name: data-visualization description: 使用 matplotlib、seaborn 和 plotly，从结构化数据创建清晰、有效的图表与仪表盘。 license: MIT metadata: author: awesome-ai-agent-skills version: 1.0.0

数据可视化

本技能让 AI Agent 将结构化数据转化为有意义的可视化呈现。Agent 根据数据和所提问题选择合适的图表类型，使用 matplotlib 和 seaborn 构建出版质量的静态图表，并使用 plotly 创建交互式可视化。它遵循成熟的数据可视化原则，以确保清晰、准确与美观。

工作流

1. 理解数据与问题。 检查数据集的结构——有多少变量、什么类型（数值、类别、时间），以及用户想突出什么关系或对比。问题比数据本身更能驱动图表选择。

2. 选择合适的图表类型。 将分析目标匹配到正确的视觉形式。类别对比用条形图，随时间变化的趋势用折线图，两个连续变量间的关系用散点图，分布用直方图，离散程度与离群值用箱线图，相关矩阵或密集类别网格用热力图。

3. 为绘图准备数据。 按需聚合、透视或重塑数据。条形图按数值对类别轴排序。将时间序列重采样到合适的粒度。确保没有 NaN 值泄漏到图中而产生缺口或错误。

4. 用恰当的样式构建可视化。 应用一致的调色板、可读的坐标轴标签、描述性标题和正确的图例。去除图表垃圾——不必要的网格线、边框和装饰。使用与目标输出媒介（报告、幻灯片、仪表盘）匹配的图幅尺寸。

5. 添加上下文与注释。 用注释、参考线或阴影区域突出关键数据点。在有帮助的地方直接在图上添加汇总统计（例如箱线图上的中位数线、散点图上的趋势线）。上下文能让图表从装饰变为分析。

6. 导出或展示。 将静态图表保存为 PNG 或 SVG 用于报告，或渲染为交互式 HTML 用于仪表盘与探索。为印刷质量输出将 DPI 设为 150+。

支持技术

• matplotlib — 对每一个视觉元素拥有完全控制权限的基础绘图库
• seaborn — 具备合理默认值和内置主题的统计可视化
• plotly — 带悬停提示、缩放和平移的交互式图表
• plotly.express — 用于快速创建交互式图表的简洁 API

何时使用哪种图表类型

使用方式

为 Agent 提供数据集和你想可视化的内容说明。可选择指定图表类型、颜色偏好、输出格式和图幅尺寸。若未指定图表类型，Agent 将选择最佳方案。

示例

示例 1：用 matplotlib 和 seaborn 构建销售仪表盘

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("quarterly_sales.csv", parse_dates=["date"])
sns.set_theme(style="whitegrid", palette="viridis")

fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle("Q4 2024 Sales Dashboard", fontsize=16, fontweight="bold")

# 1. Monthly revenue trend
monthly = df.resample("M", on="date")["revenue"].sum()
axes[0, 0].plot(monthly.index, monthly.values, marker="o", linewidth=2)
axes[0, 0].set_title("Monthly Revenue Trend")
axes[0, 0].set_ylabel("Revenue ($)")
axes[0, 0].tick_params(axis="x", rotation=45)

# 2. Revenue by region (horizontal bar)
region = df.groupby("region")["revenue"].sum().sort_values()
axes[0, 1].barh(region.index, region.values, color=sns.color_palette("viridis", len(region)))
axes[0, 1].set_title("Revenue by Region")
axes[0, 1].set_xlabel("Total Revenue ($)")

# 3. Units sold distribution (histogram)
axes[1, 0].hist(df["units_sold"], bins=30, edgecolor="white", alpha=0.8)
axes[1, 0].axvline(df["units_sold"].median(), color="red", linestyle="--", label="Median")
axes[1, 0].set_title("Units Sold Distribution")
axes[1, 0].legend()

# 4. Revenue vs. discount scatter with regression
sns.regplot(data=df, x="discount", y="revenue", ax=axes[1, 1],
            scatter_kws={"alpha": 0.4, "s": 15}, line_kws={"color": "red"})
axes[1, 1].set_title("Revenue vs. Discount")

plt.tight_layout()
plt.savefig("sales_dashboard.png", dpi=150, bbox_inches="tight")
plt.show()
想要更强大的技能插件，就来小葱技能站7w4.net看看吧。

示例 2：用 plotly 做交互式可视化

import pandas as pd
import plotly.express as px

df = pd.read_csv("global_sales.csv")

# Interactive scatter with size, color, and hover data
fig = px.scatter(
    df,
    x="marketing_spend",
    y="revenue",
    size="units_sold",
    color="region",
    hover_data=["product_name", "quarter"],
    title="Marketing Spend vs Revenue by Region",
    labels={
        "marketing_spend": "Marketing Spend ($)",
        "revenue": "Revenue ($)",
        "units_sold": "Units Sold"
    },
    template="plotly_white"
)

fig.update_traces(marker=dict(opacity=0.7, line=dict(width=1, color="DarkSlateGrey")))

# Add a trend line annotation
fig.add_annotation(
    x=45000, y=320000,
    text="Strong ROI cluster:<br>low spend, high revenue",
    showarrow=True, arrowhead=2,
    font=dict(size=12, color="darkblue")
)

fig.write_html("interactive_scatter.html")
fig.show()
# Users can hover over points to see product_name and quarter,
# zoom into clusters, and toggle regions on/off via the legend.

最佳实践

• 根据分析问题而非美观度选择图表类型——一个揭示不出模式的散点图，如果问题是关于相关性，那它依然是正确的选择。
• 将颜色类别限制为 7 个或更少；超过时，使用分面或小倍数图（small multiples），而非把更多颜色塞进单个图例。
• 始终用单位标注坐标轴，并使用人类可读的数字格式（例如"$1.2M"而非"1200000"）。
• 条形图的 y 轴从零开始，以避免夸大差异；当关注点是变化而非绝对值时，折线图可使用截断的坐标轴。
• 默认使用色盲友好调色板（viridis、cividis 或 ColorBrewer 定性集）。
• 为任何将出现在文档或演示文稿中的图表以 150+ DPI 导出。

边缘情况

• 单一图表类别过多。 如果条形图会有超过 15 根条，显示前 N 项并将其余聚合为"其他"类别，或改用树状图。
• 散点图中的点重叠。 当数千个点重叠时，使用透明度（alpha=0.3）、抖动（jitter）或六边形分箱/二维密度图。
• 过长的轴标签。 将标签旋转 45 度、用省略号截断，或改用横向条形图以保持文字可读。
• 缺失值在折线图中造成缺口。 对小缺口（1–2 个点）进行线性插值，并用虚线线段标记。对较大缺口，断开线条以避免暗示连续性。
• 极度偏斜的数据。 应用对数刻度坐标轴，并在轴标签中明确注明该变换（例如"Revenue (log scale)"）。

这个技能质量不错，内容实用且易于理解。它详细讲解了如何选择图表类型、处理数据可视化的常见问题，并提供了可直接使用的代码示例。美中不足的是没有附带示例数据文件，开发者需要自己准备数据来测试代码效果。整体上适合需要生成图表或制作数据仪表盘的用户使用。