做数据挖掘项目，最容易被低估的环节就是数据可视化。我的房价项目预测刚好做到第四阶段，这几天的任务很明确：把 Matplotlib 和 Seaborn 系统过一遍，把已经清洗好的数据全部可视化出来。说实话，一开始我觉得无非就是“画几张图给汇报用”，但真正跑下来才发现，可视化是数据挖掘里最直接的探针，它能让你在建模之前就看到数据的真实形状、异常点、相关关系，甚至推翻你之前的一些假设。
这篇文章不是 API 文档的翻译，是我自己在房价项目预测中实际用过、踩过坑之后的完整记录。内容包括两个库的分工、环境配置、常见图表怎么画、每一张图在项目中怎么解读、以及我在过程中遇到的若干问题。适合正在做数据挖掘课程项目、竞赛或者入门机器学习的朋友，手头没数据也没关系，我会用一份模拟数据把流程跑通，你跟着改字段名就能直接套用到自己的数据集上。
1. 可视化在房价预测项目里的真实位置
1.1 为什么画图这一步不能省
很多初学者做数据挖掘，容易陷入“拿到数据就赶紧跑模型”的状态。我也曾是这么想的，觉得 pandas 里describe()已经给了均值、最值，再打印个corr()就能了解相关性，何必费劲画图？
但这个想法在房价项目里很快就被纠正了。举一个很实在的例子：某个字段的缺失率是 5%，用isnull().sum()看，好像可以接受。但你把它画成分布图之后，会发现缺失值集中在某一类高单价房源上，那就不是随机缺失，而是系统性偏差。这种问题，单纯靠统计数字是很难察觉的。
更关键的是，房价数据这种连续值目标，和面积、房龄、楼层等特征之间往往不是简单线性关系。你看着相关系数只有 0.3，但散点图可能告诉你：面积小于 50 平方米时价格不敏感，超过 120 平方米后曲线突然陡增。这就是所谓的非线性模式，只有可视化才能把这些“隐藏形状”暴露出来。
所以我把可视化看成数据挖掘流程中承上启下的关卡：上游是数据清洗，下游是特征工程和建模。画图不是把清洗结果“证明”给别人看，而是帮你决定下一步该创建什么特征、该处理哪些异常值。
1.2 Matplotlib 和 Seaborn 的分工
这两个库关系紧密，Seaborn 严格来说是建立在 Matplotlib 之上的高级接口。但它们的分工很容易被误解。
Matplotlib 是一个底层的“绘画引擎”，它给你画布、坐标轴、刻度、线条、文字，一切都可控，代价是很多图表需要自己组合。比如你想画一个带均值线的直方图，你至少得写几行代码分别处理直方图和线条。
Seaborn 则是“统计图表工具箱”，它自带数据聚合能力，你只要给它一个整洁的 DataFrame，它就能画出带置信区间的回归图、分组的箱线图、相关性的热力图。它的设计目标不是代替 Matplotlib，而是让“数据探索”这件事少写代码。
用一个生活化的类比：Matplotlib 是毛笔和宣纸，你想怎么画都行，但每一步都得自己构思。Seaborn 是印好的素描本，你只要选对模板，把数据往里一放，它就能给你一个符合统计习惯的底稿，细枝末节再交给 Matplotlib 去调整。
我的实际用法是：90% 的探索性图用 Seaborn，需要精细排版或组合布局时再回到 Matplotlib。两者不是二选一，而是配合关系。
2. 先搭环境，再把数据摆到桌面上
2.1 这一步应该准备什么
在开始画图之前，我建议先把环境准备好。我这里用的是 Python 3.10 环境，核心库版本大致是：
| 库 | 版本 | 作用 |
|---|---|---|
| matplotlib | 3.8+ | 底层绘图，负责坐标轴、画布、保存 |
| seaborn | 0.13+ | 统计图表封装，依赖 matplotlib |
| pandas | 2.0+ | 数据读取、清洗、透视 |
| numpy | 1.24+ | 数值计算，画图时经常用到 |
安装命令很简单：
pip install numpy pandas matplotlib seaborn jupyterlab如果你用 Anaconda，直接用conda install也一样。我推荐在 Jupyter Notebook 里做这阶段工作，因为画图结果就在代码下方，方便反复调整参数。
2.2 画图前的数据检查代码
正式画图前，先做两件事：读入数据、看一眼字段类型。我这份模拟数据没有真实地址信息，字段包括面积、房龄、楼层、房间数、距离市中心的公里数、挂牌价。虽然不是真实项目数据，但结构足够演示房价预测中常见的可视化操作。
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns np.random.seed(42) n = 300 sample_df = pd.DataFrame({ 'area': np.random.normal(85, 25, n).clip(30, 180), 'age': np.random.randint(0, 40, n), 'floor': np.random.randint(1, 30, n), 'rooms': np.random.randint(1, 6, n), 'distance': np.random.normal(8, 3, n).clip(1, 20), 'price': np.random.normal(180, 55, n) }) # 因为价格要和面积相关，简单调整一下 sample_df['price'] = ( 60 + sample_df['area'] * 1.2 - sample_df['age'] * 0.5 + np.random.normal(0, 20, n) ) print(sample_df.head()) print(sample_df.dtypes)做完这一步，我通常会调用.info()和.describe()做一次快速体检，确认没有明显的字符型数值混入。很多时候，price列里夹着几个"180万"这样的字符串，你直接画图不会报错，但会把整个坐标轴搞乱。所以画图前最好再跑一条：
sample_df['price'] = pd.to_numeric(sample_df['price'], errors='coerce') sample_df = sample_df.dropna(subset=['price'])这一步的目的是把脏数据挡在画图之前，而不是等到图上出现奇怪的点再回头查数据。我个人的习惯是：可视化前先清洗一次，可视化中发现异常再重新清洗一次，这是两个互补的过程。
2.3 中文字体设置，最容易翻车的点
用 Matplotlib 画中文，大概率第一次都会遇到方块字。原因很简单，默认字体是英文，中文字符没找到对应字形。我一般在代码开头统一设置：
plt.rcParams['font.sans-serif'] = ['SimHei', 'Noto Sans CJK SC', 'WenQuanYi Zen Hei'] plt.rcParams['axes.unicode_minus'] = False第一行指定中文字体，第二行解决坐标轴负号显示成方块的问题。如果这几行还是不能解决，可以换一种更稳妥的方式：
import matplotlib.font_manager as fm font_path = "你的字体文件路径.ttf" my_font = fm.FontProperties(fname=font_path) plt.rcParams['font.family'] = my_font.get_name()这种方式适合在 Linux 服务器上跑任务时用，直接指定字体文件，系统环境和本地不一致也不怕。
3. Matplotlib 实操：把房价变量一个个画明白
3.1 折线图：先看价格随时间的趋势
我的模拟数据里没有明确日期字段，但实际房价项目里时间是最常见的维度。如果你手上数据有month或year列，第一张图我推荐画折线图。
# 模拟一个按月均价数据 month_avg = sample_df.groupby( pd.cut(sample_df['age'], bins=4) )['price'].mean() plt.figure(figsize=(8, 4)) plt.plot(range(len(month_avg)), month_avg.values, marker='o') plt.xticks(range(len(month_avg)), [str(x) for x in month_avg.index]) plt.xlabel('房龄分段') plt.ylabel('平均价格') plt.title('不同房龄段的平均房价变化') plt.grid(True) plt.show()这张图能快速告诉你要不要做时间相关特征。比如价格在某个月突然下跌，看分布图可能看不出原因，但结合当时政策或市场事件就能找到线索。当然，折线图最忌讳的是数据点太少还硬连线，如果只有两个点，画成柱状图更合适。
3.2 散点图：面积和价格的关系
散点图是房价预测里最有用的单图之一。因为它能同时展示取值范围、趋势方向和离群点。
plt.figure(figsize=(7, 5)) plt.scatter(sample_df['area'], sample_df['price'], alpha=0.5) plt.xlabel('面积（平方米）') plt.ylabel('价格（万元）') plt.title('面积与价格散点图') plt.show()alpha=0.5是我比较常用的参数，样本多时能避免点重叠成一大团黑块。跑完之后，我会先看三点：第一，趋势是否单调递增；第二，有没有明显偏离主体区域的点；第三，点在价格高端是不是特别稀疏。图如果出现一个面积 10 平方米、价格 3000 万的样本，那基本就是录入错误或者极端豪宅，建模时要单独考虑，不能直接丢进模型里冤枉它。
3.3 多子图布局，一页看清多个维度
分析单变量时经常要同时看面积、房龄、楼层、距离这几个分布。如果一个一个画，会在 notebook 里滚半天。我习惯用plt.subplots()做成 2x2 的布局。
fig, axes = plt.subplots(2, 2, figsize=(12, 8)) axes[0, 0].hist(sample_df['area'], bins=30) axes[0, 0].set_title('面积分布') axes[0, 1].hist(sample_df['age'], bins=20) axes[0, 1].set_title('房龄分布') axes[1, 0].hist(sample_df['floor'], bins=15) axes[1, 0].set_title('楼层分布') axes[1, 1].hist(sample_df['distance'], bins=20) axes[1, 1].set_title('距离分布') plt.tight_layout() plt.show()plt.tight_layout()非常重要，不加的话子图标题很容易重叠。这种布局不是为了好看，是为了快速对比不同变量的量纲和偏态。比如面积是右偏、房龄是均匀分布、距离是左偏，不同类型变量后面要做的特征变换完全不一样。
4. Seaborn 实操：让统计结论直接长在图上
4.1 用直方图和核密度图看价格分布
Matplotlib 的hist能展示频率，但 Seaborn 的histplot会自带统计美化，而且能叠加 KDE 曲线，更直观地看出分布是否偏态。
sns.histplot(sample_df['price'], bins=30, kde=True, color='steelblue') plt.xlabel('价格（万元）') plt.title('房价分布直方图与核密度曲线') plt.show()画这张图时我会关注两个点。第一，分布是否接近正态。如果价格明显右偏，后续建模通常会把对数价格log1p(price)当作目标，这样训练时模型不会被少数高价样本带偏。第二，有没有异常的多峰。两个峰值往往意味着数据里混入了两种不同档位的房子，比如普通住宅和高端公寓，这会影响特征工程的思路。
4.2 用箱线图找异常值和分组差异
箱线图是我在房价项目里最依赖的异常值探测器。它把四分位数、中位数、上下须都画出来了，超过须的点会被单独标出。
plt.figure(figsize=(8, 5)) sns.boxplot(data=sample_df, x='rooms', y='price') plt.xlabel('房间数') plt.ylabel('价格（万元）') plt.title('不同房间数的房价分布') plt.show()这张图能回答一个实际问题：房间越多价格一定越高吗？从箱体分布看，3 房和 4 房的房价中位数可能差不多，那么“房间数”作为特征的重要性就要打个问号。此外，箱线图上方孤零零的点就是异常值候选，我会把这些样本挑出来单独看一次，而不是直接删除。因为房价数据中，面积大、房龄新的高端房源本身就是真实存在的高杠杆点，删除反而会丢失重要信息。
4.3 用热力图找相关性，为建模选特征
相关性热力图大概是数据挖掘项目里存在感最强的一张图。Seaborn 的热力图配合annot参数，能把所有数值特征的相关系数直接标在格子上。
corr = sample_df.corr() plt.figure(figsize=(8, 6)) sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', square=True, cbar_kws={'shrink': 0.8}) plt.title('特征相关系数热力图') plt.show()解读热力图时要小心一件事：高相关不代表因果，低相关也不一定说明特征没用。我在这个项目里就看到area和price的相关性明显更高，而floor几乎不相关。但后续建模时我依然没有删除floor，因为它在楼层与朝向交互时可能会影响采光，对部分房源价格有作用。特征筛选不能只看单相关系数，可视化只是给你一个初步方向，真正的取舍要结合业务理解。
我还特别推荐使用sns.pairplot做一次多变量总览，虽然样本大时图会多到离谱，但对 5 个以内的数值特征非常管用：
sns.pairplot(sample_df[['area', 'age', 'rooms', 'price']], diag_kind='kde') plt.show()这张图能一次性展示所有两两组合的散点图和边际分布，价格预测项目里用于找交互效应非常高效。
5. 我踩过的坑和排查清单
5.1 中文变方块
这个前面说过，解决方案就是设置字体。但还有个容易被忽略的问题：如果你的代码在 Jupyter 里是把rcParams放在import seaborn之后，某些版本的 seaborn 会因为调用主题而重置 matplotlib 参数。所以我后来都把字体设置放在文件最顶部，并且不要在画完第一张图之后再改，否则前面已经生成的图不会自动更新。
5.2 Seaborn 版本带来的接口变化
Seaborn 的版本迭代一直在变，比如早些年常用sns.distplot，现在已经被displot/histplot替代。如果你在实操中报AttributeError: module 'seaborn' has no attribute 'distplot'，不是代码写错，是版本太新。解决办法很简单，把distplot改成histplot或kdeplot，参数上稍微调整就行。
还有一个更隐蔽的坑：某些老教程里的sns.lmplot用法可能和新版本冲突。我建议遇到报错先看两个地方，第一是sns.__version__，第二是官方文档对应版本。不要去猜，版本升级改接口太常见了。
5.3 图例重叠、坐标轴刻度太密
画多图时最常遇到的就是标签挤在一起。解决方式有几种：加figsize把画布调大；旋转刻度标签plt.xticks(rotation=45)；保存图片时用bbox_inches='tight'。我平时保存图片的固定写法是：
plt.savefig('price_analysis.png', dpi=200, bbox_inches='tight')dpi=200保证投稿或报告打印不模糊，bbox_inches='tight'能自动裁掉多余空白。如果只用默认保存，经常会有标题被切掉一半的问题。
5.4 常见问题速查表
| 现象 | 原因 | 解决办法 |
|---|---|---|
| 中文变成方块 | 缺少中文字体 | 设置plt.rcParams['font.sans-serif'] |
| 负号显示为方块 | 默认编码问题 | 设置axes.unicode_minus=False |
seaborn 找不到distplot | 新版接口移除 | 改用histplot/kdeplot |
| 图像保存不完整 | 未使用 tight 参数 | 加bbox_inches='tight' |
| 散点全部叠成黑块 | 点过多、透明度低 | 加alpha=0.3~0.6或抽样子集 |
| 热力图颜色无区分度 | cmap 色带不合适 | 换成coolwarm/RdBu_r |
| 图例挡在图上 | 布局重叠 | 用plt.legend(loc='best')或调整figsize |
6. 做完这一轮，谈谈我的真实体会
这轮可视化学习给我最大的感受是：Matplotlib 教会我怎么控制“画”，Seaborn 教会我怎么理解“统计”。在房价项目里，真正有价值的东西不是某一张图有多漂亮，而是图背后能引出的动作。比如我原本计划直接用线性回归，但看到价格的右偏分布后，果断把目标变成对数价格；原本打算把所有特征一股脑塞进模型，但热力图告诉我其中两个特征相关性极高，于是提前做了去重处理。
如果你也正在做类似的预测项目，我建议不要只把可视化当成“交作业的配图”。你先拿出每个字段，逐一画分布，再画两两关系，最后把缺失值、异常值位置标注在图上，这个过程花的时间不会白费。一套完整的数据探索图做完，你对数据集的熟悉程度会远超光看几十行输出表格的效果。这也是我在这个项目里最愿意分享的一条经验：建模前多画图，比多调参数更划算。
