一、实践背景：锚定课程核心知识点

本次实践围绕《数据可视化》课程的 **“基础工具应用 + 可视化优化原则”** 两大核心模块展开 —— 既落地了第 3 章 “Matplotlib 基础图表绘制” 的操作方法，也践行了第 5 章 “可视化可读性、美观性” 的理论要求，最终完成 “从‘能画图’到‘画好图’” 的实践目标。

二、实践全流程：从踩坑到优化的详细记录

2.1 初阶任务：解决 “从 0 到 1 画出折线图” 的基础问题

2.1.1 需求分析

课程要求用折线图展示连续数据的趋势变化，我选择 “某城市 1 月上旬气温数据” 作为案例（数据来源：课程实验模拟数据集）。

import matplotlib.pyplot as plt import numpy as np # 准备数据 date = ["1月1日", "1月2日", "1月3日", "1月4日", "1月5日", "1月6日", "1月7日"] temp = [18, 20, 22, 19, 21, 23, 20] # 气温（℃） # 绘制折线图（初版） plt.plot(date, temp) plt.title("某城市1月上旬气温变化") plt.show()

踩坑 1：中文显示乱码

• 现象：运行后标题、坐标轴文字变成 “□□□”
• 原因：Matplotlib 默认不加载中文字体
• 解决：添加字体配置代码（课程课件补充知识点）：

  plt.rcParams["font.sans-serif"] = ["SimHei"] # 引入黑体 plt.rcParams["axes.unicode_minus"] = False # 解决负号显示问题

• 踩坑 2：图表元素缺失

• 现象：仅显示折线，无坐标轴标签、网格，可读性差
• 原因：初版代码未配置可视化辅助元素
• 解决：补充图表基础元素（参考课程 “可视化可读性” 要求）：

      plt.figure(figsize=(8, 5)) # 设置画布大小，避免内容拥挤 plt.plot(date, temp, color="skyblue",         linewidth=2, marker="o", label="气温(℃)") plt.title("某城市1月上旬气温变化趋势", fontsize=14,      pad=20) # pad：标题与图表间距 plt.xlabel("日期", fontsize=12, labelpad=10) plt.ylabel("气温        (℃)", fontsize=12, labelpad=10) plt.xticks(rotation=30) # 日期文字旋转30°，避免重叠                    plt.grid(alpha=0.3) # 网格透明度0.3，既辅助阅读又不干扰视线 plt.legend() # 显示图例

2.1.3 初版效果展示（图片）

2.3 参考资料（链接）

• Matplotlib 官方双 Y 轴教程：https://matplotlib.org/stable/gallery/subplots_axes_and_figures/two_scales.html
• 课程课件：《数据可视化 - 多维度数据展示方法》
• CSDN 优质案例：Matplotlib 折线图进阶优化技巧

三、学习心得：从 “工具操作” 到 “思维升级”

3.1 工具层面：从 “会用” 到 “会调”

本次实践让我掌握了 Matplotlib 的核心操作：从基础的plot()、savefig()，到进阶的rcParams字体配置、twinx()双 Y 轴、text()数据标签添加。更重要的是，我学会了 **“根据需求调整参数”**—— 比如根据数据量调整画布大小、根据阅读体验调整网格透明度，而非机械套用模板。

3.2 思维层面：理解 “可视化的核心是‘传递信息’”

课程中 “可读性优先” 的原则，在实践中得到了充分验证：

• 初版图表缺失元素，读者需要 “费力找信息”；
• 优化版用双 Y 轴、数据标签、颜色区分，读者能 “一眼看懂趋势”。这让我明白：数据可视化不是 “技术炫技”，而是 “用最低成本传递数据价值”—— 所有的参数调整、格式优化，最终都要服务于 “让读者高效获取信息” 的目标。

3.3 不足与后续计划

本次实践仍有可提升之处：

1. 功能局限：未尝试 Matplotlib 的样式表（plt.style.use()），图表美观性还有优化空间；
2. 场景拓展：仅用了模拟数据，后续需结合课程实验的真实数据集（如用户行为数据）练习；
3. 工具联动：未结合 Pandas 做数据预处理，效率有待提升。

后续计划：参考课程第 7 章 “可视化工具联动” 的内容，练习 “Pandas 数据清洗 + Matplotlib 可视化” 的全流程，同时学习 Seaborn 库的高级样式，提升图表的专业性与美观性。