Python 数据可视化实战：多维度销售数据分析与图表绘制
本文将通过一个完整的实战案例。读取现有的excel数据，演示如何使用 Python 生成模拟数据、构建多维度分析模型，并结合 matplotlib、seaborn 等库实现 9 种专业图表的绘制。
一、数据读取与存储
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.patches import Circle
import https://www.xianyuzhuan.cn/mplfinance as mpf
1. 数据
销售数据：包含 5 大地区 × 5 大品类 × 12 个月的模拟数据，包含销售额、利润、销售量、客户满意度等指标。 股价数据： 2023 年 1 月的股票交易数据，包含开盘价、最高价、最低价、收盘价和成交量。
with pd.ExcelWriter('sales_data.xlsx') as writer:
df.to_excel(writer, sheet_name='销售数据', index=False)
stock_df.to_excel(writer, sheet_name='股价数据', index=False)
sales_data.xlsx 数据内容：
二、数据可视化方案
我们将通过 9 种图表类型，从不同维度解析销售数据：
三、核心图表解析
以下是对代码中各个可视化图表的详细讲解，帮助读者理解不同图表类型的作用及实现原理：
1. 区域销售对比（条形图）
图表类型：垂直条形图 实现方式：
region_sales = sales_df.groupby('地区')['销售额'].sum().sort_values(ascending=False)
sns.barplot(x=region_sales.index, y=region_sales.values)
核心功能：
通过groupby按地区聚合销售额总和 使用sort_values降序排列，突出高销售区域 Seaborn的barplot自动生成带颜色主题的条形图 分析价值：快速识别销售额最高的地区（如华东），发现区域市场差异。
2. 品类销售分布（柱状图）
图表类型：单色柱状图 代码亮点：
sns.barplot(..., color='green') # 统一颜色
plt.xticks(rotation=45) # 标签倾斜防止重叠
设计选择：
使用单一颜色避免多分类颜色干扰 45度标签旋转提升可读性 业务意义：对比不同产品类别（如电子产品 vs 日用品）的销售额贡献。
3. 月度销售趋势（折线图）
关键代码：
monthly_sales = sales_df.groupby('日期')['销售额'].sum()
plt.plot(..., marker='o') # 添加数据点标记
数据处理：
按日期聚合每日销售额总和 未显式重采样，需确保日期格式为连续序列 趋势洞察：识别销售高峰月份（如11月可能受促销影响）。
4. 品类占比（饼图）
可视化优化：
plt.pie(..., autopct='%1.1f%%', startangle=90) # 显示百分比，调整起始角度
plt.axis('equal') # 强制圆形显示
适用场景：展示整体销售构成，但超过5个分类时建议改用条形图。
5. 销售额-利润关系（散点图）
代码细节：
plt.scatter(..., alpha=0.5) # 半透明点处理重叠
分析维度：
X/Y轴分别映射销售额和利润 点透明度避免高密度区域遮盖 潜在发现：识别离群点（如高销售额低利润的异常订单）。
6. 品类趋势叠加（面积图）
数据重塑：
category_monthly = sales_df.pivot_table(...) # 生成日期-类别矩阵
图表特性：
面积堆叠显示总量趋势 颜色区分品类贡献比例 趋势解读：观察不同品类随时间的增长/衰退模式（如服饰类季节性波动）。
7. 地区占比（圆环图）
实现技巧：
plt.pie(..., wedgeprops=dict(width=0.5)) # 控制环宽
plt.gca().add_patch(Circle(...)) # 中心挖空
对比优势：相比饼图，更突出中心区域的可注释空间。
8. 多维指标（雷达图）
关键步骤：
数据标准化： region_metrics_norm = (region_metrics - min) / (max - min)
角度计算： angles = np.linspace(0, 2*np.pi, len(metrics))
分析价值：综合比较不同地区在销售额、利润等多指标上的均衡性。
9. 三维关系（气泡图）
维度映射：
X轴：销售额 Y轴：利润 气泡大小：销售量 代码实现：
s=data['销售量']/50 # 缩放气泡尺寸
alpha=0.7 # 透明叠加
业务洞察：发现高销售量但低利润的问题组合（需深入分析定价策略）。
知识拓展
布局管理： plt.tight_layout() # 自适应间距
plt.subplots_adjust(hspace=0.4, wspace=0.3) # 手动调整
样式统一： sns.set_style("whitegrid") # 网格背景
plt.rcParams.update({'font.size': 10}) # 统一字体
输出质量： plt.savefig(..., dpi=300, bbox_inches='tight') # 高清保存
通过组合这些图表，可构建完整的销售分析看板，覆盖分布、趋势、构成、关联等多维度分析需求。实际应用中需根据数据特点调整图表类型，例如时序预测可加入ARIMA模型折线，地理数据可转换地图可视化。
四、技术实现亮点
中文支持优化
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文显示
plt.rcParams['axes.unicode_minus'] = False # 负号显示
图表布局管理
plt.tight_layout() # 自动调整子图间距
plt.savefig('sales_analysis.png', dpi=300, bbox_inches='tight') # 高质量保存
数据预处理
日期格式标准化（freq='ME' 生成月末日期） 异常值处理（股价数据 price = max(price + change, 50)） 数据聚合（groupby 和 pivot_table 灵活组合）
五、图表选择建议
分析维度 推荐图表类型 适用场景 对比分析 条形图/柱状图 地区/品类销售额对比 结构分析 饼图/圆环图 市场份额占比 趋势分析 折线图/面积图 月度销售变化 多维分析 雷达图 综合指标评估 关系分析 散点图/气泡图 指标相关性探索 时间序列 K线图 金融数据可视化
源码获取 看原文：Python 数据可视化实战：多维度销售数据分析与图表绘制
Python 数据可视化实战：多维度销售数据分析与图表绘制https://www.kuazhi.com/post/715745095.html
