1. 项目概述用最基础的三件套做出真正能讲清故事的图表你手头有一堆Excel表格、CSV日志、数据库导出的原始数据领导说“给我看看趋势”业务方问“为什么上个月转化率掉了3%”老板要的是“一张图说清问题”。这时候你打开Jupyter Notebook不慌不忙敲下import pandas as pd——不是为了炫技而是因为pandas numpy matplotlib 这套组合是数据可视化里最扎实、最可控、最不容易翻车的底层基建。它不像Plotly动不动就弹出交互框也不像Seaborn封装太深导致改个坐标轴颜色都要查半小时文档。它就是一把瑞士军刀切数据用pandas算中间值用numpy最后落笔画图用matplotlib。我带过十几期数据分析实战班发现一个铁律凡是跳过这三件套、直接学高级库的学员三个月后准在配色、刻度、图例对齐上卡壳。原因很简单——高级库的默认参数全是从matplotlib继承来的。你连plt.xticks(rotation45)都得抄别人代码怎么可能调出符合汇报场景的图这篇文章不是教你怎么“做图”而是带你从零开始用真实销售数据、用户行为日志、温度传感器记录这些常见素材把每一步“为什么这么写”掰开揉碎。比如为什么df.groupby(date).sum()之后必须.reset_index()才能画时间序列图为什么np.where()比df.loc[]更适合做条件高亮为什么plt.subplots(figsize(10,6))里的宽高比不是随便写的这些细节才是你在日报、周报、季度复盘里真正能用上的硬功夫。2. 核心思路拆解为什么坚持用“老三样”而不是追新库2.1 不是拒绝新工具而是守住表达主权很多人一提数据可视化立刻想到Plotly、Altair、甚至Streamlit。这些工具确实酷但它们有个隐藏代价你失去了对图形元素的逐像素控制权。举个真实例子某次给银行客户做风控报表要求所有折线图的Y轴必须从0开始监管合规且小数点后保留两位财务精度。Plotly的yaxisdict(rangemodetozero)能搞定前者但后者需要嵌套三层回调函数去格式化tick标签。而matplotlib里一行plt.gca().yaxis.set_major_formatter(plt.FuncFormatter(lambda y, _: f{y:.2f}))就完事。这不是代码长短的问题是表达意图是否直接的问题。pandas处理数据时同理——df.pivot_table(valuesrevenue, indexregion, columnsmonth, aggfuncsum)生成的透视表结构清晰、索引明确后续传给matplotlib画热力图时行列顺序、缺失值处理逻辑全部透明。换成某些“智能”库它自动帮你补全NaN、自动排序月份结果你发现Q4数据被排到了第一列还得倒回去查源数据排序逻辑。2.2 三件套的分工哲学各司其职绝不越界这三者的协作关系我常比喻成“厨房三人组”pandas是主厨负责清洗食材dropna()、切配分装groupby()、调味腌制apply()自定义函数。它处理的是“数据语义”——哪列是时间、哪列是分类、数值范围是否合理。numpy是刀工师傅专攻“数学动作”。比如计算同比变化率(current_value - last_year_value) / last_year_value用np.divide()能天然处理除零异常再比如做箱线图的四分位数np.percentile(data, [25,50,75])比pandas的quantile()更贴近统计学定义且不依赖索引。matplotlib是摆盘师只管“视觉呈现”。它不管数据从哪来、怎么算的只认x和y两个数组。你给它[1,2,3]和[10,15,12]它就画三点连线你给它二维数组它就铺成热力图。这种“无状态”设计反而让调试变得极其简单——图不对直接打印x和y数组看数值而不是怀疑库的内部状态机。提示新手最容易犯的错是让matplotlib“兼职”数据处理。比如用plt.hist(df[age])代替df[age].hist()。前者看似省事但当你想加密度曲线时会发现直方图的bin边界和密度曲线的x轴根本对不上——因为plt.hist()内部重算了bin而密度曲线用的是原始数据。正确做法永远是pandas/numpy先算好bins和density再喂给plt.bar()或plt.plot()。2.3 性能与可维护性的隐形门槛当数据量超过50万行时差异就显现了。某次处理物联网设备上报的秒级温度数据12台设备×30天×86400秒≈3000万行用Plotly渲染全量数据直接卡死浏览器。换成matplotlibplt.scatter()配合rasterizedTrue参数把散点转为位图内存占用降了60%导出PDF也只要3秒。更关键的是可维护性半年后业务方说“把X轴改成设备IDY轴改成每小时平均温度”你打开原脚本df.groupby([device_id, pd.Grouper(keytimestamp, freqH)])[temp].mean().unstack(device_id)这一行改完图就自动更新。而如果当初用了高度封装的库很可能要重写整个绘图逻辑。3. 实操细节解析从读取数据到交付图表的完整链路3.1 数据加载与清洗别让脏数据毁掉整张图很多教程一上来就pd.read_csv(data.csv)但现实中的数据源远比这复杂。我整理了实际项目中最常遇到的5类陷阱及应对方案陷阱1日期列识别失败原始数据中日期可能是2023-01-01、01/01/2023甚至2023年1月1日。直接read_csv会导致列类型为object后续按时间分组会报错。✅ 正确做法# 指定日期列并强制解析errorscoerce将无法解析的转为NaT df pd.read_csv(sales.csv, parse_dates[order_date], date_parserlambda x: pd.to_datetime(x, errorscoerce)) # 验证df[order_date].dt.year.unique() 看是否提取出年份陷阱2数值列混入文本销售金额列出现¥1,234.56或N/Apd.to_numeric()直接报错。✅ 正确做法# 先用正则提取纯数字再转换 df[amount] df[amount].str.replace(r[^\d.-], , regexTrue) df[amount] pd.to_numeric(df[amount], errorscoerce) # 后续用df[amount].fillna(0)或插值填充陷阱3重复与矛盾记录同一订单号出现两次但金额不同。pandas的duplicated()只能找完全重复而业务上“订单号时间戳”才构成唯一键。✅ 正确做法# 定义业务唯一键标记重复项 dup_mask df.duplicated(subset[order_id, order_date], keepFalse) # 查看重复样本人工判断保留逻辑 print(df[dup_mask].sort_values([order_id, order_date])) # 通常保留最新时间戳的记录 df df.sort_values(order_date).drop_duplicates( subset[order_id], keeplast)陷阱4分类列的隐式排序地区列是[华东,华南,华北,西南]但pandas默认按字母序排成[华东,华北,华南,西南]画柱状图时地理逻辑就乱了。✅ 正确做法# 显式定义有序分类 regions [华东,华南,华北,西南,西北,东北] df[region] pd.Categorical(df[region], categoriesregions, orderedTrue) # 后续groupby会按此顺序输出陷阱5缺失值的业务含义用户活跃天数列有NaN这代表“从未登录”还是“数据上报失败”不能一概fillna(0)。✅ 正确做法# 添加缺失值标识列保留业务语义 df[is_active_missing] df[active_days].isna() # 对已知活跃用户用中位数填充避免均值受异常值影响 median_active df[df[active_days].notna()][active_days].median() df.loc[df[active_days].notna(), active_days_filled] df[active_days] df.loc[df[active_days].isna(), active_days_filled] median_active注意清洗步骤必须保存为独立函数如clean_sales_data(df)。这样下次拿到新数据只需clean_sales_data(pd.read_csv(new_file))避免重复劳动。3.2 数据聚合与特征工程为绘图准备“干净食材”可视化不是数据的搬运工而是翻译官。原始数据是“原料”图表是“成品菜”中间必须经过“烹饪”——即聚合与特征工程。这里的关键是所有用于绘图的字段必须在绘图前完成计算而不是让matplotlib边画边算。案例制作月度销售趋势图含同比原始数据是每日订单明细需聚合为月度汇总并计算同比变化率。# 步骤1确保日期列是datetime类型并设为索引便于时间操作 df[order_date] pd.to_datetime(df[order_date]) df df.set_index(order_date) # 步骤2按月聚合注意resample会自动处理月末对齐 monthly_sales df.resample(M)[amount].sum().reset_index() # resample(M) 生成的是每月最后一天如2023-01-31需转为月初方便展示 monthly_sales[month] monthly_sales[order_date].dt.to_period(M) monthly_sales monthly_sales.set_index(month) # 步骤3计算同比当前月 vs 去年同月 # shift(12) 将2023-01移到2022-01位置相减得同比增量 monthly_sales[yoy_change] ( monthly_sales[amount] - monthly_sales[amount].shift(12) ) / monthly_sales[amount].shift(12) * 100 # 步骤4处理首年数据shift后为NaN用0填充并标注 monthly_sales[yoy_change] monthly_sales[yoy_change].fillna(0) monthly_sales[yoy_label] np.where( monthly_sales[yoy_change] 0, f{monthly_sales[yoy_change]:.1f}%, f{monthly_sales[yoy_change]:.1f}% ) # 最终得到可用于绘图的DataFrame # month amount yoy_change yoy_label # 2022-01 125000 0.0 0.0% # 2022-02 132000 0.0 0.0% # 2022-03 141000 5.2 5.2%为什么不用df.groupby(df[order_date].dt.to_period(M))resample是时间序列专用方法能自动处理不规则采样如某月只有28天、跨年对齐而groupby只是机械分组遇到2023-02-29这种不存在的日期会报错。案例用户分层分析RFM模型简化版根据最近购买时间Recency、购买频次Frequency、消费总额Monetary划分用户价值。# 计算每个用户的三个指标 rfm df.groupby(user_id).agg( recency(order_date, lambda x: (pd.Timestamp.now() - x.max()).days), frequency(order_id, count), monetary(amount, sum) ).reset_index() # 分层用分位数切分避免极端值干扰 rfm[r_score] pd.qcut(rfm[recency], q5, labels[5,4,3,2,1], duplicatesdrop) rfm[f_score] pd.qcut(rfm[frequency], q5, labels[1,2,3,4,5], duplicatesdrop) rfm[m_score] pd.qcut(rfm[monetary], q5, labels[1,2,3,4,5], duplicatesdrop) # 合并得分生成用户群组 rfm[rfm_score] rfm[r_score].astype(str) rfm[f_score].astype(str) rfm[m_score].astype(str) rfm[segment] rfm[rfm_score].map({ 555: 重要价值客户, 545: 重要发展客户, 111: 流失客户, 155: 重要挽留客户 }) # 统计各群组人数与占比 segment_stats rfm.groupby(segment).agg( count(user_id, count), avg_monetary(monetary, mean) ).sort_values(count, ascendingFalse)实操心得分层指标必须用qcut等频分箱而非cut等宽分箱。曾有个电商客户用cut按消费额分5档结果80%用户挤在最低档最高档只有3个人分层完全失效。qcut保证每档人数均衡业务解读才有意义。4. 图表绘制核心环节从代码到专业图表的精细打磨4.1 折线图时间序列的呼吸感与节奏感时间序列图最容易犯的错是把所有线条堆在一起变成“毛线团”。专业图表要让人一眼看出趋势、拐点、周期性。基础版本问题暴露plt.plot(monthly_sales.index.astype(str), monthly_sales[amount]) plt.title(Monthly Sales) plt.xlabel(Month) plt.ylabel(Amount (¥)) plt.show()问题X轴标签重叠、无网格、无单位、无数据标签。专业版本逐项优化# 创建画布指定DPI保证导出清晰 fig, ax plt.subplots(figsize(12, 6), dpi120) # 主折线加粗突出 ax.plot(monthly_sales.index.astype(str), monthly_sales[amount], linewidth2.5, color#1f77b4, labelSales) # 添加同比变化率柱状图双Y轴 ax2 ax.twinx() bars ax2.bar(monthly_sales.index.astype(str), monthly_sales[yoy_change], alpha0.3, color#ff7f0e, width0.4, labelYoY Change (%)) # 网格主Y轴用实线副Y轴用虚线 ax.grid(True, axisy, linestyle-, alpha0.7) ax2.grid(False) # 双Y轴时只显示主轴网格 # X轴旋转标签只显示关键月份 ax.set_xticks(range(0, len(monthly_sales), 3)) # 每3个月标一个 ax.set_xticklabels([x.strftime(%Y-%m) for x in monthly_sales.index[::3]]) # Y轴主轴用千分位分隔副轴限制范围 ax.yaxis.set_major_formatter(plt.FuncFormatter(lambda y, _: f{y/10000:.0f}w)) ax2.set_ylim(-20, 30) # 同比率通常在±20%内 # 图例放在右上角避免遮挡数据 lines1, labels1 ax.get_legend_handles_labels() lines2, labels2 ax2.get_legend_handles_labels() ax.legend(lines1 lines2, labels1 labels2, locupper right) # 添加标题与来源标注 ax.set_title(2022-2023 Monthly Sales Trend YoY Growth, fontsize14, pad20) fig.text(0.02, 0.02, Source: Internal CRM System | Updated: 2023-10-15, fontsize9, colorgray) plt.tight_layout() plt.show()关键技巧解析dpi120屏幕显示用120导出印刷用300避免模糊。twinx()双Y轴必须用ax2.set_ylim()限制副轴范围否则小幅度变化会被压缩成一条线。ax.set_xticks()手动设置刻度比plt.xticks(rotation45)更精准避免标签挤在一起。FuncFormatter自定义Y轴f{y/10000:.0f}w把125000显示为13w符合商业报告习惯。4.2 柱状图分类比较的公平性与信息密度柱状图的核心是“公平比较”——所有柱子宽度一致、间距合理、数值标签清晰。问题场景展示各地区销售额但华东数据是华南的3倍导致华南柱子矮得看不见。解决方案# 使用pandas的plot方法自动处理分类索引 ax region_sales.plot(kindbar, figsize(10, 6), color[#1f77b4, #ff7f0e, #2ca02c, #d62728, #9467bd, #8c564b], width0.7) # 控制柱子宽度避免过窄 # 添加数值标签在柱子上方 for i, v in enumerate(region_sales[amount]): ax.text(i, v v*0.01, f{v/10000:.1f}w, hacenter, vabottom, fontweightbold) # 设置Y轴从0开始强制公平起点 ax.set_ylim(0, region_sales[amount].max() * 1.1) # 优化X轴标签 ax.set_xticklabels(region_sales[region], rotation0, hacenter) ax.set_xlabel(Region) ax.set_ylabel(Sales Amount (¥)) # 添加数据来源水印 ax.text(0.02, 0.02, Data Source: Q3 2023 Sales Report, transformax.transAxes, fontsize10, colorgray, alpha0.7) plt.tight_layout() plt.show()为什么不用plt.bar()pandas.DataFrame.plot()会自动将索引作为X轴标签且保留分类顺序而plt.bar()需要手动传入x坐标数组容易因索引错位导致柱子顺序混乱。进阶技巧分组柱状图对比两年数据# 构造两年数据的DataFrame列名为年份 two_year_data pd.DataFrame({ 2022: [125, 98, 142, 87, 105, 76], 2023: [138, 112, 156, 95, 118, 89] }, index[华东,华南,华北,西南,西北,东北]) # 绘制分组柱状图 ax two_year_data.plot(kindbar, width0.8, figsize(10,6)) ax.set_ylabel(Sales (¥10k)) ax.set_title(Regional Sales Comparison: 2022 vs 2023) # 在每个柱子上添加数值 for container in ax.containers: ax.bar_label(container, fmt%.0f, padding3) # 调整图例位置 ax.legend(titleYear, bbox_to_anchor(1.02, 1), locupper left) plt.tight_layout() plt.show()4.3 散点图与气泡图揭示变量间的隐藏关系散点图不是画点是画“关系”。重点在于如何让相关性、异常值、分组模式一目了然。案例分析用户年龄与客单价的关系# 过滤掉异常值年龄10或80客单价1或10000 valid_data df[(df[age] 10) (df[age] 80) (df[amount] 1) (df[amount] 10000)] # 按用户等级分组用不同颜色和大小 scatter plt.scatter(valid_data[age], valid_data[amount], cvalid_data[user_level].map({VIP:0, Gold:1, Silver:2}), svalid_data[order_count] * 10, # 订单数决定气泡大小 alpha0.6, cmapviridis) # 添加趋势线用numpy.polyfit拟合一次函数 z np.polyfit(valid_data[age], valid_data[amount], 1) p np.poly1d(z) plt.plot(valid_data[age], p(valid_data[age]), r--, alpha0.8, linewidth2) # 设置颜色条和标签 plt.colorbar(scatter, labelUser Level (0VIP, 1Gold, 2Silver)) plt.xlabel(Age) plt.ylabel(Order Amount (¥)) plt.title(Relationship between Age and Order Amount) # 添加网格提升可读性 plt.grid(True, alpha0.3) plt.show()关键参数说明svalid_data[order_count] * 10气泡大小反映订单频次乘以10是为了让气泡足够可见。cmapviridis比默认的jet更符合色盲友好标准且渐变更平滑。polyfit拟合比plt.axhline()更科学能直观显示斜率此处斜率为正说明年龄越大客单价越高。4.4 热力图矩阵数据的视觉编码艺术热力图的核心是“颜色即数值”。必须确保颜色映射准确传达大小关系。案例展示各产品在各渠道的销售占比# 构建透视表行产品列渠道值销售额占比 pivot_table pd.pivot_table(df, valuesamount, indexproduct, columnschannel, aggfuncsum) # 计算每行占比即每个产品在各渠道的分布 heatmap_data pivot_table.div(pivot_table.sum(axis1), axis0) # 绘制热力图 fig, ax plt.subplots(figsize(10, 8)) im ax.imshow(heatmap_data, cmapBlues, aspectauto, vmin0, vmax1) # 添加数值标签 for i in range(len(heatmap_data.index)): for j in range(len(heatmap_data.columns)): text ax.text(j, i, f{heatmap_data.iloc[i, j]:.1%}, hacenter, vacenter, colorwhite, fontweightbold) # 设置坐标轴标签 ax.set_xticks(np.arange(len(heatmap_data.columns))) ax.set_yticks(np.arange(len(heatmap_data.index))) ax.set_xticklabels(heatmap_data.columns, rotation45, haright) ax.set_yticklabels(heatmap_data.index) # 添加颜色条 cbar ax.figure.colorbar(im, axax, shrink0.8) cbar.ax.set_ylabel(Sales Share (%), rotation-90, vabottom) plt.title(Product Sales Distribution Across Channels) plt.tight_layout() plt.show()避坑指南vmin0, vmax1强制颜色映射范围避免单个异常值如某产品某渠道占99%导致其他格子全成浅蓝色。aspectauto让单元格保持方形避免长宽比失真。白色字体加粗确保深色背景上的文字清晰可读。5. 常见问题与排查技巧实录那些文档里不会写的坑5.1 中文显示乱码从字体配置到系统级修复现象所有中文标题、标签显示为方块□□□。根本原因matplotlib默认字体不支持中文且未正确配置中文字体路径。彻底解决流程Windows/Mac/Linux通用确认系统中文字体文件名Windowssimhei.ttf黑体、msyh.ttc微软雅黑MacHeiti.ttc黑体、STHeiti Light.ttcLinux/usr/share/fonts/truetype/wqy/wqy-microhei.ttc文泉驿微米黑在Python中动态注册字体import matplotlib.font_manager as fm # 替换为你的系统字体路径 font_path C:/Windows/Fonts/simhei.ttf # Windows # font_path /System/Library/Fonts/PingFang.ttc # Mac # font_path /usr/share/fonts/truetype/wqy/wqy-microhei.ttc # Linux # 注册字体 prop fm.FontProperties(fnamefont_path) plt.rcParams[font.family] prop.get_name() plt.rcParams[axes.unicode_minus] False # 解决负号显示为方块验证是否生效# 打印当前可用字体 for font in fm.fontManager.ttflist: if simhei in font.fname.lower(): print(font.name, font.fname)实操心得不要用plt.rcParams[font.sans-serif] [SimHei]这依赖系统字体缓存经常失效。动态注册字体路径是最可靠的方式。5.2 图表导出模糊DPI与矢量图的选择现象导出的PNG图片放大后锯齿严重PPT里插入变模糊。原因默认DPI过低80且未选择合适格式。解决方案屏幕展示/网页嵌入用高DPI PNGplt.savefig(chart.png, dpi300, bbox_inchestight)PPT/Keynote插入用SVG矢量图无限缩放plt.savefig(chart.svg, bbox_inchestight)印刷出版用PDF保留字体和矢量plt.savefig(chart.pdf, bbox_inchestight)关键参数bbox_inchestight自动裁剪空白边距避免标题被截断。5.3 内存泄漏循环绘图时的资源释放现象批量生成100张图表时程序越来越慢最终内存溢出。原因matplotlib每次plt.show()或plt.savefig()后figure对象未被销毁持续占用内存。正确做法# 错误反复使用plt.xxxfigure累积 for i in range(100): plt.plot(data[i]) plt.savefig(fchart_{i}.png) plt.show() # 未关闭内存泄漏 # 正确显式创建和关闭figure for i in range(100): fig, ax plt.subplots(figsize(8,5)) ax.plot(data[i]) fig.savefig(fchart_{i}.png, dpi150) plt.close(fig) # 关键释放内存5.4 颜色混淆色盲用户友好配色方案问题使用红绿色区分成功/失败但约8%男性用户是红绿色盲。解决方案首选方案使用colorblind色板import seaborn as sns colors sns.color_palette(colorblind, 6) # 生成6种色盲友好色手动指定# 避免红/绿用蓝/橙/紫 colors [#0077BB, #EE7733, #009988, #CC3322, #33BBEE]验证工具用在线色盲模拟器如Coblis上传图表截图检查区分度。5.5 时间序列错位时区与频率陷阱现象画2023-01-01到2023-12-31的数据X轴却显示2022-12-31到2023-12-30。原因resample(M)生成的是月末时间戳而plt.plot()按时间戳对齐。修复方法# 方案1用月初时间戳推荐 monthly_data[month] monthly_data[date].dt.to_period(M).dt.start_time # 方案2用字符串月份最稳定 monthly_data[month_str] monthly_data[date].dt.strftime(%Y-%m) plt.plot(monthly_data[month_str], monthly_data[value])6. 实战项目复盘从原始日志到决策图表的全流程6.1 项目背景电商大促期间的实时监控看板某电商平台在“618大促”期间需每小时生成一份运营简报包含实时GMV趋势分钟级数据总量达200万行/天各品类销售TOP5需排除预售订单用户地域分布热力图精确到地级市客服咨询量与售后率关联分析原始数据形态orders.csv订单明细含order_id,timestamp,category,amount,province,cityservice_logs.csv客服日志含log_id,timestamp,user_id,issue_type,resolvedreturns.csv退货记录含return_id,order_id,reason6.2 数据清洗与聚合为高频更新设计挑战每小时处理200万行传统read_csvgroupby耗时超8分钟无法满足实时性。优化方案# 使用dask替代pandas处理大文件API几乎一致 import dask.dataframe as dd # 分块读取避免内存爆炸 df_orders dd.read_csv(orders.csv, blocksize64MB, # 每块64MB dtype{amount: float64}) # 并行聚合利用多核 hourly_gmv df_orders.groupby( dd.to_datetime(df_orders[timestamp]).dt.floor(H) )[amount].sum().compute() # 本地缓存结果供后续绘图快速读取 hourly_gmv.to_csv(cache/hourly_gmv.csv)品类TOP5清洗要点# 排除预售订单订单时间早于发货时间30天以上 df_orders[ship_date] pd.to_datetime(df_orders[ship_date]) df_orders[order_date] pd.to_datetime(df_orders[order_date]) df_orders df_orders[ (df_orders[ship_date] - df_orders[order_date]).dt.days 30 ] # 按品类聚合取TOP5 top5_categories df_orders.groupby(category)[amount].sum().nlargest(5)6.3 图表生成自动化脚本与模板化输出核心脚本结构# report_generator.py def generate_hourly_report(hour_offset0): 生成指定小时偏移的报告0当前小时-1上一小时 # 1. 加载缓存数据 gmv_data pd.read_csv(cache/hourly_gmv.csv, index_col0, parse_datesTrue) top5 pd.read_csv(cache/top5_categories.csv, index_col0) # 2. 截取最近24小时数据 end_time pd.Timestamp.now().floor(H) - pd.Timedelta(hourshour_offset) start_time end_time - pd.Timedelta(hours23) recent_data gmv_data.loc[start_time:end_time] # 3. 绘制主图GMV趋势 fig, axes plt.subplots(2, 2, figsize(16, 12)) plot_gmv_trend(recent_data, axes[0,0]) plot_top5_categories(top5, axes[0,1]) plot_geo_heatmap(axes[1,0]) plot_service_correlation(axes[1,1]) # 4. 保存为PDF filename freport_{end_time.strftime(%Y%m%d_%H)}.pdf plt.savefig(filename, bbox_inchestight) plt.close(fig) return filename # 每小时执行一次 if __name__ __main__: generate_hourly_report()模板化设计优势更换主题色只需修改plot_*函数中的color参数新增图表只需在subplots(2,2)中增加axes[1,1]的调用导出格式由plt.savefig()统一控制无需修改各绘图函数6.4 交付物与业务价值最终