想象一下，你在阅读一本小说，但每页都充满了无关的插图，你会感到困惑和分心。

数据可视化也是如此——读者需要的是数据本身，而不是华丽的装饰。

所以，我们需要展示 最重要的数据，而不是 尽可能多的数据。

让我们看看一个常见的错误做法和改进后的做法：

# 创建示例数据np.random.seed(42)
categories = ["产品A", "产品B", "产品C", "产品D", "产品E"]
sales_bad = np.random.randint(50, 200, 5)
sales_good = np.random.randint(50, 200, 5)# 错误做法：过度装饰，数据不突出fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))# 左侧：过度装饰的图表ax1.bar(categories, sales_bad, color=["red", "blue", "green", "orange", "purple"])# 添加不必要的元素# ...# 右侧：简洁聚焦的图表ax2.bar(categories, sales_good, color="steelblue", alpha=0.8)# 在柱子上直接标注数值for i, v in enumerate(sales_good):
    ax2.text(i, v + 5, str(v), ha="center", fontweight="bold")# 突出最高值# ...# 移除不必要的边框# ...plt.tight_layout()
plt.show()

在这个示例中，根据原则1，我们 主要改进了：

• 移除背景水印和过度装饰
• 直接在柱状图上标注数值，避免视线来回移动
• 突出显示最重要的数据点（产品C）
• 简化标题，直接传达核心信息

2. 原则2：减少混乱，保持简洁

想象一下一个杂乱无章的房间，你想找一本书，却要翻遍各个角落。

混乱的图表也会让读者经历同样的挫折。

所以，每个额外的视觉元素都应该有明确的目的，否则就应该移除。

# 创建示例数据np.random.seed(123)
months = [    "1月",    #...
    "12月",
]
temperature = np.random.normal(20, 5, 12) + np.sin(np.linspace(0, 2 * np.pi, 12)) * 3precipitation = (
    np.random.normal(50, 15, 12) + np.cos(np.linspace(0, 2 * np.pi, 12)) * 20)# 左侧：混乱的图表ax1.plot(months, temperature, "ro-", linewidth=2, markersize=8, label="温度")# ...# 创建第二个y轴（混乱的常见来源）ax1b = ax1.twinx()
ax1b.plot(months, precipitation, "bs--", linewidth=2, markersize=8, label="降水量")# ...# 添加网格和过多标签# ...# 右侧：简洁的图表# 分开显示两个指标ax2a = plt.subplot(grid[0, 1])
ax2b = plt.subplot(grid[1, 1])# 温度图表ax2a.plot(months, temperature, color="#E74C3C", linewidth=2.5)
ax2a.fill_between(months, temperature.min(gov.), temperature, color="#E74C3C", alpha=0.1)# 突出显示最高温度max_temp_idx = np.argmax(temperature)
ax2a.plot(
    months[max_temp_idx], temperature[max_temp_idx], "o", color="#E74C3C", markersize=10)# ...# 降水量图表ax2b.bar(months, precipitation, color="#3498DB", alpha=0.7)# 突出显示最高降水量max_precip_idx = np.argmax(precipitation)# ...plt.show()

在这个示例中，根据原则2，我们 主要改进了：

• 将双Y轴图表拆分为两个独立的图表
• 移除过多的图例和网格线
• 使用填充和标记突出关键数据点
• 简化标题，每个图表只表达一个核心信息

3. 原则3：图文结合，引导读者

好的可视化图表就像一个会讲故事的导游，而文字就是它的讲解词。

文字应该帮助读者理解数据，而不是制造障碍。

# 创建示例数据np.random.seed(42)
years = np.arange(2010, 2023)
company_a = np.random.normal(100, 10, 13) + np.linspace(0, 50, 13)
company_b = np.random.normal(100, 10, 13) + np.linspace(0, 30, 13)# 左侧：缺乏引导的图表ax1.plot(years, company_a, "b-", linewidth=2, label="公司A")
ax1.plot(years, company_b, "r-", linewidth=2, label="公司B")# 右侧：图文结合的图表ax2.plot(years, company_a, color="#2E86C1", linewidth=3, alpha=0.8)
ax2.plot(years, company_b, color="#E74C3C", linewidth=3, alpha=0.8)# 直接标注线条，避免图例ax2.text(    2022.2, company_a[-1], "公司A", color="#2E86C1", fontweight="bold", va="center")
ax2.text(    2022.2, company_b[-1], "公司B", color="#E74C3C", fontweight="bold", va="center")# 添加标题和副标题# ...# 添加关键事件注释# ...# 突出关键数据点# ...# 简洁的坐标轴# ...plt.show()

在这个示例中，根据原则3，我们 主要改进了：

• 直接在线条旁标注，消除图例
• 使用标题直接传达核心发现
• 添加注释解释关键事件
• 使用填充区域突出重要差异

4. 原则4：避免意面图，分解复杂信息

"意面图"是指线条交错、难以分辨的图表，就像一碗缠在一起的意大利面。

当图表变得过于复杂时，最好的方法是分解它。

# 创建示例数据：多个产品多年的销售数据np.random.seed(123)
years = np.arange(2015, 2024)
products = ['手机', '平板', '笔记本', '智能手表', '耳机']# 生成数据sales_data = {}for product in products:
    base = np.random.randint(30, 80)
    trend = np.linspace(0, np.random.randint(20, 60), 9)
    noise = np.random.normal(0, 5, 9)
    sales_data[product] = base + trend + noise# 左侧：意面图colors = plt.cm.Set2(np.linspace(0, 1, len(products)))for idx, (product, sales) in enumerate(sales_data.items()):
    ax1.plot(years, sales, color=colors[idx], linewidth=2, marker='o', label=product)# 右侧：分解后的图表 - 使用子图fig2, axes = plt.subplots(2, 3, figsize=(15, 8))
axes = axes.flatten(gov.zuqiu.bxj.jrzb1.info)# 绘制每个产品的独立图表for idx, (product, sales) in enumerate(sales_data.items()):
    ax = axes[idx]
    ax.plot(years, sales, color='#2980B9', linewidth=2.5, marker='o', markersize=6)    # 填充区域
    ax.fill_between(years, sales.min(), sales, color='#2980B9', alpha=0.1)    # 设置标题和标签
    # ...
    # 标记最高点
    max_idx = np.argmax(sales)
    ax.plot(years[max_idx], sales[max_idx], 'o', color='#E74C3C', markersize=8)    # ...
    # 简化网格
    # ...# 隐藏最后一个子图（我们只有5个产品）axes[-1].axis('off')
plt.show()

在这个示例中，根据原则4，我们 主要改进了：

• 将复杂的多线条图表分解为多个简单图表
• 每个子图聚焦一个产品，避免线条交错
• 在每个子图中独立标注关键信息
• 保持一致的视觉风格便于比较

5. 原则5：从灰色开始，有策略地使用颜色

颜色是可视化中最强大的工具之一，但也是最容易被滥用的。

从灰度开始设计，可以确保你使用的每个颜色都有明确的目的。

# 创建示例数据np.random.seed(123)
cities = ["北京", "上海", "广州", "深圳", "成都", "武汉", "西安", "杭州"]
months = [    "1月",    # ...
    "12月",
]# 生成各城市的月度AQI数据aqi_data = {}for city in cities:
    base = np.random.randint(60, 100)  # 基础AQI值
    seasonal = np.sin(np.linspace(0, 2 * np.pi, 12)) * 20  # 季节性变化
    noise = np.random.normal(0, 10, 12)  # 随机噪声
    aqi_data[city] =(base + seasonal + noise, 30, 180)  # 限制在30-180之间# 计算各城市的年平均AQIavg_aqi = {city: np.mean(values) for city, values in aqi_data.items()}# 创建图表对比fig = plt.figure(figsize=(12, 6))# 阶段1：全灰色基础图表ax1 = plt.subplot(1, 2, 1)# 全灰色版本for city in cities:
    ax1.plot(months, aqi_data[city], color="#7F8C8D", linewidth=1.5, alpha=0.6)  # 灰色# ...# 阶段2：识别关键数据后添加初步颜色ax2 = plt.subplot(1, 2, 2)# 找出空气质量最好和最差的城市sorted_cities = sorted(avg_aqi.items(), key=lambda x: x[1])
best_city = sorted_cities[0][0]  # AQI最低的城市worst_city = sorted_cities[-1][0]  # AQI最高的城市# ...# 添加标签# ...# 添加空气质量标准线