哪些Python案例适合数据可视化？

本文目录导读：

1. 入门级：快速上手（Matplotlib + Seaborn）
2. 进阶级：交互与动态（Plotly + Bokeh）
3. 高级与专业级（Geopandas + 3D）
4. 💡 案例选择建议

Python数据可视化的经典案例非常丰富，从基础统计到地理信息、实时数据流都有涉及，以下按难度和场景分类，推荐10个极具代表性的案例,并附上核心库和代码思路：

入门级：快速上手（Matplotlib + Seaborn）

股票K线图与均线

• 数据：Yahoo Finance 历史数据（yfinance 库）

• 场景：金融数据分析

• 核心代码：

  import yfinance as yf
  import matplotlib.pyplot as plt
  data = yf.download('AAPL', start='2023-01-01')
  data['Close'].plot(figsize=(12,6))  # 收盘价折线
  data['20 MA'] = data['Close'].rolling(20).mean()  # 20日均线
  plt.show()

鸢尾花散点矩阵

• 数据：sklearn.datasets.load_iris()

• 场景：探索性分析

• 核心代码：

  import seaborn as sns
  import pandas as pd
  df = pd.read_csv('iris.csv')
  sns.pairplot(df, hue='species', diag_kind='kde', markers=['o', 's', 'D'])
  plt.show()

美国GDP占比的饼图（带阴影）

• 数据：世界银行API

• 场景：比例构成

• 核心代码：

  import matplotlib.pyplot as plt
  sectors = ['服务业', '工业', '农业']
  sizes = [77, 20, 3]
  plt.pie(sizes, labels=sectors, autopct='%1.1f%%', shadow=True, startangle=90)

进阶级：交互与动态（Plotly + Bokeh）

实时房价热力图

• 数据：Kaggle 爱荷华州房价数据集

• 场景：相关性矩阵

• 核心代码：

  import plotly.express as px
  import pandas as pd
  df = pd.read_csv('house.csv')
  corr = df.corr()
  fig = px.imshow(corr, text_auto=True, color_continuous_scale='RdBu_r')
  fig.show()

纽约出租车GPS轨迹动画

• 数据：NYC Taxi 公开数据集（2003部分）

• 场景：时空轨迹可视化

• 核心代码：

  import plotly.graph_objects as go
  import pandas as pd
  df = pd.read_parquet('taxi.parquet')  # 需预处理好
  fig = go.Figure(
      data=go.Scattermapbox(
          lat=df['pickup_latitude'],
          lon=df['pickup_longitude'],
          mode='markers',
          marker={'size': 4, 'color': df['trip_distance'], 'colorscale': 'Viridis'}
      ),
      layout=go.Layout(mapbox_style='open-street-map')
  )
  fig.show()

全球疫情动态仪表盘（交互式）

• 数据：Johns Hopkins 数据集（在线CSV）

• 场景：仪表板制作

• 核心代码（基于 dash）：

  import dash
  import dash_core_components as dcc
  import dash_html_components as html
  import plotly.express as px
  df = px.data.gapminder()  # 示例数据
  app = dash.Dash()
  app.layout = html.Div([
      dcc.Graph(figure=px.choropleth(df, locations='iso_alpha', color='lifeExp'))
  ])
  if __name__ == '__main__':
      app.run_server(debug=True)

高级与专业级（Geopandas + 3D）

中国人口密度3D地形图

• 数据：全国县级人口数据 + 高程DEM

• 场景：地理信息叠加

• 核心代码（需 geopandas 和 matplotlib 3D）：

  import geopandas as gpd
  from mpl_toolkits.mplot3d import Axes3D
  data = gpd.read_file('county_pop.shp')
  fig = plt.figure()
  ax = fig.add_subplot(111, projection='3d')
  ax.bar3d(data['longitude'], data['latitude'], 0, 0.5, 0.5, data['population'])

网络爬虫+词云（微博热搜）

• 数据：实时爬取微博热搜API

• 场景：舆情分析

• 核心代码（需 wordcloud 和 jieba）：

  from wordcloud import WordCloud
  import jieba
  text = " ".join(jieba.cut("Python 数据可视化 案例 实践"))
  wc = WordCloud(font_path='simhei.ttf', background_color='white').generate(text)
  plt.imshow(wc)

机器学习决策边界可视化

• 数据：鸢尾花前两维特征

• 场景：模型解释

• 核心代码（使用 mlxtend.plotting）：

  from sklearn.svm import SVC
  from mlxtend.plotting import plot_decision_regions
  clf = SVC().fit(X_train, y_train)
  plot_decision_regions(X_train, y_train, clf=clf, legend=2)

金融风险VaR蒙特卡洛模拟

• 数据：模拟10000条收益率路径

• 场景：定量金融

• 核心代码：

  import numpy as np
  import matplotlib.pyplot as plt
  np.random.seed(42)
  paths = np.random.normal(0.001, 0.02, (1000, 252)).cumsum(axis=1)
  plt.plot(paths.T, alpha=0.1, color='b')
  plt.axhline(np.percentile(paths[:, -1], 5), color='r', lw=3)

💡 案例选择建议

学习路径：

1. 先跑通案例1-3，掌握 Pandas + Matplotlib/Seaborn 基础语法。
2. 用 Plotly 改造案例2或4,体验交互式过滤。
3. 尝试 Dash 搭建最简单的仪表板（案例6简化版）。
4. 根据实际数据（如疫情、销售、天气）组合上述代码。

这些案例涵盖了90%的常见可视化需求，建议从鸢尾花的散点矩阵和股票K线图开始,因为它们直观且数据易得。