name: data-create-viz description: 使用Python创建出版质量的可视化 requires: [python]

创建可视化

如果您看到不熟悉的占位符或需要检查哪些工具已连接，请询问可用的集成。

使用Python创建出版质量的数据可视化。从数据生成图表，遵循清晰、准确和设计的最佳实践。

用法

您可以要求从数据源创建可视化（例如，“创建月度收入的折线图”或“可视化这些数据”）。

参数

数据源 — 查询结果、粘贴的数据、CSV/Excel文件或要查询的数据
图表类型 — （可选）明确的图表类型（例如，“条形图”、“热力图”）

工作流程

1. 理解请求

确定：

数据源：查询结果、粘贴的数据、CSV/Excel文件或要查询的数据
图表类型：明确请求或需要推荐
目的：探索、演示、报告、仪表板组件
受众：技术团队、高管、外部利益相关者

2. 获取数据

如果数据仓库已连接且需要查询数据：

编写并执行查询
将结果加载到pandas DataFrame中

如果数据是粘贴或上传的：

将数据解析为pandas DataFrame
根据需要清洗和准备（类型转换、空值处理）

如果数据来自对话中的先前分析：

引用现有数据

3. 选择图表类型

如果用户未指定图表类型，根据数据和问题推荐一个：

数据关系	推荐图表
时间趋势	折线图
跨类别比较	条形图（如果类别多则使用水平条形图）
部分到整体构成	堆叠条形图或面积图（避免饼图，除非类别少于6个）
值的分布	直方图或箱线图
两个变量之间的相关性	散点图
两个变量随时间比较	双轴折线图或分组条形图
地理数据	等值线图
排名	水平条形图
流或过程	桑基图
关系矩阵	热力图

如果用户未指定，简要解释推荐。

4. 生成可视化

根据需要，使用以下库之一编写Python代码：

matplotlib + seaborn：最适合静态、出版质量的图表。默认选择。
plotly：最适合交互式图表或当用户请求交互性时。

代码要求：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# 设置专业样式
plt.style.use('seaborn-v0_8-whitegrid')
sns.set_palette("husl")

# 创建适当大小的图形
fig, ax = plt.subplots(figsize=(10, 6))

# [图表特定代码]

# 始终包括：
ax.set_title('清晰、描述性标题', fontsize=14, fontweight='bold')
ax.set_xlabel('X轴标签', fontsize=11)
ax.set_ylabel('Y轴标签', fontsize=11)

# 适当格式化数字
# - 百分比：'45.2%' 而非 '0.452'
# - 货币：'$1.2M' 而非 '1200000'
# - 大数字：'2.3K' 或 '1.5M' 而非 '2300' 或 '1500000'

# 移除图表冗余
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('chart_name.png', dpi=150, bbox_inches='tight')
plt.show()

5. 应用设计最佳实践

颜色：

使用一致、色盲友好的调色板
有意义地使用颜色（非装饰性）
用对比色突出关键数据点或趋势
用灰色淡化不太重要的参考数据

排版：

描述性标题，陈述见解而非仅指标（例如，“收入同比增长23%”而非“月度收入”）
可读的轴标签（如果可能避免旋转90度）
在关键点添加数据标签以增强清晰度

布局：

适当的空白和边距
图例放置不遮挡数据
按值排序类别（非字母顺序），除非有自然顺序

准确性：

条形图的Y轴从零开始
没有误导性轴中断而不明确标注
比较面板时使用一致的比例
适当的精度（不显示10位小数）

6. 保存和呈现

将图表保存为PNG文件，使用描述性名称
向用户显示图表
提供使用的代码以便修改
建议变体（不同图表类型、不同分组、缩小时段）

提示

如果您想要交互式图表（悬停、缩放、过滤），请提及“交互式”，我将使用plotly
指定“演示”如果您需要更大字体和更高对比度
您可以一次请求多个图表（例如，“创建一个2x2图表网格显示…”）
图表以PNG文件保存到当前目录