Python 数据可视化：柱状图绘制实例解析

一、引言

数据可视化是数据分析中至关重要的环节，它能将复杂的数据以直观的图形方式呈现，帮助我们更好地理解数据特征和规律。Python 拥有丰富的可视化库，其中 Matplotlib 是最常用的基础库之一，能够绘制多种类型的图表。

本文将以双平台优化算法代码中的可视化部分为例，详细解读柱状图的绘制方法及相关函数的使用。

二、Matplotlib 基础

Matplotlib 是 Python 中最流行的绘图库，提供了类似 MATLAB 的绘图接口，支持多种图表类型。在代码中，主要通过 matplotlib.pyplot 模块（通常简写为 plt）进行绘图操作。

核心概念：

Figure：画布，是所有图表的容器
Axes：子图，一个画布可以包含多个子图
面向对象编程：通过子图对象（ax）调用绘图方法

三、代码中的可视化实现解析

在提供的代码中，DualPlatformOptimization 类包含两个主要的可视化方法：create_visualizations() 和 create_candidate_comparison_chart()，主要用于展示双平台优化的结果。

3.1 多子图布局创建

# 创建主要可视化图
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(16, 12))
fig.suptitle('大型分组双平台优化分析', fontsize=16, fontweight='bold')

函数解析：

plt.subplots(2, 2, figsize=(16, 12))：创建一个 2x2 的子图布局（共4个子图）
- 参数 2, 2：表示 2 行 2 列的子图布局
- 参数 figsize=(16, 12)：设置整个画布的尺寸（宽16，高12）
fig.suptitle()：设置整个画布的总标题
- fontsize：设置字体大小
- fontweight='bold'：设置字体为粗体

3.2 候选平台响应时间对比柱状图

# 图3: 候选平台评估对比
ax3.set_title('候选平台响应时间对比', fontweight='bold')if self.analysis_results and 'all_evaluations' in self.analysis_results:candidates = list(self.analysis_results['all_evaluations'].keys())response_times = [self.analysis_results['all_evaluations'][c]['total_response_time'] for c in candidates]# 只显示前10个候选平台以避免图表过于拥挤if len(candidates) > 10:# 按响应时间排序，显示最好的10个sorted_pairs = sorted(zip(candidates, response_times), key=lambda x: x[1])candidates = [p[0] for p in sorted_pairs[:10]]response_times = [p[1] for p in sorted_pairs[:10]]colors = ['gold' if c == self.optimal_second_platform else 'lightblue' for c in candidates]bars = ax3.bar(range(len(candidates)), response_times, color=colors, edgecolor='black', alpha=0.7)ax3.set_xticks(range(len(candidates)))ax3.set_xticklabels([f'路口{c}' for c in candidates], rotation=45)ax3.set_ylabel('总响应时间')# 添加数值标签for bar, time in zip(bars, response_times):height = bar.get_height()ax3.text(bar.get_x() + bar.get_width()/2., height + height*0.01,f'{time:.1f}', ha='center', va='bottom', fontsize=8)ax3.grid(True, alpha=0.3)

函数解析：

ax3.set_title()：设置当前子图的标题
ax3.bar()：绘制柱状图
- 参数1：x轴坐标（这里使用 range(len(candidates)) 生成连续整数）
- 参数2：柱状图高度（响应时间数据）
- color=colors：设置柱子颜色（最优平台用金色突出显示）
- edgecolor='black'：设置柱子边框颜色
- alpha=0.7：设置透明度（0-1之间）
坐标轴设置：
- ax3.set_xticks()：设置x轴刻度位置
- ax3.set_xticklabels()：设置x轴刻度标签
  - rotation=45：标签旋转45度，避免重叠
- ax3.set_ylabel()：设置y轴标签
添加数据标签：
- ax3.text()：在指定位置添加文本
  - 参数1,2：文本位置坐标
  - 参数3：要显示的文本内容（格式化的响应时间）
  - ha='center'：水平居中对齐
  - va='bottom'：垂直底部对齐
ax3.grid(True, alpha=0.3)：显示网格线，alpha 设置网格线透明度

3.3 候选平台详细对比柱状图

# 总响应时间对比
colors1 = ['gold' if c == self.optimal_second_platform else 'lightcoral' for c in candidates_sorted]
bars1 = ax1.bar(range(len(candidates_sorted)), total_times_sorted, color=colors1, alpha=0.7, edgecolor='black')
ax1.set_title('候选平台总响应时间对比', fontweight='bold')
ax1.set_xlabel('候选平台')
ax1.set_ylabel('总响应时间')
ax1.set_xticks(range(len(candidates_sorted)))
ax1.set_xticklabels([f'路口{c}' for c in candidates_sorted], rotation=45)# 添加数值标签
for bar, time in zip(bars1, total_times_sorted):height = bar.get_height()ax1.text(bar.get_x() + bar.get_width()/2., height + height*0.01,f'{time:.1f}', ha='center', va='bottom', fontsize=8)

这段代码与前面的柱状图绘制逻辑相似，但有几个值得注意的点：

数据排序：先对候选平台按响应时间排序，使图表更具可读性
颜色方案：使用不同的颜色方案区分不同类型的柱状图
同时展示了总响应时间和平均响应时间两组数据，便于对比分析

3.4 图表保存与显示

plt.tight_layout()
plt.savefig('大型分组双平台优化分析.png', dpi=300, bbox_inches='tight')
print("可视化图表已保存: 大型分组双平台优化分析.png")
plt.show()

函数解析：

plt.tight_layout()：自动调整子图参数，使子图之间的布局更合理
plt.savefig()：保存图表到文件
- 参数1：文件名
- dpi=300：设置图像分辨率（300dpi适合印刷）
- bbox_inches='tight'：去除图像周围的空白区域
plt.show()：显示图表

四、热力图绘制简介

虽然提供的代码中没有热力图的实现，但热力图是另一种常用的可视化方式，通常用于展示数据的矩阵分布。以下是使用 Matplotlib 绘制热力图的基本示例：

import numpy as np
import matplotlib.pyplot as plt# 生成示例数据
data = np.random.rand(10, 10)  # 10x10的随机数据矩阵# 创建画布和子图
fig, ax = plt.subplots(figsize=(8, 6))# 绘制热力图
heatmap = ax.imshow(data, cmap='viridis')# 添加颜色条
cbar = plt.colorbar(heatmap)
cbar.set_label('数值强度')# 设置标题和坐标轴标签
ax.set_title('热力图示例')
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')plt.tight_layout()
plt.show()