以下是一些常见的数据可视化工具：
在实际应用中，选择工具应根据具体需求和项目特点来决定。例如，如果需要进行基础的数据可视化和详细的样式定制，Matplotlib 是不错的选择；若追求更美观和便捷的绘图方式，Seaborn 可能更合适；而对于需要创建交互式图表的场景，Plotly 则能发挥优势。
数据可视化（Matplotlib）基础绘图：plt.subplots()：创建画布和坐标轴。ax.bar()绘制柱状图，ax.plot()绘制折线图。双Y轴：ax1.twinx()：创建共享X轴的右侧Y轴。设置不同轴的颜色和标签：ax.set_ylabel(color='...')。样式调整：颜色（color）、透明度（alpha）、线型（linestyle）、线宽（linewidth）。图例合并：ax.legend([lines],[labels],loc='...')。日期优化：fig.autofmt_xdate(rotation=45)：旋转日期标签。plt.tight_layout()：自动调整子图间距。多子图布局：plt.subplots(4,1,sharex=True)：创建4行1列的子图并共享X轴。时间序列分析移动平均滤波：rolling(window=3,center=True,min_periods=1).mean()：滚动窗口计算移动平均。STL分解：STL(series,period=12)：初始化STL分解模型。fit()方法拟合模型，提取趋势项（res.trend）和季节性项（res.seasonal）。
本实践课程为湖南大学刘泽楚编写[heading3]本实践材料[content]为了帮助编程初学者们更轻松地学习本文内容、上手实践项目，推荐使用豆包MarsCode编程助手获得技术支持，同时也可以使用豆包MarsCode助教寻求问题解答。豆包MarCode编程助手：豆包MarsCode助教：https://doubao.com/bot/ycPXsB5d数据集下载请点击链接：https://www.kaggle.com/c/titanic[heading3]本实验需要的语法基础[content]Python基础与环境配置Python语法基础：变量、数据类型、函数、模块导入（import）包管理工具：需通过pip安装pandas,seaborn,matplotlib库。开发环境：代码适合在Jupyter Notebook或IDE（如PyCharm,VS Code）中运行。数据处理基础（Pandas）读取数据：pd.read_csv()数据分组：groupby（）计算分组元素数量：size()数据重塑：unstack()数据可视化（Matplotlib）创建画布和坐标轴：plt.subplots()绘制柱状图：plot(kind='bar')显示图例：plt.legend()显示图表：plt.show()
导入依赖库：MarsCode提示词：pandas：数据处理seaborn和matplotlib：数据可视化scikit-learn：加载内置数据集加载数据集：iris.data：特征数据（4列，共150条样本）iris.target：类别标签（0,1,2）[heading5]数据预处理[content]构建DataFrame：MarsCode提示词：将NumPy数组转换为Pandas DataFrame，添加特征名称新增target列存储类别标签标签映射：将数值标签（0/1/2）转换为可读的类别名称[heading5]数据可视化[content]设置绘图风格：whitegrid：启用白色背景与网格线，提升图表可读性。绘制小提琴图矩阵：参数说明：x='target'：横轴为鸢尾花类别。y：纵轴为不同特征值。data=df：指定数据源。小提琴图解读：宽度表示数据分布密度，中间白点为中位数，黑色粗线为四分位范围（IQR）。图表美化：添加标题、坐标轴标签，并显示图表。