Python数据可视化：6个Matplotlib风格库提升图表颜值与专业度

如果你是一名数据科学家，一定明白这个道理：无论你对数据的理解有多么深刻，最终的结论往往需要通过图表来呈现和传达。而对于读者而言，图表不仅要信息准确、逻辑清晰，最好还能赏心悦目，甚至带有时尚感。

坦率地说，标准的 Matplotlib 和 Seaborn 样式虽然强大，但用得多了难免让人觉得有些单调，有时甚至会让你的报告看起来不够用心。为了打破这种刻板印象，我为你找到了6个能够显著提升图表颜值的 Python 库。它们能在基础的线图、散点图、直方图上施展魔法，让你的可视化成果脱颖而出。每个库都附上了 GitHub 仓库链接，方便你深入探索。

首先，我们生成一些标准的综合数据。使用相同的DataFrame结构来创建4个子图，以便在公平的条件下对比各个库的视觉效果。

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

'''Generating points to create a scatter plot'''
def scatter():
  x = np.random.random(100)
  y = x-np.random.random(100)
  z = np.random.randint(0,4,100)
  df = pd.DataFrame({'X':x, 'Y': y, 'Z':z})
  return df

'''Generating points to create a line plot'''
def line():
  x = np.arange(0,10,0.1)
  y_1 = np.sin(x)
  y_2 = np.sin(x+5)
  y_3 = np.sin(x+10)
  y_4 = np.sin(x+15)
  y_5 = np.sin(x+20)
  df = pd.DataFrame({'X':x,'y_1':y_1, 'y_2':y_2, 
                'y_3':y_3, 'y_4':y_4, 'y_5':y_5})
  return df

'''Sampling data from several distributions'''
def hist():
  x_1 = np.random.normal(1,0.1,1000)
  x_2 = np.random.gamma(1,0.25,1000)
  x_3 = np.random.normal(0.4, 0.1,1000)
  x_4 = np.random.normal(-0.1, 0.3,1000)
  df = pd.DataFrame({'X_1': x_1, 'X_2':x_2, 'X_3': x_3, 'X_4':x_4})
  return df

注意： 接下来的演示中，不会为图表指定特殊的颜色或图案，仅仅是在同一套绘图代码上应用不同库提供的整体风格。

1. Aquarel

Aquarel 库提供了 11 种 不同的样式，包含深色和浅色主题，可以通过 pip 轻松安装：

pip install aquarel

你可以通过上下文管理器来应用主题，这是非常Pythonic的方式：

with load_theme(“arctic_light”):

  fig, ax = plt.subplots(ncols=2, nrows=2, figsize=(16,9))
  df = scatter()
  f= ax[0,0].scatter(df.X,df.Y, c=df.Z, s=50)
  ax[0,0].set_xlabel(‘X data’)
  ax[0,0].set_ylabel(‘Y data’)
  handles, labels = f.legend_elements(prop=“colors”, alpha=0.6)
  legend2 = ax[0,0].legend(handles, labels, loc=“lower right”)

  df=line()
  df.plot(x=‘X’, ax=ax[0,1])

  df=hist()
  sns.kdeplot(df, fill=True, ax=ax[1,0])
  ax[1,0].set_xlabel(‘Value’)

  sns.kdeplot(df, x=“X_1”, y=“X_2”, fill=True, ax=ax[1,1])
  sns.kdeplot(df, x=“X_3”, y=“X_4”,fill=True, ax=ax[1,1])
  ax[1,1].set_xlabel(‘Dist 1’)
  ax[1,1].set_ylabel(‘Dist 2’)

  plt.suptitle(‘Aquarel\narctic_light’, fontsize=24)
  plt.savefig(‘arctic_light.jpg’)
  plt.show()

或者，你也可以使用更传统的加载和应用方式：

from aquarel import load_theme

theme = load_theme(“arctic_light”)
theme.apply()
# ... plotting code here
theme.apply_transforms()

下面是应用 arctic_dark 和 arctic_light 两种主题后的效果对比：

2. Rosé Pine

第二个我特别喜欢的 Repo 并非一个标准的库，而是一组 .mplstyle 样式文件。你需要下载这些文件，然后通过指定路径让 Matplotlib 加载：

plt.style.use(‘./themes/rose-pine-moon.mplstyle’)

之后，沿用相同的绘图步骤即可。这个主题包的颜色搭配非常温和，同时保持了很高的对比度，视觉上很舒适。

3. Catppuccin

Catppuccin 库同样需要通过 pip 安装。它包含了4种不同风格（如 Latte, Frappé, Macchiato, Mocha），对应不同的明暗度。

matplotlib.style.use(“mocha”)

Catppuccin 还提供了一个有趣的功能：样式混合。你可以尝试将基础的 seaborn-v0_8-dark 样式表和 mocha 样式结合起来，创造出独一无二的效果。

4. mplcyberpunk

下一个库 mplcyberpunk 非常有名。谁不爱赛博朋克风格呢？这个库不仅提供了恰到好处的霓虹色彩和深色背景，还能为线条和标记添加炫酷的发光效果，视觉冲击力十足。

基本用法如下：

import matplotlib.pyplot as plt
import mplcyberpunk
plt.style.use(“cyberpunk”)
# ... 你的绘图代码
mplcyberpunk.add_glow_effects()
plt.show()

add_glow_effects() 函数可以为整个图表添加发光效果。你还可以使用更精细的方法，只为特定的线条添加辉光：

fig, ax = plt.subplots()
# ... 绘图
mplcyberpunk.make_lines_glow(ax)

通过对比下面这张图，你可以清晰地看到仅应用样式、添加线条发光、以及同时添加线条和下层辉光（underglow）三种效果的差异。

5. matplotx

matplotx 是 Matplotlib 的另一个强大扩展。它提供了超过20种不同的主题，适用于科研论文、学术报告或任何需要提升图表专业感和时尚感的场景。

你可以轻松地在多种风格间切换，例如 ‘ggplot’、‘ Solarized Light’，甚至是一些像 ‘Pitaya Smoothie’ 这样活泼的风格。

6. GruvBox

今天介绍的最后一个风格是 GruvBox。它同样不是一个可通过 pip 安装的库，而是一个独立的 .mplstyle 文件，使用时需要指定其路径：

matplotlib.style.use(“./gruvbox.mplstyle”)

尽管这个仓库里只有一个主题，但我个人非常喜欢它。其字体选择、线条粗细以及背景与前景颜色的搭配都显得复古又和谐，能瞬间让图表拥有一种独特的“个性”。

总结

以上就是6个能够极大改善 Matplotlib 图表外观的 Python 库和主题。从简约现代的 Aquarel，到温和的 Rosé Pine，从炫酷的 mplcyberpunk 到专业多样的 matplotx，它们覆盖了不同的审美和场景需求。在 人工智能 和数据驱动决策越来越重要的今天，一份出色的可视化报告不仅是分析结果的展示，更是专业能力和审美的体现。

不妨根据你的项目调性或个人喜好，尝试将这些风格应用到你的下一个 数据科学 项目中。如果你有更多关于可视化或 Python 的疑问，欢迎来 云栈社区 交流讨论。期待看到你创作出更惊艳的图表！