Python数据可视化实战：常用统计图场景与matplotlib避坑指南

拿到一批数据，想用Python画个图看看分布和趋势，结果代码跑通了一看又丑又乱，这是很多朋友初学可视化时的共同经历。我最早接触matplotlib时也踩过不少坑，折腾一阵才发现：统计图的坑大多不在语法上——做错选择、参数没配好、把不该画的图画错了才是问题。所以这篇东西不打算按API文档那样逐条列，而是把常用统计图的适用场景、源代码实现、输出效果含义和避坑经验放在一起，做成一个“查表即用”的汇总。内容覆盖matplotlib、seaborn和pandas自带绘图，基于我实际项目中经常用到的场景来写。无论你是刚接触Python数据分析，还是已经有基础但总在出图上卡壳，照着代码走一遍，应该能解决你八成以上的画图需求。

1. 画图前先想明白：常见统计图到底在解决什么问题

1.1 选择图表不是看哪个“好看”，而是看你想表达什么

我见过不少新手一上来就用折线图，结果X轴根本不是连续型数据，画出来跟心电图似的毫无意义。选统计图的核心逻辑只有一条：先确定你的数据是什么类型，再确定你想让读者看到什么结论。比如你想看一个变量的分布是否集中，直方图比其他图都直接；想比较几个类别的数值高低，柱状图最清楚；想观察两个变量之间的相关关系，散点图永远是最佳起点。

拿我自己的经验举例：做销售数据分析时，团队里经常有人问“本月各区域的销售额差距大不大”，这种问题就应该画箱线图，它把最小值、下四分位、中位数、上四分位、最大值全部压缩在一张图里，分布形态和异常点一览无余。如果只是随便画个柱状图，就只能看到每个点的高低，看不到背后的离散程度，信息损耗非常严重。

1.2 六种常用统计图的适用场景速查表

这张表是我自己整理后一直保存在笔记里的，每次画图前都会先过一遍：

需要特别说明的是饼图。很多可视化专家不推荐饼图，因为人眼对面积的感知并不精确，当类别超过5个或者占比差异不明显时，饼图就会变得很难读。我个人的建议是：分类不超过5个、且只看占比时用饼图没问题；一旦涉及精确对比，还是回归柱状图，或者用环形图来改善可读性。

2. matplotlib快速上手：一张图背后的三层结构

2.1 Figure（画板）、Axes（画纸）、Axis（刻度）的分工

很多教程一上来就甩plt.plot()，不是说不能用，但如果你不理解背后结构，后面做子图、调坐标轴就会一头雾水。换个生活化的说法：Figure 是整个大白板，Axes 是白板上的一张张画纸，Axis 是画纸边缘的刻度尺。一张画板上可以贴多张画纸区分不同图表，每张画纸各自带上下左右四把刻度尺。

下意识去看下面的骨架代码，几乎所有matplotlib自定义操作都能落在这三层的任一层上：

import matplotlib.pyplot as plt # 创建一个画板figure，以及里面的1行1列第1张画纸axes fig, ax = plt.subplots(figsize=(8, 5)) # 在这张画纸上画线 ax.plot([1, 2, 3, 4], [10, 20, 15, 30]) # 修改这张画纸的标题和坐标轴标签 ax.set_title("示例折线图") ax.set_xlabel("时间点") ax.set_ylabel("数值") # 展示画板 plt.show()

这里的 ax 对象才是你真正打交道的对象，它拥有plot、scatter、bar、hist、boxplot等全套绘图方法。之前用plt.xxx系列函数其实是一个简洁入口，背后仍然会创建 Figure 和 Axes，只是隐藏了细节。理解这层差异之后，你会发现复杂的论文图、商业报告图其实都是由多个Axes组合出来的。

2.2 基础配置：字体、画布尺寸、分辨率和风格

代码写得再漂亮，图一出来全是方块字，这是中文系统的经典问题。根本原因是matplotlib默认字体里没有中文字符。我的惯例是每次写分析脚本时，头几行固定填一份字体配置：

import matplotlib.pyplot as plt # 微软雅黑在Windows系统下很常见，Linux服务器上可换成文泉驿或Noto Sans CJK plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei", "WenQuanYi Zen Hei"] plt.rcParams["axes.unicode_minus"] = False # 解决负号显示成方块的问题

两个参数一个管字体回退，一个管负号正常显示，建议直接放到脚本首部，全局生效。画布尺寸和分辨率我会在创建画板时一并处理：

fig, ax = plt.subplots(figsize=(10, 6), dpi=100)

• figsize 单位是英寸，横向10英寸、纵向6英寸，约等于4:3的宽高比，适合大多数场景。如果用默认值(6.4, 4.8)，图一旦挤字段就会被拉得很憋屈。
• dpi 是每英寸点数，屏幕展示100就够了，要打印或者放论文里建议调到200以上，线条和文字才不会发虚。

风格上matplotlib提供了几个内置主题，plt.style.use("ggplot")是深色背景、网格线条风格，"seaborn-v0_8-whitegrid"比较清爽，我日常用白底网格居多，因为网格线能帮读者更快对齐数值。

2.3 一步到位的保存图片技巧

保存图片时用plt.savefig()而不是截图，可以保证尺寸和分辨率完全可控。注意这个操作要在plt.show()之前或者在同一个画布仍然存活的时候做，否则可能存到空文件。我常用的写法是：

fig.savefig("output/销售趋势图.png", dpi=200, bbox_inches="tight")

bbox_inches="tight"会自动裁剪掉多余白边，让图片四周贴合坐标轴和标题，发到文档里不会留一大片空白。

3. 常见统计图的源代码示例与效果解读

3.1 折线图：趋势与时间序列的主场

折线图的核心场景是连续变量随时间或顺序变化。我用一份模拟的月度销售额数据来做演示。直接从pandas生成DataFrame，然后用matplotlib画图，这是实际工作中最高频的流程：

import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei"] plt.rcParams["axes.unicode_minus"] = False # 构造数据：12个月，模拟递增趋势加一点波动 months = [f"{i}月" for i in range(1, 13)] sales = [12.5, 13.8, 15.2, 14.7, 16.9, 18.3, 19.6, 20.1, 21.5, 23.8, 25.2, 27.6] df = pd.DataFrame({"月份": months, "销售额": sales}) fig, ax = plt.subplots(figsize=(10, 5)) ax.plot(df["月份"], df["销售额"], marker="o", linewidth=2, label="月销售额") ax.set_title("2024年月度销售额趋势", fontsize=15) ax.set_xlabel("月份") ax.set_ylabel("销售额（万元）") ax.grid(True, linestyle="--", alpha=0.5) ax.legend() fig.tight_layout() plt.show()

代码其实不难，关键点有三个：

• marker="o"让每个数据点上显示圆点标记，不然只有一根线，读者很难对应具体数值。
• linewidth=2加粗曲线，小尺寸预览时也能看清走势。
• grid(True, linestyle="--", alpha=0.5)加虚线网格，透明度不要太高，否则喧宾夺主。

从输出图里，读者第一眼能抓住的是销售额大体在持续上升，中间4月出现一次小回落，之后保持涨势。这就是折线图最擅长的事情——趋势比具体数值更醒目。如果图里有多个系列，要记得用label区分，并补上ax.legend()图例，否则多条线会混成一团。

3.2 柱状图：类别对比的第一选择

柱状图适合横轴是非连续类别、纵轴是数值的对比场景。还是用销售数据，这次看各产品线的销量对比如下：

categories = ["手机", "笔记本", "平板", "耳机", "智能手表"] quantities = [320, 245, 187, 510, 268] fig, ax = plt.subplots(figsize=(9, 5)) # 用不同的温和颜色填充，并去除柱子边框 bars = ax.bar(categories, quantities, color=["#5B9BD5", "#ED7D31", "#A5A5A5", "#70AD47", "#FFC000"]) # 数据标签：在每根柱子上方显示数值 for bar in bars: height = bar.get_height() ax.text(bar.get_x() + bar.get_width()/2, height + 8, f"{height}", ha="center", va="bottom", fontsize=10) ax.set_title("各产品线季度销量对比", fontsize=15) ax.set_ylabel("销量（件）") ax.grid(axis="y", linestyle="--", alpha=0.5) plt.show()

这个例子加入了两个实用增强：

• 每根柱子顶部用ax.text()标出数值，省去读者从坐标轴反推数值的麻烦。bar.get_x()拿到柱子左下角x坐标，再加上bar.get_width()/2就能定位到柱子正中线上方。
• grid(axis="y")只画水平网格线，竖线省去，版面看起来更干净。

柱状图最常见的错误有三个：柱宽设置不合理导致柱子之间挤压或过疏；颜色太花哨导致视觉焦点分散；类别顺序没有排序，导致读者看不出高低规律。我的经验是：如果不是要刻意按自然顺序（比如月份）展示，最好按数值从高到低排序再画。排过序的柱状图信息传递效率远高于乱序。

3.3 散点图：关联关系的侦察兵

散点图用来判断两个连续变量是否相关。之前做过一次广告投入和销售额的关系分析，数据是模拟的，但规律很典型：

np.random.seed(42) n = 80 ad_spend = np.random.uniform(5, 60, n) # 广告投入，万元 sales = 8 + 1.8 * ad_spend + np.random.normal(0, 6, n) # 销售额，万元 fig, ax = plt.subplots(figsize=(8, 6)) ax.scatter(ad_spend, sales, alpha=0.7, s=40, edgecolor="white", linewidth=0.5) ax.set_title("广告投入与销售额的散点图", fontsize=15) ax.set_xlabel("广告投入（万元）") ax.set_ylabel("销售额（万元）") # 拟合一条回归线，看更直观 slope, intercept = np.polyfit(ad_spend, sales, 1) x_fit = np.linspace(ad_spend.min(), ad_spend.max(), 50) ax.plot(x_fit, slope * x_fit + intercept, color="red", linestyle="--", linewidth=2) plt.show()

np.random.seed(42)的作用是让随机序列可复现，你跑代码也能得到同样的点，这是数据分析和教学演示的好习惯。

从散点图上可以直观看出：数据点沿着左下到右上的方向聚集，说明广告投入和销售额正相关。我再用np.polyfit做了一阶多项式拟合，把趋势线叠加到图上，这种叠加会让相关性更加清晰。alpha=0.7控制点透明度，数据点重叠多的时候，透明度的价值非常明显——不透明的点叠在一起就是一团黑，透明的点能看出浓度差异。

3.4 直方图与密度图：分布形态的X光片

当你想了解一个变量的分布是否均匀、是否偏向某一侧、是否存在异常峰，直方图是最直接的。比如分析用户在线时长的分布，用模拟数据演示：

np.random.seed(7) session_minutes = np.concatenate([ np.random.normal(25, 8, 400), # 主体用户集中在25分钟左右 np.random.normal(65, 10, 50) # 少数重度用户集中在65分钟左右 ]) fig, ax = plt.subplots(figsize=(9, 5)) ax.hist(session_minutes, bins=25, color="#70AD47", alpha=0.7, edgecolor="white") ax.set_title("用户在线时长分布直方图", fontsize=15) ax.set_xlabel("在线时长（分钟）") ax.set_ylabel("用户人数") plt.show()

bins=25表示把数据分成25个区间。bins选的过大，直方图会变成锯齿状；选得过小，又看不清细节。我个人经验是“小数据量区间尽量少于样本量的平方根，大数据量用30-50个区间基本不会翻车”。从上图可以明显看出一个主峰值和一个次峰值，说明用户群里存在两种截然不同的使用习惯——这就是直方图的发现能力。

如果想看更平滑的分布曲线，可以叠加核密度估计。seaborn对这类任务支持非常好：

import seaborn as sns sns.set_theme(style="whitegrid") fig, ax = plt.subplots(figsize=(9, 5)) sns.histplot(session_minutes, bins=25, kde=True, color="#4472C4", ax=ax) ax.set_title("用户在线时长分布（直方图+密度曲线）", fontsize=15) ax.set_xlabel("在线时长（分钟）") ax.set_ylabel("频数 / 密度") plt.show()

注意直方图和密度图在y轴单位上不一样：直方图统计的是落在每个区间的样本数，密度曲线下的总面积是1。所以如果两个图画在同一张图上，y轴刻度不能直接互通阅读，读者只需要看图形态、不需要读具体数值时问题不大，做正式的汇报图时需要留意这一点。

3.5 箱线图：分布和异常值一网打尽

箱线图一个盒子就把中位数、四分位数范围、异常值全部交代清楚了。它特别适合“类别对比+分布差异”的组合场景。比如按不同运营方案对比用户转化率：

np.random.seed(10) # 三个方案的转化率数据（%） plan_a = np.random.normal(5.8, 1.2, 60) plan_b = np.random.normal(6.5, 2.0, 60) plan_c = np.random.normal(6.0, 1.5, 60) fig, ax = plt.subplots(figsize=(8, 6)) data = [plan_a, plan_b, plan_c] # patch_artist=True 让箱子填充颜色 bp = ax.boxplot(data, labels=["方案A", "方案B", "方案C"], patch_artist=True, showmeans=True) colors = ["#ED7D31", "#5B9BD5", "#70AD47"] for patch, color in zip(bp["boxes"], colors): patch.set_facecolor(color) patch.set_alpha(0.7) ax.set_title("不同运营方案的用户转化率分布", fontsize=15) ax.set_ylabel("转化率（%）") plt.show()

逐段解释这个箱线图的读法：

• 每个箱子中间那根横线是中位数；如果它在箱子中间偏上或偏下，说明数据分布不对称。
• 箱子上下边缘是上下四分位数，箱子高度就是四分位距，反映中间50%的数据有多分散。
• 箱子外伸出的“须”一直延伸到非异常边界，再远一点的圆点就是异常值。
• 我在参数里加了showmeans=True，箱子里的三角形标记就是均值。中位数和均值的位置关系，能很快告诉你数据是否有偏态。

方案B的箱子明显比方案A高，说明B的转化率总体上更高；但B的箱子也更长，说明B的稳定性稍差、波动更大。这种信息用柱状图根本看不出来，这就是箱线图不可替代的地方。

3.6 饼图与环形图：占比展示的正确姿势

饼图虽然经常被吐槽，但用于少数类别的占比展示时，直观度确实无可替代。我用环形图版本，它比传统饼图好在中心可以留白放重点文字，视觉上更清爽：

labels = ["国产剧", "综艺", "动画", "纪录片", "其他"] shares = [42, 28, 15, 10, 5] fig, ax = plt.subplots(figsize=(7, 7)) # 生成环形图：wedgeprops里设宽度 wedges, texts, autotexts = ax.pie( shares, labels=labels, autopct="%.1f%%", startangle=90, counterclock=False, wedgeprops={"width": 0.45, "edgecolor": "white"} ) ax.set_title("平台内容播放时长占比", fontsize=15) # 让每个占比标签稍微往外挪一点，避免贴字 for text in autotexts: text.set_fontsize(11) text.set_color("white") plt.show()

控制为一个环形再在中心添加文字是常用做法：

ax.text(0, 0, "总计\n100%", ha="center", va="center", fontsize=13, fontweight="bold")

注意饼图的几个雷区：

• 各部分之和必须是100%（或归一化成百分比）。
• 分类不要超过5个，“其他”兜底是好习惯。
• 如果有“确实占比极小”的分类，比如1%，画出来就是一条细线，读了等于没读，建议直接并入“其他”。
• startangle=90是从12点钟方向开始排布，counterclock=False控制方向，两者结合可以让最大的扇区从顶部开始，符合阅读习惯。

4. 多图组合与细节增强：让图表从“能看”到“耐看”

4.1 子图布局：一张大图讲清一个完整故事

分析报告里，一张图讲一件事是理想状态，但有时候你需要把同一组数据的不同侧面放在一起对比。用subplots创建多行多列的子图网格，是很成熟的做法。比如把销量趋势、渠道占比和用户分布放在一张大画板上：

fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # 左上：折线趋势 axes[0, 0].plot(months, sales, marker="o", color="#5B9BD5") axes[0, 0].set_title("月度销售趋势") # 右上：渠道占比柱状图 axes[0, 1].bar(["直营", "代理", "电商"], [260, 180, 320], color=["#ED7D31", "#A5A5A5", "#70AD47"]) axes[0, 1].set_title("渠道销量对比") # 左下：用户在线时长分布直方图 axes[1, 0].hist(session_minutes, bins=20, color="#4472C4", alpha=0.7) axes[1, 0].set_title("用户时长分布") # 右下：转化率箱线图 axes[1, 1].boxplot(data, labels=["A", "B", "C"]) axes[1, 1].set_title("转化率分布") fig.tight_layout() plt.show()

axes[0, 0]这种索引方式对应2行2列的四个子图位置。每个子图都是独立的Axes对象，可以分别调用各自的绘图方法和设置函数。fig.tight_layout()特别重要，它自动调整子图之间的间距，避免标题和坐标轴重叠。共同标题可以用fig.suptitle()加在整个大画板上方。

4.2 双Y轴：两组不同量纲的数据画在一张图上

当你想对比销售额和利润率这两个量纲完全不同的指标时，双Y轴是实用方案。比如看“销售额涨了多少”和“利润率变化”是否同步：

fig, ax1 = plt.subplots(figsize=(10, 5)) x = np.arange(1, 13) sales_values = [120, 135, 148, 141, 160, 175, 189, 195, 210, 232, 248, 265] profit_rates = [12.1, 12.5, 11.8, 12.3, 12.9, 12.2, 11.5, 11.2, 10.8, 11.0, 10.5, 10.2] # 左轴画柱状图 ax1.bar(x, sales_values, color="#5B9BD5", alpha=0.7, label="销售额") ax1.set_xlabel("月份") ax1.set_ylabel("销售额（万元）", color="#5B9BD5") # 创建共享x轴的第二个坐标轴 ax2 = ax1.twinx() ax2.plot(x, profit_rates, color="#ED7D31", marker="o", linewidth=2, label="利润率") ax2.set_ylabel("利润率（%）", color="#ED7D31") plt.show()

twinx()会创建一个和原轴共享x坐标、但y轴独立的新坐标轴。这样销售额柱状图用左轴刻度，利润率折线用右轴刻度，互不干扰。不过要提醒一句：双Y轴有时候会误导读者，如果两边的起始刻度范围差异过大，视觉上的“高低对比”可能会失真。所以除非两组数据量纲确实完全不同，否则优先考虑分两个子图并排展示，更稳妥。

4.3 seaborn一行代码提升图表档次

如果你的数据是规整的DataFrame，那seaborn在很多场景下能带来观赏性和信息量的双重提升。它的核心优势是对数据框友好——data=df加上列名就能干活。以散点趋势和箱线图为例：

import seaborn as sns # 保持中文字体设置 plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei"] plt.rcParams["axes.unicode_minus"] = False df = pd.DataFrame({ "广告投入": ad_spend, "销售额": sales }) fig, ax = plt.subplots(figsize=(9, 6)) sns.regplot(data=df, x="广告投入", y="销售额", scatter_kws={"alpha": 0.6, "s": 45}, line_kws={"color": "red", "linestyle": "--"}, ax=ax) ax.set_title("广告投入 vs 销售额（seaborn回归图）", fontsize=15) plt.show()

regplot自动完成“散点+线性回归线+置信区间带”，在很多分析报告里，单靠这一张图就能替代“散点图+相关检验”两步工作。seaborn还有pairplot，对一个多列DataFrame一次性生成所有两两变量的散点图和分布图，数据探索阶段尤其好用：

tips = sns.load_dataset("tips") sns.pairplot(tips, hue="day", palette="Set2") plt.show()

运行出来会是一张大型矩阵图，主对角线是每个变量的直方图，其他位置是两两散点图，并按day这个类别着色。五分钟之内你就能大概了解整个数据集的变量关系和分组差异，比逐个画图高效太多。

5. 常见问题排查与独家避坑技巧

5.1 中文乱码或负号显示方块

这是最常遇到的问题，原因和解决办法都很统一：matplotlib默认字体库不含中文字形，负号又用了特殊的Unicode字符。处理方法就是文章开头那两行rcParams设置。我汇总一下可能的情况：

设置字体后如果还不行，可以用matplotlib.font_manager手动定位字体文件路径：

import matplotlib.font_manager as fm font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc" # 以实际路径为准 my_font = fm.FontProperties(fname=font_path) fig, ax = plt.subplots() ax.set_title("中文标题", fontproperties=my_font) plt.show()

这种方式适合字体文件路径明确的场景，不会因为rcParams没生效而抓狂。

5.2 横坐标标签太密集

画折线或者柱状图时，如果x轴有几百个类别，默认设置会把所有标签叠在一起，完全没法看。我的经验是分情况处理：如果x轴本身就是时间序列，可以直接用plt.xticks(rotation=45)旋转角度；如果标签实在太多，就手动指定一部分刻度显示：

# 假设有100个日期 x_dates = pd.date_range("2024-01-01", periods=100, freq="D") values = np.random.randn(100).cumsum() fig, ax = plt.subplots(figsize=(12, 5)) ax.plot(x_dates, values) # 只显示第0、20、40、60、80天的刻度 ticks = x_dates[::20] ax.set_xticks(ticks) ax.set_xticklabels([d.strftime("%Y-%m-%d") for d in ticks], rotation=30) plt.show()

x_dates[::20]是Python切片的步长取法，每隔20天取一个刻度，100天就只剩6个刻度。同时把日期格式化成2024-01-01的样子并旋转30度，基本不会再有文字重叠问题。如果你的分析目标是看长期趋势而非每一天的具体波动，还可以用pd.date_range的resample("ME")或resample("W")把数据聚合到月/周级别再画，效果更干净。

5.3 柱状图类别顺序不对或不按预期排序

pandas、matplotlib对类别顺序的处理规则不一样，导致同样的数据有时顺序错乱。如果你是直接传字符串列表给bar，顺序一般就是列表顺序；但如果你用df.plot(kind="bar")，x轴顺序则是DataFrame原有行顺序，排序后画图更容易表达“哪个最高”：

df_sorted = df.sort_values("销售额", ascending=False) fig, ax = plt.subplots(figsize=(9, 5)) ax.bar(df_sorted["月份"], df_sorted["销售额"], color="#70AD47") ax.set_title("按销售额降序排列") ax.tick_params(axis="x", rotation=45) plt.show()

如果想固定自然顺序（比如月份1-12），用pd.Categorical指定categories即可。这种情况在使用seaborn的barplot时需要特别注意，因为它的order参数要显式传：

sns.barplot(data=df, x="月份", y="销售额", order=moths_order)

5.4 数据点太多导致图糊成一团

当你有几万甚至几百万个数据点的时候，普通散点图会渲染成一片实色，看不出密度差异。这种情况我有两个处理方向：

• 一是用alpha降低透明度，让重叠区域颜色更深，视觉上产生密度层次感。
• 二是改用sns.kdeplot或hexbin绘制密度图。hexbin把平面划分成六边形格子，每个格子里的点数用颜色深浅表示，大数据量下效果远胜散点。

fig, ax = plt.subplots(figsize=(8, 6)) hb = ax.hexbin(ad_spend, sales, gridsize=30, cmap="YlOrRd") fig.colorbar(hb, ax=ax, label="数据点数量") ax.set_title("广告投入与销售额密度图（hexbin）") ax.set_xlabel("广告投入（万元）") ax.set_ylabel("销售额（万元）") plt.show()

gridsize=30控制网格粗细，cmap="YlOrRd"控制颜色渐变。用上这个方案，即使10万量级的数据点也能在数秒内渲染出清晰的分布形态。

5.5 画图时使用现成代码模板，减少重复劳动

多画几次之后你会发现自己常用的就那么几种组合。我自己会维护一个plotting_templates.py文件，里面写好封装的函数，比如quick_line(df, x, y)、quick_bar(df, x, y, title)、quick_hist(series, bins)等。每次有新需求，直接调用然后微调参数，出图速度能快一倍以上。顺手写一个空的骨架模板给你：

def quick_line(df, x_col, y_col, title="趋势图"): fig, ax = plt.subplots(figsize=(10, 5)) ax.plot(df[x_col], df[y_col], marker="o", linewidth=2) ax.set_title(title, fontsize=15) ax.set_xlabel(x_col) ax.set_ylabel(y_col) ax.grid(True, linestyle="--", alpha=0.5) fig.tight_layout() return fig, ax

封装之后，重复的东西不再重复，新手阶段可以先手写几遍理解原理，熟练之后再开始抽函数。

6. 最后再分享几个我踩过之后记住的经验

第一个关于数据准备。画图之前，务必先确认数据类型：时间列是不是datetime64，数值列是不是数值类型。我见过很多次df["月份"]是字符串类型，导致折线图的x轴顺序变成“1、10、11、12、2……”这种按字典序排序的乱序。最稳妥的做法是先运行df.info()或df.dtypes检查，数据类型不对就先用pd.to_datetime()或astype(float)转换。

第二个关于配色和可读性。默认的matplotlib配色表在板报和论文里都偏淡，但离“好读”仍有一定距离。没有设计基础的建议直接用seaborn的sns.set_theme()配色，或者参考颜色工具网站配一组主题色。每张图颜色最多4-5种，多一个维度就多一份脑力负担。分类超过6个的图，别硬用颜色区分，改用分组或面板图。

第三个关于交互式探索。静态matplotlib适合出报告，但你在做数据探索时，数据量一旦大起来，静态图看不过来会错过细节。推荐安装plotly，用一行plotly.express.scatter(df, x="广告投入", y="销售额", hover_data=["日期"])就能得到可缩放、可悬停查看详情的交互图。顺带一提，用Jupyter Notebook时，深度排查可以用%matplotlib widget把matplotlib自带的交互模式打开，缩放平移都很方便。

第四个关于机器学习模型的可视化。如果你除了统计图还做模型分析，建议把预测值、真实值、残差画成三张图放在一起对比：折线图看预测贴合程度、散点图看残差分布、直方图看残差是否集中在0附近。这套组合能快速判断模型是否存在系统性偏差，比看单一指标要直观很多。可视化本质上是探索数据、验证结论的外部工具，代码写得再顺，也不能离开“你想从数据里找什么”这个大前提。先把这个问题想清楚，再打开编辑器，你的图自然就有灵魂了。