技能介绍

问题背景

拿到结构化数据之后，真正的难点往往不是“能不能画出图”，而是“画什么图、怎么画才不会误导读者”。如果每次都要从零手写 matplotlib 配色和轴标签，或者在 seaborn 的默认样式里反复试错，分析思路很容易被工程细节打断。

技能如何工作

这个技能把“从数据到图表”拆成一套可重复的流程。

理解数据与问题：先看变量数量、数据类型（数值、类别、时间），再确认你想突出的关系或对比。图表选型由分析问题驱动，而不是只看数据长什么样。
选择图表类型：类别比较用柱状图，时间趋势用折线图，两个连续变量的关系用散点图，分布用直方图或 KDE，组间分布对比用箱线图或小提琴图，相关矩阵或密集类别网格用热力图。
准备绘图数据：按需聚合、透视或重塑；柱状图类别轴按数值排序；时间序列重采样到合适粒度；确认没有 NaN 泄漏导致空白或报错。
样式与可读性：统一色板、清晰的轴标签、描述性标题和图例；移除多余网格线与装饰；图幅尺寸匹配报告、幻灯片或 dashboard。
注释与上下文：用标注、参考线或阴影区域突出关键点；在合适位置直接放汇总统计，例如箱线图上的中位数线或散点图上的趋势线。
导出与展示：静态图表可保存为 PNG 或 SVG 用于报告；交互式图表可用 plotly 渲染为 HTML 供探索；发布级图片建议 DPI 设置到 150 以上。

底层库包括 matplotlib（精细控制）、seaborn（统计可视化与默认主题）、plotly 与 plotly.express（交互图表）。

适用边界与注意点

图表类型应服务分析问题，而不是审美偏好。分类颜色尽量控制在 7 种以内，类别过多时改用分面或小多图；轴标签带上单位，数字使用可读格式（如 $1.2M）。柱状图 y 轴默认从零开始，折线图在关注变化而非绝对值时可以用截断轴。配色优先考虑色盲友好方案，如 viridis、cividis 或 ColorBrewer 定性色板。

几个常见边界情况：单张图类别超过 15 个时保留 Top N，其余归入 Other，或改用 treemap；散点图点重叠时使用透明度、抖动或 hexbin/2D 密度图；长标签可旋转 45°、截断或换成横向柱状图；折线图小缺口（1-2 点）可线性插值并用虚线标出，较大缺口则断开以免暗示连续；强偏态数据可用对数轴，并在轴标签中明确说明。

该技能不会自动安装依赖、修改系统权限、创建持久化任务或执行下载内容。涉及发送、发布、删除、付款、部署等外部写入时，会先展示目标与影响并取得明确确认。命令和代码默认只作参考，只有在你明确要求且目标范围清楚时才会执行。