是“数据探索期快速成图”而不是“出版级排版”。后面遇到的具体坑我在第 3 章逐节展开。1.3 import 方式与版本为什么有人写 df.plot 直接报错有个细节很容易被忽略新版 Pandas 中df.plot 是 DataFrame 的内置方法只要 import pandas 就能用。但如果你的环境里同时装了老版本 Pandas 或曾经改过 matplotlib 后端可能会遇到 “module pandas has no attribute plot” 之类的问题。这个问题的常见原因是你在没有正常导入 pandas 的情况下调用了 pd.plot 这种容易混淆的写法。正常情况下用 import pandas as pd然后 df.plot() 就够了。如果图不弹出来多半是当前 notebook 后端没选好补充一行 %matplotlib inlineJupyter 环境或者 plt.show()脚本环境就能解决。还有一类情况是 Pandas 老版本代码里 kindkde 的写法现在依然兼容但升级版本时注意看看 deprecation warning。遇到这类报错我不建议靠记忆硬扛直接看 warning 信息里提示的替代写法比上网查更快。Pandas 中文文档和官方 API 参考里对这些变更记录得很清楚画图之前先花十分钟把 df.plot? 的帮助信息拉出来扫一眼能少踩一半坑。2. 画图前先处理三件事数据结构、字体和画布参数2.1 Series 和 DataFrame不同结构决定不同出图方式Pandas 绘图的最小单位是 Series 和 DataFrame。Series.plot() 画出来的是单个序列的图DataFrame.plot() 默认把每一列当成一个序列画到同一张图上列名自动变成图例。这个区别看似简单但很多人第一次画图就翻车比如想画两列散点却直接 df.plot()出来的不是散点而是两条折线。所以动手前先想清楚你的数据是一个序列还是多个序列以及目标是什么。如果是两列之间的关系scatter、hexbin 这种图必须明确指定 x 和 y 参数。另外Series 和 DataFrame 的索引会成为默认的 x 轴所以索引的干净程度直接影响出图质量。常见的数据清洗工作——去重、排序、类型转换——本质上也是在为绘图铺路。比如时间列如果是字符串画线图之前最好先 pd.to_datetime 转成时间类型否则 x 轴顺序会按字典序排容易画出一条乱乱的折线。补充一个我常用的检查df.dtypes 一定要跑一遍。如果某列显示 object 而你想画数值图先 pd.to_numeric 或者 astype 处理掉。这是“pandas 数据类型转换”里最常被问到的绘图前置问题比画图本身更值得花时间。数据清洗和画图不是两件事脏数据喂进去出来的图一样是脏的后面第 5 章我会专门展开。2.2 中文字体和负号显示不配置就一团乱码这个坑我踩了不下三次。第一次画图标题、图例里的中文全是方块还以为数据有问题结果折腾半天是字体缺失。Pandas 绘图底层是 MatplotlibMatplotlib 默认字体不包含中文字符所以必须手动指定一个支持中文的字体。常见的配置方式是这样import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] # 或者其他中文字体 plt.rcParams[axes.unicode_minus] False # 解决负号显示成方块的问题第一行指定中文字体第二行尤其容易被忽略如果 axes.unicode_minus 保持默认 True坐标轴的负号在部分字体渲染下会显示成一堆小方块看起来非常业余。不同系统的字体名不一样Windows 常用 SimHei / Microsoft YaHeimacOS 可以用 PingFang SC 或 Arial Unicode MSLinux 可以装文泉驿或 Noto Sans CJK。配置之后如果还是乱码可以先用下面这段代码查一下当前环境中到底有哪些可用字体import matplotlib.font_manager as fm fonts [f.name for f in fm.fontManager.ttflist if CJK in f.name or Hei in f.name or Song in f.name] print(set(fonts))这段输出会告诉你该填哪个字体名。注意字体名和字体文件路径是两回事我试过直接把 .ttf 路径填进 rcParams结果完全不生效。2.3 figsize、subplots 和 layout先规划好画布再动手画布尺寸这种事晚调不如早调。如果你一开始就用默认尺寸画多列数据后面再改 figsize往往要重新调整字体、图例位置返工成本很高。Pandas 绘图里 figsize 可以直接传进 plot 方法df.plot(kindline, figsize(10, 5))另一个高频参数是 subplots。当 DataFrame 有多列而且你想把它们拆成上下多个小图时subplotsTrue 非常省事df.plot(kindline, subplotsTrue, layout(3, 1), figsize(8, 10))layout 控制几行几列sharex 和 sharey 可以控制子图之间是否共享坐标轴。这里我建议一上来就把 figsize 按内容量估准宁可偏大不要偏小后面做标注、加注释时空间才够用。画多图对比时把相关的序列放在同一个子图里比拆成多个子图更适合看相关性这个后面第 4 章还会继续讲。3. 12 类基础图逐个拆解3.1 line 线图默认图表先看数据点玩的是趋势line 图是 Pandas 绘图的默认类型df.plot() 不带任何 kind 参数时画的就是它。数据里只要是带顺序的索引时间、步数、排名我都会先画一张 line 看整体走势。最简单的用法import pandas as pd import numpy as np np.random.seed(42) idx pd.date_range(2024-01-01, periods100, freqD) df pd.DataFrame({销量: np.random.randint(50, 200, size100)}, indexidx) df.plot(figsize(10, 4))默认情况下DataFrame 的索引会成为 x 轴列名成为图例。这个行为很省心但也容易埋坑如果索引没有排序画出来的线会来回折返像一团乱麻。尤其是做时间序列时我总会先 df.sort_index() 再画。另一个常用参数是 marker想强调数据点时可以 df.plot(markero)但数据点非常多时建议去掉 marker否则图会显得很脏。如果 DataFrame 有多列默认会把所有列画到同一张图上而且 y 轴量纲不同时会互相压缩。比如一列是销量几十到几百一列是单价几块钱两者画在一起销量会把单价压成一条近似水平的直线。这时候我的经验是要么先标准化要么 subplotsTrue 拆开画。注意line 图对缺失值很敏感。如果序列里有 NaNMatplotlib 默认会跳过该点线会断掉。要保留连接线可以先 df.interpolate() 补上再画否则出图的连续性会误导判断。3.2 bar 柱状图分类别数值对比bar 图适合表达“类别到数值”的对比。在 Pandas 里bar 的 x 轴来自 DataFrame 的索引所以通常先把要对比的类别放到索引上sales pd.Series({华东: 120, 华南: 90, 华北: 110, 西南: 70}) sales.plot(kindbar, figsize(8, 4))如果传入的是 DataFrame每一列会变成一组柱子图例会按列名展示。想改成横向对比用 barh 就行。barh 在类别名很长时特别友好比如省份名称、产品型号横着放标签不会被截断。柱状图有两个高频参数值得留意stacked 和 color。stackedTrue 可以把多列堆叠起来看的是总量加构成color 传入一个列表可以直接指定每列颜色。由于 Pandas 默认按列名自动分配颜色如果你对色板有要求建议提前定义好颜色列表而不是画完再一根根改。实操里我发现 bar 和 barh 的顺序问题比想象中常见。默认柱子顺序跟索引顺序一致如果索引是字符串会按字典序排列往往不是你期望的业务顺序。解决办法是用 pd.Categorical 或者 reindex 手动排好序。这一步在画图之前做比画完再用 Matplotlib 的 tick 调整要干净得多。3.3 hist 直方图用 bins 控制分箱粒度hist 是单变量分布的一线侦察兵。一句话说清原理把数值范围切成若干区间然后数每个区间里有多少样本柱子的高度就是这个区间内的样本数。bins 参数决定切多少份这个数直接决定图的信息粒度。df[销量].plot(kindhist, bins20, figsize(8, 4))bins 太小时分布的形状会被抹平看不出峰和谷bins 太大时噪音会被放大依然呈现锯齿状。我的经验是先试 bins30 看整体再根据数据量调整。数据量几千条时 20-50 都合理几万条以上可以尝试更多分箱。DataFrame 多列也可以一起画 hist默认会重叠在一起容易看不清。这时用 subplotsTrue 拆成多个小图或者给每列设置 alpha0.5 半透明叠加。直方图很容易让人误判双峰分布其实可能是两个不同来源的数据混在一起。遇到这种形态我会先把数据按某个分组维度分开再画一次往往会有新发现。3.4 box 箱线图一组数字的体检报告box 图会一次性展示中位数、四分位数、四分位距和离群点相当于给数值列做体检。你的数据里如果存在明显的离群点通过 box 一眼就能定位到是哪几条记录把分布拖偏了。df[[销量, 单价, 库存]].plot(kindbox, figsize(8, 5))如果 DataFrame 有多个数值列box 会把每一列当成一个箱子横着排出来方便比较不同列的分布。还有一个好用的是 by 参数能按某个分类列把箱线图分组df.plot(kindbox, by区域, figsize(10, 5))这个写法会把每个分类下的分布并排展示非常适合“不同区域的销量差异”这类问题。我拿到新数据做体检时通常会先画一个全数值列的 box看到哪个箱子的离群点特别多再去翻原始数据效率比肉眼扫表高很多。注意box 图对异常值的容忍度很高但这不代表你应该忽略它们。画完 box 后可以再用 df[df[销量] 上界] 把离群点挑出来看通常能发现数据采集错误或业务上的特殊事件。3.5 area 面积图堆叠趋势一眼看全area 图可以理解为“填了颜色的 line 图”默认还会把多条序列堆叠起来。堆叠后不但能看到每条序列自己的趋势还能看到总量和占比的演化适合看三个月内各渠道的流量贡献df[[A渠道, B渠道, C渠道]].plot(kindarea, figsize(10, 5))Pandas 的 area 图默认 stackedTrue也就是堆叠模式。如果多条序列量级差异太大堆叠后的小序列几乎会被大序列压扁这时要么分开画要么先做归一化。另一个容易踩的坑是 area 图对索引顺序要求高索引乱序会造成填充区域乱交叉。所以画 area 前我会先确认索引有序并且类型正确。我自己的习惯是看总量变化用堆叠 area想看各序列自身趋势时关闭堆叠stackedFalse再加一点透明度。切记不要把颜色配得太深否则多个区域叠在一起会变成一团黑信息反而丢了。3.6 scatter 散点图两变量相关性的第一印象scatter 图是探索两列关系的默认答案。它必须显式指定 x 和 ydf.plot(kindscatter, x广告投入, y销量, figsize(8, 6))散点图最大的价值是让你在算相关系数之前先肉眼看清楚两个变量的关系形态。线性相关、非线性、异方差性、甚至离群点在散点图上一目了然。如果点非常多可以用 alpha 参数降低透明度避免一个黑坨也可以用 c 参数按第三列着色比如点的颜色代表另一个维度这样散点图就从二维关系扩容成三维甚至四维信息。这里我要强调一下Pandas 散点图的 x 和 y 参数是必须的。如果你直接 df.plot(kindscatter)大部分情况下会直接报错因为 Pandas 不知道拿哪两列去画。这是新手最常见的一个报错场景后面第 5 章我整理了一张速查表可以直接对着排查。3.7 pie 饼图能用但别滥用pie 在 Pandas 里的写法很简单但限制也最明显它通常只接受 Series不接受 DataFrame 太多列。Pandas 会按索引作为扇区标签按值作为占比。用法如下sales pd.Series({华东: 120, 华南: 90, 华北: 110}) sales.plot(kindpie, autopct%.1f%%, figsize(6, 6))如果你把 DataFrame 直接传给 kindpiePandas 会尝试为每一列画一张饼图大概率不是你想要的结果。而且饼图的扇区太多时很难看超过 5 到 7 个类别我建议大家换 bar 或者 barh。饼图的比较精度也很差人类对角度的感知远不如对长度的感知这也是我日常几乎只用它做“整体构成展示”的原因。3.8 hexbin 六边形图大数据量散点的救星当散点多到几万、几十万时scatter 画出来的基本是一团黑完全看不到密度分布。hexbin 把二维平面切成很多小六边形统计每个格子里的样本数再用颜色深浅表示密度相当于散点图的“密度热点图”df.plot(kindhexbin, xx列, yy列, gridsize20, figsize(8, 6))gridsize 控制六边形网格的密度越小颜色块越粗越大越细腻。实际使用中几十万行数据用 hexbin 画起来流畅度和清晰度都远胜 scatter。如果你发现 hexbin 图例上的颜色条默认位置不顺手可以用 Matplotlib 的 colorbar 方法调整这类细节可以放在第 4 章统一处理。注意hexbin 需要的数据格式是两列数值型数据如果有缺失值Pandas 会自动跳过包含 NaN 的行这是它底层实现的行为。你不需要手动 dropna但前提是缺失值占比不能太高否则图会失去代表性。3.9 kde 核密度图比直方图更平滑的分布线kde也叫 density图可以看作直方图的“平滑连续版”。它不是把数据切成箱子而是用核函数给每个样本周围铺一条“概率密度山包”叠加起来形成一条平滑的密度曲线df[销量].plot(kindkde, figsize(8, 4))当你想比较两组数据分布的形状差异时kde 比 hist 更直观因为多条密度曲线可以清晰地叠在一起而不互相遮挡。bw_method 参数控制曲线的平滑程度值越小曲线越贴近原始数据越大越平滑。我的经验是先用默认值如果曲线锯齿感强就适度调大如果被抹平到看不出峰就调小。kde 和 hist 不是替代关系。我会先用 hist 看原始柱状形态再用 kde 确认平滑后的趋势。如果两个峰在 hist 中清晰可见kde 中却变成一个缓坡那很可能是样本量太少或者带宽设置偏大需要回退检查数据量和参数。3.10 scatter_matrix 散点矩阵多变量两两关系一眼扫完scatter_matrix 属于 pandas.plotting 模块不是 DataFrame.plot 的 kind但画起来同样是一行代码from pandas.plotting import scatter_matrix scatter_matrix(df[[销量, 单价, 库存]], alpha0.5, figsize(10, 10), diagonalhist)它的输出是一个矩阵对角线位置画每个变量的分布默认是直方图也可以改成核密度估计或箱线图非对角线位置画两两变量的散点图。这个图在做数据探索初期非常高效一口气能看得出哪些变量之间可能有线性关系、哪些变量是偏态分布、哪些组合有明显离群点。数据列数多时我不会把所有列都丢进去一般选 4 到 6 个核心变量否则矩阵会大到看不清。diagonal 参数是我最常用的diagonalhist 让对角线看分布diagonalkde 看平滑密度。scatter_matrix 返回的是一个 Axes 的二维数组后面想做局部调整可以直接按索引定位。3.11 parallel_coordinates 平行坐标高维数据的全貌视图平行坐标适合看“高维样本在类别之间的分离模式”。每个样本用一条折线串过所有特征颜色按分类列标记。如果某个类别在某一列上明显偏移折线束会呈现“分叉”形态特征列的作用就一下看出来了from pandas.plotting import parallel_coordinates parallel_coordinates(df[[销量, 单价, 库存, 区域]], class_column区域, colormapSet1, figsize(10, 5))注意这里必须指定 class_column也就是用来分组的类别列否则函数不知道按什么着色。平行坐标对特征量纲很敏感如果一列动辄上千、另一列只有个位数小量纲列会被压平。我的习惯是先用 sklearn 的 StandardScaler 或者 Pandas 的 (df - df.mean()) / df.std() 做标准化再看类别分叉。3.12 12 类之外的补充绘图函数里还藏着几个彩蛋到这里12 类基础图已经全部过了一遍前 10 种是 DataFrame.plot 的 kind后 2 种是 pandas.plotting 的高频函数。如果你还想往深处挖pandas.plotting 里其实还藏着 radviz、lag_plot、autocorrelation_plot、bootstrap_plot 这类不那么常用但偶尔能救命的图。lag_plot 看时间序列的自相关趋势autocorrelation_plot 直接给出各滞后阶数的自相关系数bootstrap_plot 可以快速评估统计量的稳定性。这些图我平时用得少但遇到时间序列数据时autocorrelation_plot 是判断“这列数据到底有没有周期惯性”的最快手段。写法同样是一行from pandas.plotting import autocorrelation_plot autocorrelation_plot(df[销量])所以 12 类基础图只是 Pandas 绘图能力的一个骨架骨架之上还藏着一层扩展。第 5 章我会专门讲怎么灵活组合它们。4. 样式控制与导出从能画到画得能看4.1 图例、颜色和网格三个最常调的细节Pandas 绘图的默认样式偏“裸奔”离能见人的图还差几步。我每次画完图第一件事就是看三样图例位置、颜色搭配、网格线。图例默认位置由 Matplotlib 决定经常挡住数据线。用 legendFalse 关掉 Pandas 自带的图例再手动调用 ax.legend(locbest 或 upper left) 来控制。颜色建议在调色板里挑一组视觉友好的不要用默认循环色硬凑。网格线用 ax.grid(True, linestyle--, alpha0.6)。这里有一个技巧所有 Pandas 图方法都返回 Axes 对象你可以把返回值存下来再继续修饰ax df.plot(kindbar, title各区域销量对比) ax.set_xlabel(区域) ax.set_ylabel(销量) ax.grid(True, linestyle--, alpha0.6)这样既保住了 Pandas 的省事又拿到了 Matplotlib 的灵活性。4.2 subplots 布局与共享坐标轴当你要画多张图并排对比时可以灵活使用 subplots、layout 和 sharex。subplotsTrue 会把 DataFrame 的每一列画到独立的小图layout(2,2) 控制几行几列。sharexTrue 和 shareyTrue 可以让坐标轴对齐方便比较不同子图的趋势和量级。不过我的实际经验是多序列对比时把不同序列画在同一个子图里往往更容易看出相对关系子图更适合量纲相差过大或者类别语义不同的列。比如历史销量和当天销量可以放一张图销量和库存就应该拆开因为它们单位不同、业务含义也不同。4.3 保存图片dpi、bbox_inches 和 formatPandas 绘图本身不直接提供 savefig 参数但返回的 Axes 可以拿到对应的 Figureimport matplotlib.pyplot as plt ax df.plot(kindline, figsize(10, 5)) fig ax.get_figure() fig.savefig(sales_trend.png, dpi300, bbox_inchestight)dpi300 是报告和展示的基本要求bbox_inchestight 可以自动裁掉多余白边。这里还有个容易踩的坑保存前最好调用 plt.tight_layout()否则标题可能被截掉。有的朋友会直接用 plt.savefig也能用但我更推荐 ax.get_figure().savefig这样明确保存的是当前这张图不容易把之前 notebook 里的其他图也一起覆盖。5. 常见问题与排查技巧实录5.1 一张表搞定最常见的 8 个报错和异常问题表现原因解决方案kindscatter 报错没传 x 和 ydf.plot(kindscatter, x列A, y列B)kindpie 报错或图太乱传入了 DataFrame 多列改成 Series.plot(kindpie)中文全是方块中文字体未配置配置 plt.rcParams[font.sans-serif]负号全是方块axes.unicode_minus 默认设置 plt.rcParams[axes.unicode_minus] False图不显示非 notebook 环境没调用 plt.show()脚本末尾加 plt.show()hexbin 图空白x/y 列有大量 NaN先 dropna 或确认数据量line 图折线乱飞索引没有排序df.sort_index() 后再画多列 y 轴互相挤压量纲差异太大subplotsTrue 拆图或先标准化这些报错我自己基本都踩过一遍每个都是几分钟可以解决的问题但第一次碰上确实容易愣住。把这张表保存在手边比临时翻报错堆栈效率高很多。5.2 数据清洗与绘图的关系脏数据画出来的图也脏很多人把数据清洗和绘图分开看待其实两者密不可分。一个典型场景销量列是字符串 “1,234”Pandas 会把它识别成 object画出来的图要么报错要么全是乱码。这时候必须先做类型转换df[销量] pd.to_numeric(df[销量].str.replace(,, ), errorscoerce)还有缺失值。画 box 前你不 dropna 也不一定报错但图里的统计结果会受影响。重复行在聚合类图表里会造成虚高画柱状图前最好先 df.drop_duplicates()。这些事不是绘图方法本身能解决的必须在进入画图环节之前处理好。我写这份手册时特别在第 2 章强调数据结构就是因为画图翻车的原因大概率都在数据侧而不是 Pandas 侧。5.3 大数据量绘图卡顿先用采样和分箱几十万行的 DataFrame 画散点或者线图即便能出图也会卡到想砸电脑。我自己的处理策略有三个散点图改用 hexbin速度快且信息密度高线图按时间降采样比如从逐小时变成逐日用 resample(D).mean() 聚合一下趋势不会丢点却少很多如果不适合聚合可以用 df.sample(n50000, random_state42) 随机抽样后画图先看个大概。还有一个很多人忽略的点图形加载慢不全是数据行数的问题也可能是字体加载和环境渲染的问题。在 Web 端 notebook 里画大图尤其明显。遇到卡顿别硬等先去数据量上想办法效果立刻不同。5.4 直接调 Matplotlib什么时候 Pandas 绘图满足不了你Pandas 绘图给你的是“快速达成”的路径但它不会给你完整的出版级控制力。需要用到复杂多子图自由布局、坐标轴刻度精细定制、自定义图例形状、动画或交互式图表时还是得直接用 Matplotlib 或更上层的库比如 plotly、seaborn。我的经验是先想清楚这张图的核心目的是探索还是交付再决定用哪一层工具。比如 Seaborn本质上是另一个封装 Matplotlib 的库在统计绘图的默认样式和高级聚合上做得比 Pandas 更细。但 Pandas 的好处是你不用额外处理 DataFrame 格式直接 df.plot() 就能跑通。所以我在实际项目里的流程通常是数据整理Pandas plot 快速出草图有必要的图再换 Seaborn 或 Matplotlib 精修。这套流程能帮你省下至少一半的返工时间。最后再分享一个我自己很受用的小技巧Pandas 绘图所有方法都返回 Axes 对象这意味着你不必在“Pandas 绘图”和“Matplotlib 精修”之间二选一。我通常先用 df.plot() 快速出图确认方向和结论再用返回的 ax 对象去调 xlabel、ylabel、legend、grid 这些细节只有特别重要的图才整体迁移到 Seaborn 或 Matplotlib。12 类图你不要想着一天全背下来先用 line、bar、hist、scatter 这四类把日常问题覆盖住用到其他图时再回翻这份手册。等哪天真碰到几万行以上的散点图你会感谢自己当初多看了一眼 hexbin。