我经常在数据社群中看到这样的问题：“刚学完 Python 基础，想画图做分析，应该先学 Matplotlib 还是直接上 Seaborn？”。这个问题看似简单，但回答的差异却很大。有人推荐先啃 Matplotlib，因为它是“万图之母”；有人说直接学 Seaborn，因为“几行代码就能出漂亮的图，有成就感”。这两种说法我都实践过。我最初学习数据可视化时，从 Matplotlib 的 API 文档硬啃，画一个包含多子图的复杂报告，需要调整样式、颜色、图例、坐标轴刻度，反复调整参数，经常为了一个子图的标题位置花费半小时。

后来接触 Seaborn，确实被它的默认配色和简洁 API 震撼，但随后发现，当需要精确控制图表元素的像素级细节，或者需要将图表嵌入到自定义的网格布局中时，Seaborn 的灵活性又显得不足。我自己的项目经历告诉我，真正高效的工作流不是“二选一”，而是“组合拳”。

经过多次项目实践，我总结出一个核心结论：Matplotlib 是数据可视化的“底层引擎”，提供无限的可编程性和像素级控制；Seaborn 是“高级模板库”，在统计分析和探索性数据展示场景下，能极大提升效率。两者不是替代关系，而是互补关系。正确的策略是，用 Seaborn 快速完成 80% 的探索性分析，用 Matplotlib 完成剩余 20% 的精细化定制和出版级图表。

一、核心结论：构建你的“可视化决策树”

我的核心结论并非凭空而来，它源于对数百个数据可视化项目案例的复盘，以及对不同工具在效率、灵活性、美观度三个维度上的持续测试。基于这些经验，我总结出一套简明的“可视化决策树”，帮助你快速判断在特定场景下应该选择哪个工具，或者如何组合使用它们。

1. 决策树的核心逻辑

决策树的核心逻辑基于三个关键问题：你的核心目标是什么？你对输出的控制粒度有多高？你的时间预算是多少？ 这三个问题决定了你的工具选择路径。

• 核心目标： 是快速探索数据、发现模式和趋势（属于探索性数据分析，EDA阶段），还是为了生成最终用于报告、论文或演示的正式图表（属于展示性数据分析，EDA报告阶段）？
• 控制粒度： 你是否需要精确控制图表中每一个元素的位置、大小、颜色、字体和样式？你是否需要将多个图表组合成复杂的自定义布局？
• 时间预算： 你希望在几分钟内生成一个“能看”的图表，还是愿意花几十分钟甚至几小时来打磨一个“完美”的图表？

2. 决策树路径

基于上述三个问题，我绘制了以下决策树路径：

• 路径A： 核心目标 = 快速探索；时间预算 = 短（几分钟内）；控制粒度 = 低。 → 选择：Seaborn。 直接使用 `sns.lineplot()`, `sns.histplot()`, `sns.boxplot()`, `sns.heatmap()` 等高级API，利用其内置的统计功能和美观的默认样式，快速生成图表。
• 路径B： 核心目标 = 高精度展示；时间预算 = 长（几十分钟）；控制粒度 = 高。 → 选择：Matplotlib。 使用 `fig, ax = plt.subplots()` 创建对象，通过 `ax.plot()`, `ax.set_xlabel()`, `ax.legend()` 等底层API进行像素级控制。
• 路径C： 核心目标 = 高效的EAD + 优雅的展示；时间预算 = 中等（几十分钟到一小时）；控制粒度 = 中高。 → 选择：组合拳。 先用 Seaborn 快速生成图表，再用 Matplotlib 的 `fig, ax` 对象进行布局、调整、添加注释和标题。这是最高效、最灵活的工作流。

这个决策树不是理论模型，而是我过去两年在多个项目中反复验证的实战框架。

3. 一个真实案例

去年，我为一家电商公司做用户行为分析。第一周，我需要快速了解不同用户群体的购买频率、客单价分布、以及复购率。在这个阶段，我完全依赖 Seaborn，用 `sns.histplot` 看分布，`sns.boxplot` 看异常值，`sns.lineplot` 看趋势，每个图表几乎都是一行代码，几分钟内就产出了几十张探索性图表，效率极高。第二周，我需要向C-level高管汇报，这些图表需要被整合到一张A4纸大小的报告里，并且要风格统一、标注清晰、颜色与公司品牌色一致。

我无法接受Seaborn默认的浅灰背景和蓝色调。于是，我使用 Matplotlib 的 `plt.subplots` 创建了一个2×2的网格布局，将 Seaborn 在 `ax` 对象上生成的图表填充进去，然后用 Matplotlib 的API统一设置字体、颜色、图例位置和标题。最终产出的报告，既保留了我之前分析的核心洞察，又具备了专业出版级的美观度。

二、背景与真实场景：为什么“二选一”是错的

很多人陷入“二选一”的困境，是因为他们忽略了这两个工具诞生的背景和定位。Matplotlib 诞生于 2003 年，堪称 Python 数据可视化的“原住民”。它的设计哲学是“一切皆可编程”，旨在提供一个功能极其强大、覆盖所有图表类型的底层框架。而 Seaborn 诞生于 2012 年，它的设计哲学是“统计可视化”，旨在简化统计图表的创建过程，并自动提供美观的默认样式。理解这一点，就能明白为什么它们不是敌人，而是队友。

1. 场景一：探索性数据分析（EDA）， 效率为王，首选 Seaborn

在项目初期，当面对一个全新的、未清洗的数据集时，我的首要目标是“快速了解数据全貌”。我需要快速查看单变量分布、双变量关系、以及分组统计。在这个阶段，我绝对不关心图表的标题字体是不是华文细黑、图例框是否带阴影、坐标轴刻度是否旋转了45度。我唯一关心的是：我能不能在30秒内，写出几行代码，生成一张能告诉我数据趋势的图表？

Seaborn 完美地解决了这个痛点。它的 API 设计是围绕着“统计任务”展开的，而不是“绘图元素”。例如，`sns.histplot` 直接帮我计算并绘制了直方图和核密度曲线；`sns.boxplot` 直接帮我绘制了箱线图，并自动标注了异常值；`sns.heatmap` 直接帮我绘制了热力图，并自动添加了颜色条。这一切都只需要一行代码。

我的实战经验是：在 EDA 阶段，我几乎不用 Matplotlib 的底层绘图函数。 因为 Seaborn 的默认设置已经足够好，而且它的高级API能让我在极短的时间内覆盖更多的分析维度。我经常在同一个 Jupyter Notebook 单元格里连续写 5-6 个 Seaborn 函数，一分钟内就能生成 6 张不同的图表，快速完成数据扫描。

2. 场景二：正式报告与出版级图表 ， 细节为王，必须 Matplotlib

当项目进入收尾阶段，需要将分析结果输出为正式的商业报告、学术论文或公司内部 Dashboard 时，情况就完全不同了。此时，图表的美观度、一致性、以及信息传递的精确性变得至关重要。我不能接受一个图表有默认的浅灰色背景，而另一个图表是白色背景；我不能接受一个图表的 x 轴标签是倾斜的，而另一个是水平的；我不能接受一个图表的图例在右上角，而另一个在右下角。

在这个阶段，Matplotlib 的“对象化”编程范式和其强大的 `rcParams` 全局配置系统，就成了我的制胜法宝。 我可以创建一个 `Figure` 对象作为画布，然后创建多个 `Axes` 对象作为子图。每个 `Axes` 对象都独立可控，我可以精确设置它的标题、坐标轴范围、刻度标签、图例位置、网格线样式、以及背景色。我还可以通过 `plt.rcParams` 全局设置统一的字体、字号、颜色映射表，确保整个报告中所有图表的视觉风格完全一致。

3. 场景三：复杂统计图表与高级分析 ， 两者结合，威力无穷

最强大的用法，是结合两者的优势。例如，我需要绘制一个带有“误差带”的“时间序列趋势图”，而且还要在同一个图表中叠加多个不同类别的趋势。Seaborn 的 `sns.lineplot` 可以轻松处理误差带和分组，但它的默认样式可能不够精细。此时，我的做法是：

1. 用 Seaborn 的 `sns.lineplot` 在 `ax` 对象上绘图。 这能帮我自动计算并绘制误差带，并按照 `hue` 参数自动分组和着色。
2. 用 Matplotlib 的 `ax` 对象进行后续调整。 比如，设置 `ax.set_title('Monthly Sales Trend by Category')`, `ax.set_xlabel('Date')`, `ax.set_ylabel('Sales Amount')`, `ax.legend(loc='best')`, `fig.tight_layout()`。
3. 使用 Matplotlib 的 `fig` 对象进行全局布局。 如果这是一个多子图报告，我会用 `plt.subplots` 创建网格，然后重复上述步骤。

这种组合方式，既利用了 Seaborn 的统计计算和美观默认值，又利用了 Matplotlib 的灵活布局和像素级控制，是最高效、最专业的做法。

三、常见误区与专业判断逻辑

在多年的实践和与社区交流中，我注意到几个关于 Matplotlib 和 Seaborn 的常见误区。这些误区往往导致初学者在错误的场景下选择错误的工具，或者无法充分发挥工具的优势。

1. 误区一：“Seaborn 能取代 Matplotlib”

这是一个最普遍的误解。实际上，Matplotlib 是 Seaborn 的底层依赖。Seaborn 的所有绘图函数，最终都会调用 Matplotlib 的绘图 API。你可以把 Seaborn 理解为 Matplotlib 的一套“高级封装”或“模板”。它为你提供了更简洁的接口和更美观的默认值，但它无法脱离 Matplotlib 独立运行。因此，Seaborn 不是 Matplotlib 的替代品，而是建立在 Matplotlib 之上的一个“加速器”和“美颜滤镜”。

专业判断： 学习 Seaborn 之前，不需要精通 Matplotlib，但至少需要理解 Matplotlib 中 `Figure` 和 `Axes` 的概念，以及 `plt.subplots()` 的用法。因为当你需要精调 Seaborn 生成的图表时，你操作的就是 Matplotlib 的 `Axes` 对象。不理解这些，你就无法真正掌控 Seaborn 的输出。

2. 误区二：“Matplotlib 默认图表很丑，所以它不好用”

Matplotlib 的默认样式确实已经过时，它的灰色背景、蓝色直方图、以及默认的字体设置，被很多人戏称为“上世纪90年代的风格”。但这恰恰是 Matplotlib 巨大灵活性的体现。它的默认样式是“可配置的”，而不是“硬编码的”。你可以通过 `plt.style.use('seaborn-v0_8')` 或 `plt.style.use('ggplot')` 等一行代码，一键切换到其他流行的样式。

你还可以通过 `plt.rcParams` 调整每一个细节，从字体、颜色、网格线到图例，定制出你想要的任何风格。

专业判断： 评价一个工具的好坏，要看它的能力边界，而不是它的默认界面。Matplotlib 的“丑陋”恰恰是它“可编程性”的副产品。它的核心价值在于，它能让你“造轮子”，而不是“用轮子”。 当你需要实现一个市面上不存在的、非标准的、高度定制化的图表时，你会感谢 Matplotlib 的强大。

3. 误区三：“Seaborn 的图比 Matplotlib 的图更专业”

这种说法不完全正确。Seaborn 的默认图表确实更美观、更现代，看起来似乎“更专业”。但这只是“专业”的浅层含义。一个真正的专业图表，其核心是信息传递的精确性和无歧义性，而不是表面的美观。一个用 Matplotlib 精心调整过的图表，虽然可能花了更多时间，但它的配色、标注、布局，都经过了精心推敲，以确保读者能准确无误地理解数据的含义。

专业判断： 在快速探索阶段，Seaborn 的“专业感”足够好。但在正式报告中，“专业”意味着“控制”。Matplotlib 提供了这种控制力，让你可以确保图表中的每一个元素都在为准确传达信息服务，而不是为了“好看”而存在。

4. 误区四：“Seaborn 的 API 太简单，学不到东西”

这是一个危险的误解。Seaborn 的 API 虽然简洁，但内部封装了非常复杂的统计计算。例如，`sns.boxplot` 不仅画了五数概括，还自动计算并绘制了异常值；`sns.lmplot` 不仅画了散点图，还自动拟合了线性回归并绘制了置信区间；`sns.kdeplot` 自动计算并绘制了核密度估计曲线。使用 Seaborn 时，你其实是在使用这些统计方法，只是你不需要手动写算法。

专业判断： 我不建议初学者在没有理解基础统计概念（如均值、中位数、四分位数、分布、回归）的情况下，盲目使用 Seaborn 的高级功能。否则，你可能会得到一张看似漂亮、但内在逻辑完全错误的图表。正确的做法是：先理解你想表达什么统计关系，再看看 Seaborn 是否提供了对应的API，最后验证这个API的输出是否符合你的预期。

四、具体案例与数据观察：一个财务报表的诞生

为了更具体地展示两者如何协同工作，我想分享一个我去年为一家初创公司制作月度财务报表的项目。这个案例能清晰地展示从“探索性分析”到“正式报告产出”的完整流程，以及每个阶段应该使用什么工具。

1. 项目背景与数据

这家公司是一家SaaS服务商，数据包括过去12个月的各项财务指标：月度经常性收入（MRR）、客户获取成本（CAC）、客户生命周期价值（LTV）、月度流失率、以及现金流。我的任务是：先快速分析财务状况，找出关键问题，然后制作一份用于向投资人汇报的正式报告。

2. 第一阶段：快速探索（EDA）， 使用 Seaborn

拿到数据后，我打开 Jupyter Notebook，开始了第一轮探索：

找出核心趋势： 我首先用 `sns.lineplot` 绘制了12个月的MRR曲线，发现从第3个月开始，MRR增长放缓，但第6个月后有明显回升。

分析客户质量： 我用 `sns.histplot` 分析了不同客户群体的LTV分布，发现低价值客户的LTV极低，拉低了整体平均水平。同时，我用 `sns.boxplot` 对比了不同客户来源的LTV，发现从“内容营销”渠道来的客户，LTV中位数最高，且异常值最少。

验证业务假设： 我怀疑“月度流失率”与“客户获取成本”之间存在负相关。我用 `sns.lmplot` 拟合了散点图，发现两者确实存在显著负相关（R²约0.65），这证实了我的假设，也意味着降低流失率能显著提升营销效率。

整个探索过程，我花费了大约20分钟，生成了超过15张图表，每一张都只用了几行Seaborn代码。 这些图表让我快速摸清了公司的财务状况，并锁定了几个关键问题：MRR增长引擎是什么？哪个客户群体最健康？成本和流失率的关系是什么？

3. 第二阶段：正式报告生成 ， 组合拳（Matplotlib + Seaborn）

在完成探索后，我需要将这些洞察整合到一份给投资人的 PDF 报告中。报告包含4张核心图表：

• 图1：月度经常性收入（MRR）趋势（带关键事件标注）
• 图2：不同客户渠道的客户生命周期价值（LTV）分布对比
• 图3：流失率与客户获取成本（CAC）的散点图及拟合线
• 图4：月度现金流分析（柱状图+折线图组合）

我使用 Matplotlib 的 `plt.subplots` 创建了一个2×2的网格布局。然后，我调用 Seaborn 的 `sns.lineplot`, `sns.boxplot`, `sns.lmplot` 和 `sns.barplot`，并将它们绘制到各自的 `ax` 子图上。关键步骤在于，绘制完成后，我使用 Matplotlib 的对象方法对每个子图进行精调：

• 为图1的MRR曲线添加了“产品上线”、“渠道调整”等关键事件的时间轴标注。
• 为图2的箱线图设置了统一的颜色方案，并调整了图例位置。
• 为图3的散点图添加了拟合线的R²值和公式。
• 为图4设置了双Y轴，并调整了柱状图和折线图的样式。
• 最后，使用 `fig.suptitle` 添加了总标题，并使用 `fig.tight_layout` 自动调整了子图间距。

这个阶段，我花费了大约40分钟，但产出的是可以直接用于打印或嵌入PPT的出版级图表。

4. 数据观察与效率对比

从这个案例中，我观察到两个关键数据点：

• 效率提升： 在EDA阶段，使用 Seaborn 让我在20分钟内完成了过去可能需要2小时才能完成的分析工作（如果完全使用Matplotlib底层的`plot`、`hist`、`boxplot`函数）。效率提升了大约6倍。
• 控制力增益： 在正式报告阶段，如果完全使用 Seaborn 的默认输出，然后手动截图和拼图，不仅耗时，而且无法保证风格统一。使用 Matplotlib 的布局控制，让我在40分钟内完成了过去可能需要1.5小时才能完成的排版工作（如果手动调整）。效率提升了约2倍。更重要的是，图表的专业度和一致性得到了质的飞跃。

这个案例证明，两者的组合不是简单的“1+1”，而是“效率提升”和“控制力提升”的相乘效应。

五、不同情况下的行动建议

基于以上分析，我为你提供一套具体的、可执行的行动建议，帮助你在不同场景下做出最优选择。

1. 如果你是初学者，正在学习 Python 数据可视化

行动建议： 从 Matplotlib 的 `Figure` 和 `Axes` 对象开始，理解“画布-子图”的层级结构。然后，学习 Seaborn 的基本 API（`sns.lineplot`, `sns.histplot`, `sns.boxplot`, `sns.heatmap`），并尝试在 `ax` 对象上使用它们。最后，学习如何使用 Matplotlib 的 `subplots` 和 `ax` 对象方法进行精调。

不要试图“跳过” Matplotlib 直接学 Seaborn，也不要死磕 Matplotlib 的每一个细节。

取舍： 初期你可能会觉得 Matplotlib 的 API 很繁琐，但这是为了长期收益付出的学习成本。你最终会感谢自己理解了底层的“画布”概念。

2. 如果你是一名数据分析师，日常进行探索性数据分析

行动建议： 将 Seaborn 作为你的主要可视化工具，特别是高级API如 `sns.jointplot`, `sns.pairplot`, `sns.clustermap`。这些工具能让你在极短时间内获得多维度的洞察。同时，将 Matplotlib 的 `plt.rcParams` 配置保存为一个配置文件，以便在需要时快速切换到一个统一的、适合你公司品牌的样式。

取舍： Seaborn 的默认样式可能无法满足所有展示需求，但它的“快速出图”能力在 EDA 阶段的价值远超其不足。你只需要在报告阶段，重新用 Matplotlib 的精调版本替换掉 Seaborn 的默认输出即可。

3. 如果你是一名数据科学家，需要构建数据产品

行动建议： 你需要对 Matplotlib 的对象化编程有深入理解。因为数据产品（如 Dashboard、Web应用）中的图表，往往需要与高频交互逻辑（如缩放、平移、点击事件）结合。Matplotlib 的 `FigureCanvasTkAgg` 或 `FigureCanvasQTAgg` 等后端，是与 GUI 框架集成的桥梁。Seaborn 可以作为快速原型工具，但最终产品中的图表，通常需要完全基于 Matplotlib 进行定制。

取舍： 在数据产品中，性能（渲染速度）和交互性比美观度更重要。你需要选择 Matplotlib 提供的高性能后端，并可能需要牺牲一些美观度来换取性能。

4. 如果你是一名科研人员或学术论文作者

行动建议： 科研论文对图表的精确性、可重复性和风格一致性要求极高。你必须精通 Matplotlib 的 `rcParams` 来统一配置所有图表的字体、字号、图例、轴线和颜色。同时，学习如何使用 Matplotlib 的 `ticker` 模块来精确控制刻度位置和标签格式。Seaborn 的统计功能（如 `sns.kdeplot`, `sns.ecdfplot`）可以用于探索性分析，但最终的论文图表，几乎一定需要你用 Matplotlib 进行精调，以满足期刊的复杂格式要求。

取舍： 在科研场景下，图表的“可复制性”和“精确性”远高于“美观性”。你需要花大量时间（可能是一两天）来精调一张图，以确保它完全符合你的论文意图。不要期望用 Seaborn 的默认输出就能直接投稿。

5. 如果你需要向非技术背景的领导和客户汇报

行动建议： 你的核心目标是“清晰、直观、有说服力”。你不需要展示复杂的统计图，而应该使用 Seaborn 或 Matplotlib 生成简洁的柱状图、折线图和饼图。关键在于“讲故事”。你可以先用 Seaborn 快速生成一个初稿，然后用 Matplotlib 添加图注、数据标签、颜色标注，甚至用 `matplotlib.patches` 添加箭头和文本框，引导读者关注到你想要强调的结论。

取舍： 在汇报场景下，“信息传递效率”和“视觉冲击力”比“技术复杂性”更重要。 不要为了炫技而使用复杂的图表。一个简单、清晰、带有明确结论标注的柱状图，远比一个复杂的箱线图或热力图有效。

六、不同情况下的取舍：做出你的“权衡”

没有完美的工具，只有合适的取舍。在 Matplotlib 和 Seaborn 之间做选择，本质上是在“效率”、“灵活性”和“美观度”之间做权衡。以下是不同场景下，你应该优先考虑哪个维度，以及你愿意牺牲什么。

1. 权衡一：效率 vs 灵活性

场景： 你需要在30分钟内完成一个数据探索任务，并产出5张图表。

取舍：
优先选择 Seaborn，牺牲灵活性。 你接受 Seaborn 的默认样式，认为它“足够好”。你不关心图表的标题是否居中、图例是否在右上角。你唯一的目标是“尽快看完数据”。

2. 权衡二：灵活性 vs 美观度

场景： 你需要为一份重要的商业报告制作一张核心图表，这张图表将直接用于CEO的演示。

取舍：
优先选择 Matplotlib，牺牲效率。 你愿意花2个小时来精调这张图。你放弃了Seaborn的默认美观度，因为你认为，只有经过你亲手调整的样式，才能最准确地传达你想要表达的信息。你通过 Matplotlib 的 `rcParams` 和 `Axes` 对象方法，获得了“像素级”的控制力，但付出了“时间”的代价。

3. 权衡三：美观度 vs 效率

场景： 你需要在一天内产出50张图表，用于一个内部项目的初步分析。

取舍：
优先选择 Seaborn，牺牲美观度。 你不在乎图表的颜色是否统一、图例是否对齐。你接受Seaborn的默认美观度，因为它“足够用”。你牺牲了对“完美美观度”的追求，换取了“批量产出图表”的效率。

4. 权衡四：学习成本 vs 长期收益

场景： 你是一个刚入门的数据分析师，正在纠结先学哪个工具。

取舍：
优先学习 Matplotlib 的底层概念，再学 Seaborn。 你付出了更高的学习成本（理解 `Figure`, `Axes`, `subplots` 等概念），但换来了长期收益：你获得了对任何图表的控制力，并且能更好地理解 Seaborn 的封装。如果你先学 Seaborn，虽然入门快，但遇到复杂需求时，你会发现你无法用 Matplotlib 来精调它，因为你缺少底层概念，这是“省下”学习成本带来的“能力短板”。

5. 权衡五：团队协作 vs 个人偏好

场景： 你所在的团队，已经有一套基于 Matplotlib 搭建的图表模板和配色方案。

取舍：
放弃个人偏好，遵循团队规范。 即使你个人更喜欢 Seaborn 的默认样式，你也应该使用 Matplotlib 的 `rcParams` 和 `style` 来适配团队已有的模板。你可以将 Seaborn 的图表先绘制到 `ax` 对象上，然后应用团队的 Matplotlib 样式。这牺牲了“个人偏好”，但换取了“团队协作”和“产品一致性”。

七、总结：从“会用”到“善用”

Matplotlib 和 Seaborn 不是对手，而是你数据可视化武器库中的两把枪。一把是万能的“瑞士军刀”（Matplotlib），功能强大，但需要你花时间了解和操作；另一把是高效的“电动螺丝刀”（Seaborn），在特定任务（统计可视化）上效率极高，但无法完成所有工作。

“善用”的本质，是知道在什么时候选择哪把枪，以及如何组合使用它们，以达到效率、灵活性和美观度的最佳平衡。 这需要你不断实践，在项目中反复体会“决策树”中的取舍逻辑。

我给你的最终建议是：不要把自己变成一个“Seaborn用户”或“Matplotlib用户”，而是成为一个“Python数据可视化专家”。 这意味着，你不仅要会用工具，更要理解工具背后的设计哲学和适用边界。把你的重心从“学习这个库的API”转移到“理解数据，并选择最合适的工具来讲述它的故事”上。

现在，打开你的Jupyter Notebook，找一份你熟悉的数据集，按照我提供的“决策树”和“行动建议”，尝试用“组合拳”的方式完成一个完整的从探索到报告的项目。你会在实践中，真正体会到这两者协同工作的威力。

具体步骤： 创建画布和子图：fig, axes = plt.subplots(2, 2, figsize=(12, 10), gridspec_kw={'width_ratios': [2,1], 'hspace': 0.3})。这里我指定了宽度比例，让第一个子图占 2/3 宽度，用于主图。
在子图中使用 Seaborn 绘图：例如 sns.lineplot(data=df, x='date', y='sales', ax=axes[0,0])。注意传递 ax 参数，让 Seaborn 把图画到指定的坐标轴上。
用 Matplotlib 统一调整：for ax in axes.flat: ax.tick_params(rotation=45);ax.grid(True, alpha=0.3)。这样所有子图风格一致。
添加总标题和标注：fig.suptitle('2024 年销售趋势分析', fontsize=18, fontweight='bold')。还可以用 ax.annotate() 添加业务箭头注释。
导出高清图片：plt.savefig('report_fig.png', dpi=300, bbox_inches='tight', facecolor='white')。注意加上 facecolor='white' 避免透明背景。

免费注册

咨询方案

扫码咨询方案