在 Python 的数据分析领域，Matplotlib 和 Seaborn 是两个强大的可视化工具，它们不仅能帮助我们将数据以直观的方式呈现出来，还拥有许多隐藏的功能等待我们去发掘，从而让数据可视化更加出彩。
首先，让我们来了解一下 Matplotlib。
Matplotlib 提供了丰富的自定义选项。例如，我们可以通过修改坐标轴的刻度、标签、网格线等来增强图表的可读性。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
plt.plot(x, y)
plt.xlabel('Angle (radians)')
plt.ylabel('Sine Value')
plt.title('Sine Wave')
# 修改坐标轴刻度
plt.xticks([0, np.pi/2, np.pi, 3*np.pi/2, 2*np.pi], ['0', 'π/2', 'π', '3π/2', '2π'])
# 添加网格线
plt.grid(True)
plt.show()
此外，Matplotlib 还支持绘制多个子图，这在同时展示多个相关但又不同的数据分布时非常有用。
plt.subplot(1, 2, 1)
plt.plot(x, y)
plt.title('Sine Wave')
plt.subplot(1, 2, 2)
plt.plot(x, np.cos(x))
plt.title('Cosine Wave')
plt.show()
接下来看看 Seaborn。
Seaborn 基于 Matplotlib 构建，但其内置的主题和调色板能让我们轻松创建出美观的图表。
import seaborn as sns
tips = sns.load_dataset('tips')
# 使用默认主题和调色板绘制柱状图
sns.barplot(x='day', y='total_bill', data=tips)
plt.show()
Seaborn 还提供了方便的函数来绘制复杂的统计图形，如 violinplot（小提琴图）和 pairplot（成对关系图）。
sns.violinplot(x='day', y='total_bill', data=tips)
plt.show()
sns.pairplot(tips)
plt.show()
此外，Seaborn 可以与 Pandas 数据框很好地结合，使得数据处理和可视化的流程更加流畅。
import pandas as pd
data = {
'A': [1, 2, 3, 4, 5], 'B': [2, 4, 6, 8, 10]}
df = pd.DataFrame(data)
sns.scatterplot(data=df, x='A', y='B')
plt.show()
通过深入挖掘 Matplotlib 和 Seaborn 的这些隐藏功能，我们能够根据数据的特点和需求，创建出更加吸引人、更具信息量的数据可视化作品，为数据分析和决策提供有力的支持。
