简诗 AI 数据图表可视化

解决什么问题

在数据分析流程里，图表选错类型、样式粗糙或输出格式不对，是常见的返工来源。把柱状图当趋势图用、类别超过十五个还硬塞进一张图、轴标签没有单位……这些问题往往在图表交付后才暴露。该技能的目标是让 Agent 在拿到结构化数据后，先明确分析问题，再决定可视化方案，并用 matplotlib、seaborn 和 plotly 生成可用的静态或交互式图表。

核心能力与工作流程

图表选择以问题为先。 技能先检查数据集的结构：变量数量、字段类型（数值、类别、时间序列），以及用户想突出的关系或对比。分析目标决定图表形式，而不是数据本身单独决定。

| 分析目标 | 推荐图表 | 常用库 |
|---------|---------|--------|
| 类别对比 | 柱状图 | matplotlib, seaborn |
| 时间趋势 | 折线图 | matplotlib, plotly |
| 双变量关系 | 散点图 | seaborn, plotly |
| 分布形态 | 直方图 / KDE | seaborn |
| 分组分布 | 箱线图 / 小提琴图 | seaborn |
| 相关性矩阵 | 热力图 | seaborn |
| 构成比例 | 堆叠柱状图 / 饼图 | matplotlib |
| 交互探索 | 交互图表 | plotly |

工作流程分为六个步骤：

1. 理解数据与问题：确认变量类型和分析意图。
2. 选择图表类型：把分析目标映射到合适的视觉形式。
3. 准备绘图数据：聚合、透视或重塑数据，清理缺失值，按值排序类别轴，按合适粒度重采样时间序列。
4. 构建与样式：统一色板，标注轴标签与图例，移除多余的网格线和边框，按输出介质设置画布尺寸。
5. 添加上下文：用标注、参考线或阴影区域突出关键点，在图上直接呈现汇总统计量。
6. 导出或展示：静态图表保存为 PNG 或 SVG，交互图表渲染为 HTML，打印用途设置 150+ DPI。

技术栈分工明确。 matplotlib 提供对每个视觉元素的底层控制；seaborn 以合理默认值快速生成统计图；plotly 与 plotly.express 负责带悬停、缩放、平移的交互式图表。

适用边界与注意点

该技能适合结构化数据的常规可视化场景。遇到以下情况需要额外判断：

• 类别过多：柱状图超过十五个类别时，只展示 Top N 并将其余归入 "Other"，或改用树状图。
• 散点图点重叠：用透明度、抖动或六边形分箱 / 二维密度图处理数千个重叠点。
• 轴标签过长：旋转 45 度、用省略号截断，或改用水平柱状图。
• 缺失值：小幅缺口（1–2 个点）可线性插值并用虚线标记，较大缺口直接断线。
• 极端偏态：使用对数坐标轴，并在轴标签中注明变换。

此外，图表类型应由分析问题决定，而不是由审美偏好决定；颜色类别限制在七个以内，超出时改用分面或小倍数图；默认使用色盲友好色板如 viridis、cividis 或 ColorBrewer 定性色系。