主题
可视化最佳实践
画图容易，画好图难。这一节总结几个在实际工作中反复验证过的可视化原则。
图表选择速查
| 你想展示什么 | 用什么图 |
|---|---|
| 趋势（随时间变化） | 折线图 plot() |
| 分类对比（模型 A vs B） | 柱状图 plot(kind='bar') |
| 分布形态（延迟/分数） | 直方图 plot(kind='hist') / KDE 图 |
| 两变量关系（质量 vs 长度） | 散点图 plot.scatter() |
| 组成比例（来源占比） | 饼图 plot(kind='pie') |
| 多变量分布（质量×长度×来源） | 散点矩阵 + 着色 |
最常见的新手错误是用折线图展示分类数据——比如把 model 名放在 X 轴上画折线。分类变量之间没有"顺序关系"，用柱状图才是正确的选择。
配色与可读性
python
df.plot(kind='bar', colormap='viridis')推荐使用感知均匀的色图（如 viridis、Set2、tab10），避免使用彩虹色图（jet/rainbow）——它们对色觉障碍人群不友好，而且会人为地制造数据中不存在的视觉差异。
导出图片
python
ax = df.plot(kind='bar', figsize=(10, 5))
fig = ax.get_figure()
fig.savefig('report.png', dpi=300, bbox_inches='tight')dpi=300 保证打印质量，bbox_inches='tight' 防止标签被截断。在写报告或论文时，300dpi 是最低要求。