超全的Python基础作图 | 散点/折线/柱状/箱线图/热图

1、散点图

excel中所用数据

1.1 散点图+回归线

importmatplotlib.pyplotaspltimportnumpyasnpimportpandasaspdfromscipyimportstatsfromstatsmodels.stats.multicompimportpairwise_tukeyhsdimportseabornassns# 字体设置plt.rcParams.update({'font.sans-serif':['SimSun'],'font.family':['Times New Roman'],'axes.unicode_minus':False})# plt.rcParams['For Sale Page'] = ['Times New Roman', 'SimSun']# excel数据读取file_path=r'F:\知乎\2025.12基础绘图\data.xlsx'sheet_name='散点图'df=pd.read_excel(file_path,sheet_name=sheet_name,skiprows=0)x,y=df['A'],df['B']# 画布设置fig,ax=plt.subplots(figsize=(15/2.54,10/2.54))# 单位 inch# 绘制散点ax.scatter(x,y,s=60,marker='s',color='lightblue',alpha=0.7,edgecolor='black',linewidths=0.8)# 计算回归参数slope,intercept,r_value,p_value,std_err=stats.linregress(x,y)y_pred=slope*x+intercept# 绘制回归线ax.plot(x,y_pred,color='red',linewidth=1,linestyle='--')# 添加回归方程和 R²、p 值textstr=(f"y = {slope:.3f}x + {intercept:.3f}\n"f"$R^2$ = {r_value**2:.3f}\n"f"p = {p_value:.3e}")ax.text(0.05,0.95,textstr,transform=ax.transAxes,fontsize=12,verticalalignment='top',bbox=dict(facecolor='white',alpha=0.6,edgecolor='none'))ax.tick_params(axis='both',labelsize=12,direction='in')ax.set_xlabel('A',fontsize=12)ax.set_ylabel('B',fontsize=12)ax.legend(frameon=False)# 保存图片plt.savefig('散点图-带回归线.jpg',dpi=300,bbox_inches='tight',facecolor='white')plt.show()

1.2 散点图+回归线+置信区间

importmatplotlib.pyplotaspltimportnumpyasnpimportpandasaspdfromscipyimportstatsfromstatsmodels.stats.multicompimportpairwise_tukeyhsdimportseabornassns# 字体设置plt.rcParams.update({'font.sans-serif':['SimHei'],'font.family':['Times New Roman'],'axes.unicode_minus':False})# excel数据读取file_path=r'F:\知乎\基础绘图\data.xlsx'sheet_name='散点图'df=pd.read_excel(file_path,sheet_name=sheet_name,skiprows=0)x,y=df['A'],df['B']# 画布设置fig,ax=plt.subplots(figsize=(15/2.54,10/2.54))sns.regplot(x=x,y=y,ci=95,ax=ax,scatter_kws={'s':80,'color':'lightblue','marker':'o','edgecolor':'black'},line_kws={'color':'lightblue','linewidth':2,'linestyle':'--'})ax.tick_params(axis='both',labelsize=12)slope,intercept,r_value,p_value,std_err=stats.linregress(x,y)textstr=(f"y = {slope:.3f}x + {intercept:.3f}\n"f"$R^2$ = {r_value**2:.3f}\n"f"p = {p_value:.3e}")# 添加回归方程   ax.text(0.05,0.95,textstr,transform=ax.transAxes,fontsize=14,verticalalignment='top',bbox=dict(facecolor='white',alpha=0.6,edgecolor='none'))plt.savefig('散点图置信区间加回归方程.jpg',dpi=300,bbox_inches='tight',facecolor='white')plt.show()

2、折线图

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdfrom scipy import statsfrom statsmodels.stats.multicomp import pairwise_tukeyhsdimport seaborn as sns# 字体设置plt.rcParams['font.family'] = ['Times New Roman', 'SimSun']plt.rcParams['axes.unicode_minus'] = Falsefile_path = r'F:\知乎\基础绘图\data.xlsx'sheet_name = "折线图"df = pd.read_excel(file_path, sheet_name=sheet_name, skiprows=0)x, y1,y2 = df['x'], df['A'],df['D']fig, ax = plt.subplots(figsize=(10/2.54, 8/2.54))ax1 = ax.twinx()   #双y轴设置ax.plot(x,y1,label="y1", linewidth=3,  marker='s', markersize=5, color="#97c3dd")ax1.plot(x,y2,label="y2", linewidth=3,  marker='s', markersize=5, color="#fc945d")ax.set_ylabel("y轴1", labelpad=10, size=15, fontweight='bold')ax1.set_ylabel("y轴2", labelpad=10, size=15, fontweight='bold')ax.set_xlabel("x轴", labelpad=10, size=15, fontweight='bold')ax1.set_ylim(100,200)ax.set_ylim(200,1000)for ax in [ax1, ax]:    ax.tick_params(axis='both', direction='in', length=6, width=1, labelsize=14)ax.legend( loc=(0.4,0.9),frameon=False,ncol=4,labelspacing=1.2)ax1.legend( loc=(0.2,0.9),frameon=False,ncol=4,labelspacing=1.2)plt.savefig('双坐标轴折线图.jpeg', dpi=300, bbox_inches='tight')

3、柱状图

3.1 简单柱状图+误差线

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdfrom statsmodels.stats.multicomp import pairwise_tukeyhsdplt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['font.family'] = ['Times New Roman', 'SimSun']X_VAR = 'x2'Y_VAR = 'y'file_path =r'F:\知乎\基础绘图\data.xlsx'data = pd.read_excel(file_path, sheet_name='柱状图', skiprows=0)stats_df = data.groupby(X_VAR)[Y_VAR].agg(['mean', 'std'])x_categories = stats_df.index.tolist()means = stats_df['mean'].valuesstds = stats_df['std'].valuesx = np.arange(len(x_categories))plt.figure(figsize=(10/2.54, 10/2.54))plt.bar(    x,    means,    yerr=stds,    capsize=3,    width=0.5,    color='#8FB2E5',    edgecolor='black',    error_kw={'elinewidth': 1, 'capthick': 1})plt.xticks(x, x_categories, fontsize=12)plt.ylabel(Y_VAR, fontsize=12)plt.tick_params(direction='in', labelsize=12)def tukey_cld_strict(tukey, means):    sorted_groups = means.sort_values(ascending=False).index.tolist()    all_groups = list(tukey.groupsunique)    sig = pd.DataFrame(        np.zeros((len(all_groups), len(all_groups)), dtype=bool),        index=all_groups,        columns=all_groups    )    k = 0    for i in range(len(all_groups) - 1):        for j in range(i + 1, len(all_groups)):            g1 = all_groups[i]            g2 = all_groups[j]            sig.loc[g1, g2] = tukey.reject[k]            sig.loc[g2, g1] = tukey.reject[k]            k += 1    letters = {}    current_letter = 'a'    for g in sorted_groups:        placed = False        for letter, gs in letters.items():            if all(not sig.loc[g, gg] for gg in gs):                gs.append(g)                placed = True                break        if not placed:            letters[current_letter] = [g]            current_letter = chr(ord(current_letter) + 1)    result = {}    for letter, gs in letters.items():        for g in gs:            result.setdefault(g, '')            result[g] += letter    return resulttukey = pairwise_tukeyhsd(    endog=data[Y_VAR],    groups=data[X_VAR],    alpha=0.05)means_for_letters = data.groupby(X_VAR)[Y_VAR].mean()letters = tukey_cld_strict(tukey, means_for_letters)for i, group in enumerate(x_categories):    plt.text(        x[i],        means[i] + stds[i],        letters[group],        ha='center',        va='bottom',        fontsize=12,        fontweight='bold'    )ylim = plt.ylim()plt.ylim(ylim[0], ylim[1] * 1.25)plt.savefig('简单柱状图_Tukey显著性.png', dpi=300, bbox_inches='tight')plt.show()

3.2 分组柱状图

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdfrom scipy import statsfrom statsmodels.stats.multicomp import pairwise_tukeyhsdfrom matplotlib.font_manager import FontPropertiesplt.rcParams['axes.unicode_minus'] = Falsefont = FontProperties(fname='C:/Windows/Fonts/simkai.ttf')file_path = r'F:\知乎\基础绘图\data.xlsx'data = pd.read_excel(file_path, sheet_name='柱状图', skiprows=0)agg_data = data.groupby(['x2', 'x1'])['y1'].agg(['mean', 'std']).unstack()x2_categories = agg_data.index.tolist()x1_categories = agg_data.columns.levels[1].tolist()bar_width = 0.35index = np.arange(len(x2_categories))width_cm = 10height_cm = 10width, height = width_cm / 2.54, height_cm / 2.54plt.figure(figsize=(width, height))bar_colors = ['#3498db', '#e74c3c']for i, x1 in enumerate(x1_categories):    means = agg_data[('mean', x1)]    stds = agg_data[('std', x1)]    plt.bar(        index + i * bar_width,        means,        bar_width,        color=bar_colors[i],        yerr=stds,        capsize=2,        label=f'{x1}',        error_kw={'ecolor': 'black', 'capthick': 1, 'elinewidth': 1}    )    plt.tick_params(        axis='both',        labelsize=12,        labelcolor='black',        direction='in'    )plt.xlabel('X2', fontsize=12)plt.ylabel('Y', fontsize=12)plt.xticks(index + bar_width / 2, x2_categories, fontsize=12)plt.legend(loc=(0.1, 0.8), fontsize=10)plt.savefig('分组柱状图-误差棒.png', dpi=300, bbox_inches='tight')plt.show()

3.3 柱状图+误差线+显著性分析

import matplotlib.pyplot as pltimport numpy as npimport pandas as pdfrom statsmodels.stats.multicomp import pairwise_tukeyhsdplt.rcParams['axes.unicode_minus'] = FalseX_MAIN = 'x2'X_GROUP = 'x1'Y_VAR = 'y1'file_path = r'F:\知乎\基础绘图\data.xlsx'data = pd.read_excel(file_path, sheet_name='柱状图', skiprows=0)agg_data = (    data    .groupby([X_MAIN, X_GROUP])[Y_VAR]    .agg(['mean', 'std'])    .unstack())x2_categories = agg_data.index.tolist()x1_categories = agg_data.columns.get_level_values(1).unique().tolist()bar_width = 0.35index = np.arange(len(x2_categories))bar_colors = ['#3498db', '#e74c3c']plt.figure(figsize=(10/2.54, 10/2.54))for i, x1 in enumerate(x1_categories):    means = agg_data[('mean', x1)]    stds = agg_data[('std', x1)]    plt.bar(        index + i * bar_width,        means,        bar_width,        color=bar_colors[i],        yerr=stds,        capsize=2,        label=f'{x1}',        error_kw={'ecolor': 'black', 'elinewidth': 1, 'capthick': 1}    )plt.xticks(index + bar_width / 2, x2_categories, fontsize=12)plt.ylabel(Y_VAR, fontsize=12)plt.legend(loc=(0.1, 0.8), fontsize=10)plt.tick_params(direction='in', labelsize=12)def tukey_cld_strict(tukey, means):    sorted_groups = means.sort_values(ascending=False).index.tolist()    all_groups = list(tukey.groupsunique)    sig = pd.DataFrame(        np.zeros((len(all_groups), len(all_groups)), dtype=bool),        index=all_groups,        columns=all_groups    )    k = 0    for i in range(len(all_groups) - 1):        for j in range(i + 1, len(all_groups)):            g1 = all_groups[i]            g2 = all_groups[j]            sig.loc[g1, g2] = tukey.reject[k]            sig.loc[g2, g1] = tukey.reject[k]            k += 1    letters = {}    current_letter = 'a'    for g in sorted_groups:        placed = False        for letter, gs in letters.items():            if all(not sig.loc[g, gg] for gg in gs):                gs.append(g)                placed = True                break        if not placed:            letters[current_letter] = [g]            current_letter = chr(ord(current_letter) + 1)    result = {}    for letter, gs in letters.items():        for g in gs:            result.setdefault(g, '')            result[g] += letter    return resultletters_dict = {}for x2 in x2_categories:    sub = data[data[X_MAIN] == x2]    tukey = pairwise_tukeyhsd(        endog=sub[Y_VAR],        groups=sub[X_GROUP],        alpha=0.05    )    means = sub.groupby(X_GROUP)[Y_VAR].mean()    cld = tukey_cld_strict(tukey, means)    for x1, letter in cld.items():        letters_dict[(x2, x1)] = letterfor x2_idx, x2 in enumerate(x2_categories):    for i, x1 in enumerate(x1_categories):        mean = agg_data[('mean', x1)][x2]        std = agg_data[('std', x1)][x2]        letter = letters_dict[(x2, x1)]        plt.text(            index[x2_idx] + i * bar_width,            mean + std,            letter,            ha='center',            va='bottom',            fontsize=11,            fontweight='bold'        )ylim = plt.ylim()plt.ylim(ylim[0], ylim[1] * 1.25)plt.savefig('分组柱状图-显著性分析.png', dpi=300, bbox_inches='tight')plt.show()

4、热图

importpandasaspdimportseabornassnsimportmatplotlib.pyplotaspltimportnumpyasnpimportreplt.rcParams['font.family']=['Times New Roman','SimSun']# 绘图时优先使用 Times New Roman，如果没有，再使用 SimSun。file_path=r'F:\知乎\基础绘图\data.xlsx'df_raw=pd.read_excel(file_path,sheet_name='热图',header=0)defconvert_number(x):ifisinstance(x,str):x=x.strip()# 匹配括号内数字ifre.match(r'^\(\s*[\d\.]+\s*\)$',x):return-float(x.replace('(','').replace(')',''))# 普通数字try:returnfloat(x)except:returnnp.nanreturnxdf=df_raw.copy()df.iloc[:,1:]=df.iloc[:,1:].applymap(convert_number)# 从第二列开始转换数字# 字体设置plt.rcParams['font.family']='Times New Roman'tick_labels={'fontsize':13,'fontname':'Times New Roman','color':'black'}fontdict_labels={'fontsize':13,'fontname':'Times New Roman','color':'black','fontweight':'bold'}threshold1=0.2threshold2=0.3defannotate_value(x):ifpd.isna(x):return""ifx>threshold2:returnf"{x:.2f}**"elifx>threshold1:returnf"{x:.2f}*"else:returnf"{x:.2f}"annot_df=df.iloc[:,1:].applymap(annotate_value)width_cm=10height_cm=8width,height=width_cm/2.54,height_cm/2.54fig,ax=plt.subplots(1,1,figsize=(width,height))# 热图数据（不包含第一列标签）sns.heatmap(df.iloc[:,1:],ax=ax,annot=annot_df,fmt="",vmin=-1,vmax=1,cmap="coolwarm_r",cbar=True,xticklabels=df.columns[1:],annot_kws={"size":12},linewidths=0.6)# 设置 X 和 Y 轴标签ax.set_xticklabels(df.columns[1:],rotation=0,ha='center',fontdict=tick_labels)ax.set_yticklabels(df.iloc[:,0],rotation=0,ha='right',fontdict=tick_labels)ax.tick_params(axis='both',which='both',length=0,pad=10)# Y 轴标题ax.set_ylabel('',fontdict=fontdict_labels,labelpad=10)plt.tight_layout()plt.savefig(r'热图输出.jpg',dpi=500,bbox_inches='tight',pad_inches=0.1)plt.show()

5、箱线图

分组箱线图参考：Python - 箱线图/分组箱线图

import pandas as pdimport seaborn as snsimport matplotlib.pyplot as pltplt.rcParams['font.family'] = ['Times New Roman', 'SimSun']plt.rcParams['axes.unicode_minus'] = Falsefile_path = r'F:\知乎\基础绘图\data.xlsx'df = pd.read_excel(file_path, sheet_name='箱线图', skiprows=0)width_cm = 10height_cm = 10width, height = width_cm / 2.54, height_cm / 2.54fig, ax = plt.subplots(figsize=(width, height), sharex=True)sns.boxplot(    x=df['处理1'],    y=df['数据'],    data=df,    ax=ax,    width=0.3,    linewidth=0.5,    boxprops=dict(facecolor='none', edgecolor='#8FB2E5', linewidth=2.5),    medianprops=dict(color='#8FB2E5', linewidth=2.5),    capprops=dict(color='#8FB2E5', linewidth=2.5),    whiskerprops=dict(color='#8FB2E5', linewidth=2.5),    flierprops=dict(        marker='o',        markerfacecolor='#8FB2E5',        markersize=4,        markeredgecolor='#8FB2E5'    ))ax.tick_params(    axis='both',    which='both',    length=3,    color='black',    pad=5,    direction='in',    width=1,    labelsize=10,    labelcolor='black',    rotation=0)ax.set_xticklabels(ax.get_xticklabels(), fontsize=12)ax.set_yticklabels(ax.get_yticklabels(), fontsize=12)ax.set_ylim(3, 10)plt.savefig('箱线图.jpeg', dpi=800, bbox_inches='tight')plt.show()

来源：【lne的试验记录】的知乎文章。内容仅做学术分享之用，不代表本号观点，版权归原作者所有，若涉及侵权等行为，请联系我们删除，万分感谢！

AI多领域融合课程、论文写作、科研绘图类

4月10日-11日、 17日-18日	AI赋能R-Meta分析核心技术：从热点挖掘到高级模型、助力高效科研与论文发表"培训班
3月28日-29日	AI赋能·SCI论文从实验设计到发表全流程实践训练营
3月13日-14日、 20日-21日	一图胜千言-顶刊级科研绘图工坊暨AI支持下Nature级数据可视化高级培训班
3月28日-29日、 4月4日-5日	面向高质量SCI论文标准：深度挖掘遥感时空大数据价值、GeoAI可解释性建模与机理归因及高质量论文产出全链路实践技术培训班
3月27日-28日、 4月3日-4日	高水平学术论文写作的“破局”之道暨AI人机协同从前沿选题挖掘、智能写作工程、顶刊图表可视化、到精准选刊投稿与审稿博弈策略的一站式实践高级培训班

农林生态、水文、气象、遥感

2月11日-14日	基于LPJ模型的植被NPP模拟、驱动力分析及其气候变化响应预测
4月10日-11日、17日-18日	AquaAI水系统遥感智能监测技术暨60个案例覆盖多源数据处理、水体动态监测、水质AI反演与预警系统开发实践培训班
3月20日-21日、27日-28日	面向科研与产业的智慧农林核心遥感技术与AI实战：99案例精讲（空天地）多源数据预处理、高光谱AI智能精准提取、多模态模型构建、不确定性分析、WebGIS平台开发及高水平科研论文撰写全流程培训班
3月28日-29日、 4月4日-5日	AI驱动的流域水–碳–氮多过程耦合模拟高级研修班培训班
3月28日-29日、4月4日-5日、11日	“光能智测”太阳能预测技术高级研修班——融合WRF-Solar与多源数据的短-中长期预报实战
3月20日-21日、27日-28日	WRF模拟全技术链实践暨Linux编译排错、FNL/ERA5驱动场处理、长时序模拟配置、下垫面改造与物理参数调整、Python诊断分析及可视化高阶培训班
4月4日-5日	基于统计方法与机器学习技术在气候降尺度中的实践应用培训班

统计、语言、人工智能类

1月30日-2月3日	最新AI-Python自然科学领域机器学习与深度学习技术高级培训班
3月14日-15日、21日-22日	AI与Python双驱动计量经济学多源数据处理、机器学习预测及复杂因果识别全流程实战班

科研技术服务

推荐阅读

1、农林生态、大气、遥感、水文等系统教程通道——点击文末"阅读全文"进入

2、地学领域数据、年鉴、地图、课件资料等免费资源下载——点击进入

3、百余门教程在线免费观看——点击文末"阅读全文"进入

4、会员超值福利领取——点击文末"阅读全文"进入

如何加快课题组人才梯队建设与人才培养？

快来Ai尚研修【Easy Scientific  Research】点亮科研简学践行-您的随行导师平台

官 网：www.aishangyanxiu.com;

公众号：关注“Ai尚研修”公众号，点击“Ai尚课堂”进入也可以哦！

Ai尚研修长期招募讲师——诚邀您的加入

Ai尚研修，倾力打造您的专属发展道路，这里有丰富的客户资源，专业的授课平台，强大的推广力度，全员的热血支持！

Ai尚研修期待您的加入，共同打造精品课程，助力科研！

扫描下方二维码，关注我们

Ai尚研修客服

公众号

结束

声明： 本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。

结束

Ai尚研修丨专注科研领域

技术推广，人才招聘推荐，科研活动服务

科研技术云导师，Easy cientfic  Research