《超简单：用 Python 让 Excel 飞起来》读书笔记：第8章 扩展 制作组合图表展示多维信息

🔥
个人主页：
杨利杰YJlio

❄️
个人专栏：
《Sysinternals实战教程》
《Windows PowerShell 实战》
《WINDOWS教程》
《IOS教程》

《微信助手》
《锤子助手》
《Python》
《Kali Linux》

《那些年未解决的Windows疑难杂症》
🌟
让复杂的事情更简单，让重复的工作自动化

《超简单：用 Python 让 Excel 飞起来》读书笔记：第8章 扩展 制作组合图表展示多维信息

• 1. 第8章扩展：制作组合图表展示多维信息
• 2. 组合图解决的核心痛点：只看单一图表不够
• 3. 同坐标轴组合图：适合量级接近的数据
• • 3.1 最小可用代码
• 4. 双 y 轴组合图：不同量级时必须用 twinx
• • 4.1 双 y 轴组合图完整代码
• 5. 组合图可读性优化：标签、范围、图例必须处理好
• • 5.1 给柱形图添加数据标签
  • 5.2 合并左右轴图例
  • 5.3 百分比轴建议锁定 0 到 100
• 6. 企业可交付版：从 Excel 读取数据，一键生成组合图 PNG
• • 6.1 Excel 表结构建议
  • 6.2 完整脚本：读取 Excel 并输出组合图
• 7. 效果验证：不要只看“代码有没有报错”
• 8. 常见问题与踩坑记录
• • 8.1 折线贴在底部，看不清
  • 8.2 图例只显示一个指标
  • 8.3 中文标题乱码
  • 8.4 百分比趋势被夸大
  • 8.5 图表太复杂，读者看不懂
• 9. 我的总结提升

1. 第8章扩展：制作组合图表展示多维信息

V4修正版进度标记：本篇为 07月11日 第1篇，承接前文图表章节继续更新。

  本文是我阅读《超简单：用 Python 让 Excel 飞起来》时整理的读书笔记。本篇重点不是简单记录 Matplotlib 的某个函数，而是把“组合图表”放到真实办公自动化场景里理解：什么时候用柱形图，什么时候用折线图，什么时候必须用双 y 轴，以及如何把它封装成可以重复使用的脚本。

  在实际工作里，很多报表不是只看一个指标。例如 IT 工单分析里，领导通常不会只关心“工单数量”，还会继续问：解决率有没有下降？平均耗时有没有变长？服务质量有没有跟上？这时单独一张柱形图或者单独一张折线图都不够。

  组合图表的价值，就是用一张图同时表达“数量 + 趋势 + 质量”。柱形图适合展示规模，折线图适合展示趋势，双 y 轴适合处理量级不同的数据。

  这张图展示了 Python 与 Excel 自动化结合后，通过柱形图与折线图同时展示多维业务指标的整体效果。

  从这张图中我们可以看出，组合图不是为了“让图更复杂”，而是为了让一张图承载更多业务判断：柱形图负责看数量，折线图负责看趋势，最终服务于汇报和决策。

  本文会围绕以下几个问题展开：

• 组合图解决什么问题
• 什么时候用同坐标轴
• 什么时候必须用双 y 轴
• 如何优化组合图的可读性
• 如何从 Excel 读取数据并自动生成 PNG 图表

#mermaid-svg-QbNgkJnWF4NtS89K{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-QbNgkJnWF4NtS89K .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-QbNgkJnWF4NtS89K .error-icon{fill:#552222;}#mermaid-svg-QbNgkJnWF4NtS89K .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-QbNgkJnWF4NtS89K .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-QbNgkJnWF4NtS89K .marker{fill:#333333;stroke:#333333;}#mermaid-svg-QbNgkJnWF4NtS89K .marker.cross{stroke:#333333;}#mermaid-svg-QbNgkJnWF4NtS89K svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-QbNgkJnWF4NtS89K p{margin:0;}#mermaid-svg-QbNgkJnWF4NtS89K .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-QbNgkJnWF4NtS89K .cluster-label text{fill:#333;}#mermaid-svg-QbNgkJnWF4NtS89K .cluster-label span{color:#333;}#mermaid-svg-QbNgkJnWF4NtS89K .cluster-label span p{background-color:transparent;}#mermaid-svg-QbNgkJnWF4NtS89K .label text,#mermaid-svg-QbNgkJnWF4NtS89K span{fill:#333;color:#333;}#mermaid-svg-QbNgkJnWF4NtS89K .node rect,#mermaid-svg-QbNgkJnWF4NtS89K .node circle,#mermaid-svg-QbNgkJnWF4NtS89K .node ellipse,#mermaid-svg-QbNgkJnWF4NtS89K .node polygon,#mermaid-svg-QbNgkJnWF4NtS89K .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-QbNgkJnWF4NtS89K .rough-node .label text,#mermaid-svg-QbNgkJnWF4NtS89K .node .label text,#mermaid-svg-QbNgkJnWF4NtS89K .image-shape .label,#mermaid-svg-QbNgkJnWF4NtS89K .icon-shape .label{text-anchor:middle;}#mermaid-svg-QbNgkJnWF4NtS89K .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-QbNgkJnWF4NtS89K .rough-node .label,#mermaid-svg-QbNgkJnWF4NtS89K .node .label,#mermaid-svg-QbNgkJnWF4NtS89K .image-shape .label,#mermaid-svg-QbNgkJnWF4NtS89K .icon-shape .label{text-align:center;}#mermaid-svg-QbNgkJnWF4NtS89K .node.clickable{cursor:pointer;}#mermaid-svg-QbNgkJnWF4NtS89K .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-QbNgkJnWF4NtS89K .arrowheadPath{fill:#333333;}#mermaid-svg-QbNgkJnWF4NtS89K .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-QbNgkJnWF4NtS89K .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-QbNgkJnWF4NtS89K .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-QbNgkJnWF4NtS89K .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-QbNgkJnWF4NtS89K .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-QbNgkJnWF4NtS89K .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-QbNgkJnWF4NtS89K .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-QbNgkJnWF4NtS89K .cluster text{fill:#333;}#mermaid-svg-QbNgkJnWF4NtS89K .cluster span{color:#333;}#mermaid-svg-QbNgkJnWF4NtS89K div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-QbNgkJnWF4NtS89K .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-QbNgkJnWF4NtS89K rect.text{fill:none;stroke-width:0;}#mermaid-svg-QbNgkJnWF4NtS89K .icon-shape,#mermaid-svg-QbNgkJnWF4NtS89K .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-QbNgkJnWF4NtS89K .icon-shape p,#mermaid-svg-QbNgkJnWF4NtS89K .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-QbNgkJnWF4NtS89K .icon-shape .label rect,#mermaid-svg-QbNgkJnWF4NtS89K .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-QbNgkJnWF4NtS89K .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-QbNgkJnWF4NtS89K .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-QbNgkJnWF4NtS89K :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

接近

差异大

Excel 原始数据

Python 读取数据

判断指标量级

量级是否接近

同坐标轴组合图

双 y 轴组合图

添加标题/图例/标签

保存 PNG 或写回 Excel

2. 组合图解决的核心痛点：只看单一图表不够

  普通柱形图适合回答“数量有多少”，普通折线图适合回答“趋势怎么变”。但很多工作场景的关键问题不是单一指标，而是多个指标之间的关系。

  例如下面这类问题，单一图表就不够用了：

• 工单量上涨了，解决率有没有同步提升
• 销售额增加了，订单量是否也增加
• 访问量变高了，转化率有没有变差
• 设备故障率下降了，维修成本是否也下降

  组合图的本质，是把不同类型的数据放到同一个时间轴或分类轴下，让读者同时观察“规模”和“变化”。

  但这里必须先划清一个边界：组合图不是万能图表。它适合指标之间存在业务关联的情况，不适合把毫无关系的指标硬塞到一张图里。

  如果两个指标没有共同分析目标，只是为了让图表看起来丰富而放在一起，那就是低质量图表。

  我自己判断是否适合做组合图，一般看三个条件：

3. 同坐标轴组合图：适合量级接近的数据

  如果两组数据的量级比较接近，可以先使用同一个 y 轴。比如“工单数量”和“平均耗时”在某些场景下都能放到同一张图里观察，尤其是只是为了展示趋势关系，而不是做严格数值比较时。

  同坐标轴组合图的优点是简单、直观、代码少。但它的前提也很明确：两个指标不能相差太大，否则其中一个指标会被压扁。

  这张图展示了同坐标轴组合图的典型效果：柱形图展示工单数量，折线图展示平均耗时，两者在一个坐标轴中同时观察。

  从这张图中我们可以看出，同坐标轴适合做快速趋势对比。它的重点不是精确展示两个指标的绝对值，而是让读者一眼看到两条信息是否同向变化。

3.1 最小可用代码

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

months = ["1月", "2月", "3月", "4月", "5月", "6月"]

# 柱形图数据：工单数量
tickets = [120, 98, 135, 110, 150, 160]

# 折线图数据：平均耗时
avg_time = [2.8, 3.1, 2.6, 2.9, 2.4, 2.2]

x = np.arange(len(months))

plt.figure(figsize=(9, 6))

# 绘制柱形图
plt.bar(x, tickets, width=0.6, label="工单数量", alpha=0.75)

# 绘制折线图
plt.plot(x, avg_time, marker="o", linewidth=2, label="平均耗时（小时）")

plt.xticks(x, months)
plt.title("组合图：工单数量 + 平均耗时（同坐标轴）")
plt.xlabel("月份")
plt.ylabel("数量 / 小时")
plt.grid(axis="y", linestyle="–", alpha=0.4)
plt.legend()
plt.tight_layout()
plt.show()

  这段代码里最关键的是两点：第一，用 `plt.bar()` 画柱形图；第二，用 `plt.plot()` 在同一个画布上叠加折线图。

  需要注意：如果柱形数据是 100、200、300，而折线数据是 0.8、0.9、0.95，那么折线会几乎贴在底部，看起来像没有变化。这种场景就不适合使用同坐标轴。

4. 双 y 轴组合图：不同量级时必须用 twinx

  当两个指标量级差异很大时，就应该使用双 y 轴。典型场景是“数量 + 百分比”，例如工单数量与解决率、销售额与利润率、访问量与转化率。

  Matplotlib 中实现双 y 轴的核心函数是 `twinx()`。它的作用是：让两组数据共用同一个 x 轴，但拥有独立的左侧 y 轴和右侧 y 轴。

  这张图展示了双 y 轴组合图的典型结构：左轴看工单量，右轴看解决率，柱形图和折线图互不压缩。

  这一步的核心要点是：当指标单位不同、量级不同、但又需要放在同一张图里解释时，双 y 轴是更稳妥的选择。

4.1 双 y 轴组合图完整代码

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

months = ["1月", "2月", "3月", "4月", "5月", "6月"]

# 左轴数据：工单量
tickets = [120, 98, 135, 110, 150, 160]

# 右轴数据：解决率
solve_rate = [92, 88, 95, 90, 96, 97]

x = np.arange(len(months))

fig, ax1 = plt.subplots(figsize=(9, 6))

# 左轴：柱形图
ax1.bar(x, tickets, width=0.6, alpha=0.75, label="工单数量")
ax1.set_xlabel("月份")
ax1.set_ylabel("工单数量（单）")
ax1.set_xticks(x)
ax1.set_xticklabels(months)
ax1.grid(axis="y", linestyle="–", alpha=0.4)

# 右轴：折线图
ax2 = ax1.twinx()
ax2.plot(x, solve_rate, marker="o", linewidth=2, linestyle="–", label="解决率（%）")
ax2.set_ylabel("解决率（%）")
ax2.set_ylim(0, 100)

# 合并图例
h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left")

plt.title("组合图：工单数量（柱） + 解决率（折线，双 y 轴）")
plt.tight_layout()
plt.show()

  这段代码里，`ax1` 负责左侧 y 轴，`ax2 = ax1.twinx()` 负责创建右侧 y 轴。柱形图放在左轴，折线图放在右轴，两者共用月份这个 x 轴。

  如果右轴是百分比，我建议尽量使用 `ax2.set_ylim(0, 100)` 锁定范围。这样做可以避免折线图被自动缩放得过于夸张，导致读者误判趋势。

5. 组合图可读性优化：标签、范围、图例必须处理好

  组合图比单一图表更容易出问题，因为它同时承载两类信息。如果不做可读性优化，读者很容易看错：不知道柱子代表什么，不知道折线代表什么，也不知道左右 y 轴分别是什么单位。

  组合图最危险的地方，不是代码写错，而是图表看起来对，实际会误导读者。

  这张图展示了组合图可读性优化的几个关键点：数据标签、范围锁定、图例合并，以及用于汇报时的视觉重点。

  从这张图中我们可以看出，一张适合汇报的组合图，不能只停留在“能画出来”。它还必须让读者快速读数、减少误判，并且能直接看出图中的核心指标。

5.1 给柱形图添加数据标签

for i, v in enumerate(tickets):
ax1.text(i, v + 3, str(v), ha="center", va="bottom")

  数据标签的作用是减少读者心算成本。尤其是在周报、月报、领导汇报中，顶部数字比坐标轴读数更直接。

5.2 合并左右轴图例

h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left")

  双 y 轴组合图如果不合并图例，常见问题是只显示柱形图图例，不显示折线图图例。这样图虽然能生成，但读者无法判断折线到底代表什么。

5.3 百分比轴建议锁定 0 到 100

ax2.set_ylim(0, 100)

  百分比类指标天然有明确范围，通常不建议让 Matplotlib 自动缩放。如果解决率从 92% 到 97%，自动缩放可能会让波动看起来非常剧烈，实际只是小范围变化。

6. 企业可交付版：从 Excel 读取数据，一键生成组合图 PNG

  如果只是手写列表数据，意义不大。真正的办公自动化场景，一定是从 Excel 读取数据，然后自动生成图表，最后输出 PNG 或写回 Excel。

  这张图展示了从 Excel 数据到 Python 自动处理，再到生成组合图 PNG 的完整链路。

  从这张图中我们可以看出，真正可复用的不是某一段绘图代码，而是一条自动化交付链路：读取 Excel、清洗数据、生成图表、保存文件。

6.1 Excel 表结构建议

  假设 Excel 文件名为 `report.xlsx`，Sheet 名为 `数据`，至少包含以下三列：

  建议列名尽量简洁，不要带多余空格。例如使用 `工单数量`，不要写成 ` 工单数量 ` 或 `工单 数量`。字段名越干净，脚本越稳定。

6.2 完整脚本：读取 Excel 并输出组合图

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

def excel_to_combo_chart(
xlsx_path: str,
sheet: str,
x_col: str,
bar_col: str,
line_col: str,
out_png: str = "out/combo_chart.png",
):
"""
从 Excel 读取数据，生成柱形图 + 折线图的组合图。
适用于：数量 + 百分比、数量 + 趋势类指标。
"""

# 1. 读取 Excel
df = pd.read_excel(xlsx_path, sheet_name=sheet)

# 2. 提取 x 轴与两个指标列
x_labels = df[x_col].astype(str).tolist()
bar = pd.to_numeric(df[bar_col], errors="coerce").fillna(0).tolist()
line = pd.to_numeric(df[line_col], errors="coerce").fillna(0).tolist()

x = np.arange(len(x_labels))

# 3. 创建画布和左轴
fig, ax1 = plt.subplots(figsize=(10, 6))

# 4. 左轴：柱形图
ax1.bar(x, bar, width=0.6, alpha=0.75, label=bar_col)
ax1.set_xlabel(x_col)
ax1.set_ylabel(f"{bar_col}（单）")
ax1.set_xticks(x)
ax1.set_xticklabels(x_labels)
ax1.grid(axis="y", linestyle="–", alpha=0.4)

# 添加柱形数据标签
for i, v in enumerate(bar):
ax1.text(i, v + 3, str(int(v)), ha="center", va="bottom")

# 5. 右轴：折线图
ax2 = ax1.twinx()
ax2.plot(x, line, marker="o", linewidth=2, linestyle="–", label=f"{line_col}（%）")
ax2.set_ylabel(f"{line_col}（%）")
ax2.set_ylim(0, 100)

# 6. 合并图例
h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left")

# 7. 设置标题和布局
plt.title(f"组合图：{bar_col}（柱） + {line_col}（折线）")
plt.tight_layout()

# 8. 保存输出
out_png = Path(out_png)
out_png.parent.mkdir(parents=True, exist_ok=True)
plt.savefig(out_png, dpi=200)
plt.close()

return str(out_png)

if __name__ == "__main__":
png = excel_to_combo_chart(
xlsx_path="report.xlsx",
sheet="数据",
x_col="月份",
bar_col="工单数量",
line_col="解决率",
out_png="out/组合图_工单数量_解决率.png",
)

print("✅ 已输出组合图：", png)

  这版脚本已经接近实际工作中可以复用的模板。以后只需要修改 `xlsx_path`、`sheet`、`x_col`、`bar_col`、`line_col` 这几个参数，就能快速适配不同报表。

  注意：如果 Excel 文件正在被打开，脚本可能读取失败或保存失败。正式运行前建议关闭目标 Excel 文件。

7. 效果验证：不要只看“代码有没有报错”

  办公自动化脚本最容易出现一个误区：运行没有报错，就认为成功了。实际上，图表类脚本一定要做结果验证。

  我建议至少验证 5 个点：

  可以在脚本运行后检查输出路径：

from pathlib import Path

out_file = Path("out/组合图_工单数量_解决率.png")

if out_file.exists():
print("✅ 图片已生成：", out_file.resolve())
else:
print("❌ 图片未生成，请检查路径和脚本报错")

  验证的目的不是证明脚本跑过，而是证明输出结果真的可以交付。

8. 常见问题与踩坑记录

8.1 折线贴在底部，看不清

  这种情况通常是因为两个指标量级差异太大。例如柱形图是几百，折线图是 0.8 或 0.9。解决方法是使用双 y 轴，而不是强行共用同一个 y 轴。

  推荐做法：数量类指标放左轴，百分比类指标放右轴。

8.2 图例只显示一个指标

  双 y 轴下，`ax1` 和 `ax2` 各自维护自己的图例。如果只调用一个轴的 legend，就可能只显示柱形图或者只显示折线图。

  解决办法是使用 `get_legend_handles_labels()` 合并两个轴的图例。

8.3 中文标题乱码

  如果标题、坐标轴出现方块或乱码，通常是字体问题。可以在脚本顶部加入：

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

  如果电脑没有 SimHei 字体，需要换成系统中实际存在的中文字体。

8.4 百分比趋势被夸大

  如果解决率从 92% 到 97%，但 y 轴自动缩放到 90~98，折线会显得变化特别大。这种图在汇报中容易误导。

  百分比指标建议固定 0~100，除非你明确知道自己要放大局部差异。

8.5 图表太复杂，读者看不懂

  组合图不是越多越好。一张图里建议控制在两类核心指标。如果继续叠加第三、第四类指标，读者会很难抓住重点。

  如果一张图需要解释半天才能看懂，说明图表设计已经失败了。

9. 我的总结提升

  这一篇的核心，不是简单学会 `bar()`、`plot()`、`twinx()` 这几个函数，而是理解组合图在真实办公场景中的作用。

  我从这一节带走的核心方法是：

  真正可交付的自动化图表，不是“代码跑通”，而是“别人不用你解释，也能看懂这张图在说什么”。

  如果只会复制代码，但不能判断什么时候同轴、什么时候双轴，那遇到真实数据时还是容易画出误导图。

  下一篇可以继续往图表分析方向推进，比如堆积图、箱线图、雷达图等。它们解决的不是“会不会画图”，而是更进一步回答：结构怎么变、异常在哪里、短板是什么。

返回顶部