《超简单：用 Python 让 Excel 飞起来》读书笔记：第8章 扩展 图表美化：从画出来到看得懂

🔥
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 图表美化：从画出来到看得懂

• 1. 第8章 扩展 图表美化：从画出来到看得懂
• 2. 颜色和样式控制：先建立稳定的视觉规则
• • 2.1 基础颜色设置
  • 2.2 线型和标记点
• 3. 标题、坐标轴和标签：让图表自己会说话
• • 3.1 标题要给结论，不只是命名
  • 3.2 数据标签不要滥用
• 4. 进阶美化技巧：刻度、注释和高清导出
• • 4.1 x 轴标签太密时，旋转角度
  • 4.2 使用 annotate 标记关键点
  • 4.3 高清导出：别让好图毁在分辨率上
• 5. 封装统一美化函数：让所有图表风格一致
• • 5.1 基础版统一美化函数
  • 5.2 进阶版：加入导出函数
• 6. 企业可交付版示例：从 Excel 读取数据并输出美化图表
• 7. 常见问题与踩坑记录
• • 7.1 中文乱码
  • 7.2 图例挡住数据
  • 7.3 图片保存后边缘被裁掉
  • 7.4 标题写得太虚
  • 7.5 美化过头
• 8. 总结：图表美化不是装饰，是信息表达工程
• 9. 我的总结提升

1. 第8章 扩展 图表美化：从画出来到看得懂

  V4修正版进度标记：本篇为 07月12日 第2篇，承接前面 Python + Excel 自动化读书笔记系列继续更新。

  这一篇对应的是《超简单：用 Python 让 Excel 飞起来》中关于图表美化的扩展内容。前面我们已经学过柱形图、条形图、折线图、组合图、饼图、面积图、雷达图等常见图表类型，但真正用于博客、周报、PPT 或数据汇报时，仅仅“画出来”还不够。

  很多图表最大的问题不是代码写错，而是读者看不懂。比如标题没有结论、坐标轴没有单位、颜色没有规则、标签挤在一起、导出的图片一放到 PPT 里就糊，这些都会让图表的表达价值打折。

  所以图表美化的目标不是花哨，而是让信息更容易被理解。我更愿意把它理解成“可视化到可读化”的过程：先保证数据准确，再让读者一眼看出重点。

这张配图适合作为全文开篇，用来对比“只是画出来”和“真正看得懂”的区别：

  从这张图中可以看出，美化前后的差异并不只是颜色变漂亮了，而是图表的阅读路径变清楚了：标题更明确、坐标轴更干净、数据对比更突出，读者不需要反复猜测图表到底想表达什么。

  本文会围绕 Matplotlib 图表美化中的几个核心动作展开：颜色与样式、标题与标签、刻度与注释、高清导出、统一模板封装。读完之后，你应该能把一张“能运行的图”，改造成一张“能交付的图”。

#mermaid-svg-OzAvRx5NjXKM8HsW{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-OzAvRx5NjXKM8HsW .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-OzAvRx5NjXKM8HsW .error-icon{fill:#552222;}#mermaid-svg-OzAvRx5NjXKM8HsW .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-OzAvRx5NjXKM8HsW .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-OzAvRx5NjXKM8HsW .marker{fill:#333333;stroke:#333333;}#mermaid-svg-OzAvRx5NjXKM8HsW .marker.cross{stroke:#333333;}#mermaid-svg-OzAvRx5NjXKM8HsW svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-OzAvRx5NjXKM8HsW p{margin:0;}#mermaid-svg-OzAvRx5NjXKM8HsW .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW .cluster-label text{fill:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW .cluster-label span{color:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW .cluster-label span p{background-color:transparent;}#mermaid-svg-OzAvRx5NjXKM8HsW .label text,#mermaid-svg-OzAvRx5NjXKM8HsW span{fill:#333;color:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW .node rect,#mermaid-svg-OzAvRx5NjXKM8HsW .node circle,#mermaid-svg-OzAvRx5NjXKM8HsW .node ellipse,#mermaid-svg-OzAvRx5NjXKM8HsW .node polygon,#mermaid-svg-OzAvRx5NjXKM8HsW .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-OzAvRx5NjXKM8HsW .rough-node .label text,#mermaid-svg-OzAvRx5NjXKM8HsW .node .label text,#mermaid-svg-OzAvRx5NjXKM8HsW .image-shape .label,#mermaid-svg-OzAvRx5NjXKM8HsW .icon-shape .label{text-anchor:middle;}#mermaid-svg-OzAvRx5NjXKM8HsW .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-OzAvRx5NjXKM8HsW .rough-node .label,#mermaid-svg-OzAvRx5NjXKM8HsW .node .label,#mermaid-svg-OzAvRx5NjXKM8HsW .image-shape .label,#mermaid-svg-OzAvRx5NjXKM8HsW .icon-shape .label{text-align:center;}#mermaid-svg-OzAvRx5NjXKM8HsW .node.clickable{cursor:pointer;}#mermaid-svg-OzAvRx5NjXKM8HsW .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-OzAvRx5NjXKM8HsW .arrowheadPath{fill:#333333;}#mermaid-svg-OzAvRx5NjXKM8HsW .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-OzAvRx5NjXKM8HsW .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-OzAvRx5NjXKM8HsW .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OzAvRx5NjXKM8HsW .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-OzAvRx5NjXKM8HsW .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OzAvRx5NjXKM8HsW .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-OzAvRx5NjXKM8HsW .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-OzAvRx5NjXKM8HsW .cluster text{fill:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW .cluster span{color:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW 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-OzAvRx5NjXKM8HsW .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-OzAvRx5NjXKM8HsW rect.text{fill:none;stroke-width:0;}#mermaid-svg-OzAvRx5NjXKM8HsW .icon-shape,#mermaid-svg-OzAvRx5NjXKM8HsW .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OzAvRx5NjXKM8HsW .icon-shape p,#mermaid-svg-OzAvRx5NjXKM8HsW .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-OzAvRx5NjXKM8HsW .icon-shape .label rect,#mermaid-svg-OzAvRx5NjXKM8HsW .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OzAvRx5NjXKM8HsW .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-OzAvRx5NjXKM8HsW .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-OzAvRx5NjXKM8HsW :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

原始数据

绘制基础图表

设置颜色和样式

补充标题和坐标轴

添加标签与注释

调整刻度和布局

高清导出

形成可交付图表

2. 颜色和样式控制：先建立稳定的视觉规则

  图表美化的第一步不是疯狂换颜色，而是建立稳定的视觉规则。颜色如果没有规则，就会变成装饰；颜色如果有规则，就会变成信息。

  比如在运维报表里，我通常会这样区分：

• 数量类指标：使用蓝色系，代表稳定、客观、基础数据
• 趋势类指标：使用线条或浅色辅助表达变化方向
• 异常类指标：使用红色或橙色突出风险和警示

  这个原则很重要。不要每张图都重新配色，否则读者每次都要重新理解颜色含义。

这张配图适合放在颜色与样式部分，用来说明图表外观参数并不是孤立存在的：

  从这张图中可以看出，颜色、线型、透明度、标记样式其实共同决定了图表的可读性。真正成熟的图表不是把所有效果都加上，而是让每一种视觉元素都有明确用途。

2.1 基础颜色设置

import matplotlib.pyplot as plt

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"]
tickets = [120, 98, 135, 110, 150, 160]

plt.figure(figsize=(9, 6))
plt.bar(months, tickets, color="#4da8ee", alpha=0.85, edgecolor="black")

plt.title("月度工单数量统计")
plt.xlabel("月份")
plt.ylabel("工单数量（单）")
plt.grid(axis="y", linestyle="–", alpha=0.35)

plt.tight_layout()
plt.show()

  这里的 `color` 决定主体颜色，`alpha` 控制透明度，`edgecolor` 用来增强柱子的边界感。如果图表需要投屏或截图到群里，边界线能明显提升可读性。

2.2 线型和标记点

  折线图不要只靠颜色区分。因为截图压缩、投影仪偏色、黑白打印时，颜色可能会失真。这时候线型和标记点就很重要。

plt.plot(months, tickets, linestyle="–", marker="o", linewidth=2)

  常用参数含义如下：

  不要为了好看乱用颜色。颜色的首要任务是传递信息，而不是制造视觉热闹。

3. 标题、坐标轴和标签：让图表自己会说话

  很多图表看起来不专业，问题不在图形本身，而在标题和标签缺失。读者看到一张图，最先会问三个问题：这是什么数据？横轴代表什么？纵轴单位是什么？如果这些信息缺失，图再漂亮也不适合交付。

  我建议标题尽量写成“带结论的标题”。不要只写“月度工单趋势”，可以写成“月度工单趋势：5月至6月明显上升”。这样读者打开图的第一秒就能抓到重点。

这张配图适合放在标题与标签部分，用来说明一个清晰标题和数据标签对读图效率的提升：

  从这张图中可以看出，标题、数据标签、图例和结论提示共同构成了一张图的“解释层”。没有这些信息，读者只能看形状；有了这些信息，读者才能直接读出结论。

3.1 标题要给结论，不只是命名

import matplotlib.pyplot as plt

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"]
tickets = [120, 98, 135, 110, 150, 160]

plt.figure(figsize=(9, 6))
plt.plot(months, tickets, marker="o", linewidth=2, label="工单数量")

plt.title("月度工单趋势：5-6月明显上升")
plt.xlabel("月份")
plt.ylabel("工单数量（单）")
plt.grid(axis="y", linestyle="–", alpha=0.35)
plt.legend()

plt.tight_layout()
plt.show()

  这里的标题不是简单说明“这是一张趋势图”，而是直接告诉读者图表里最值得关注的变化。这类标题尤其适合周报、月报、领导汇报和数据复盘。

3.2 数据标签不要滥用

  数据标签能提升信息密度，但不是越多越好。如果每一个点、每一根柱子都贴满数字，图表会变成“贴纸墙”。

推荐做法：

• 数据点较少时，可以全部加标签
• 数据点较多时，只标注最大值、最小值、最后一个值
• 折线密集时不要强行给每个点都加标签

示例：只标注最高点。

max_idx = tickets.index(max(tickets))

plt.figure(figsize=(9, 6))
plt.plot(months, tickets, marker="o", linewidth=2)

plt.text(
max_idx,
tickets[max_idx] + 3,
f"最高：{tickets[max_idx]}",
ha="center",
va="bottom"
)

plt.title("月度工单趋势：最高点出现在6月")
plt.xlabel("月份")
plt.ylabel("工单数量（单）")
plt.grid(axis="y", linestyle="–", alpha=0.35)

plt.tight_layout()
plt.show()

  这一步的核心要点是：标签应该服务于结论，而不是服务于堆满画面。

4. 进阶美化技巧：刻度、注释和高清导出

  当图表用于博客、报告或 PPT 时，进阶美化通常集中在三个细节上：刻度是否清楚、关键点是否突出、导出是否清晰。这些细节不复杂，但非常影响最终观感。

这张配图适合放在进阶美化部分，用来说明注释、关键点、刻度和高清导出这些细节对交付质量的影响：

  从这张图中可以看出，进阶美化不是盲目增加视觉元素，而是围绕关键数据做增强。比如标记峰值、控制刻度密度、提高导出清晰度，这些动作都能降低读者理解成本。

4.1 x 轴标签太密时，旋转角度

  时间序列图最常见的问题就是横轴挤在一起。尤其是月份、日期、部门名称比较长时，如果不处理，文字会互相覆盖。

plt.xticks(rotation=30, ha="right")

  一般来说，`rotation=30` 或 `rotation=45` 就够用。如果转到 90 度，说明图表信息可能已经太密，需要考虑减少数据点或改成横向图。

4.2 使用 annotate 标记关键点

  `plt.text()` 适合普通标签，`plt.annotate()` 更适合强调关键点，因为它可以加箭头。

import matplotlib.pyplot as plt

months = ["1月", "2月", "3月", "4月", "5月", "6月"]
tickets = [120, 98, 135, 110, 150, 160]

max_idx = tickets.index(max(tickets))

plt.figure(figsize=(9, 6))
plt.plot(months, tickets, marker="o", linewidth=2)

plt.annotate(
"最高点",
xy=(months[max_idx], tickets[max_idx]),
xytext=(months[max_idx], tickets[max_idx] + 15),
arrowprops=dict(arrowstyle="->"),
ha="center"
)

plt.title("月度工单趋势：6月达到最高")
plt.xlabel("月份")
plt.ylabel("工单数量（单）")
plt.grid(axis="y", linestyle="–", alpha=0.35)

plt.tight_layout()
plt.show()

  注释的价值在于把读者的注意力引导到关键数据点上。如果图表里有异常峰值、明显下降、目标达成点，都可以用注释处理。

4.3 高清导出：别让好图毁在分辨率上

  很多人图画得不错，但保存出来一放到 PPT 或 CSDN 里就发糊，问题通常出在导出参数上。

plt.savefig("out.png", dpi=300, bbox_inches="tight")

  注意：不要只截图保存图表。截图会受屏幕分辨率影响，尤其在高 DPI 屏幕和普通显示器之间复制时，很容易变糊。

5. 封装统一美化函数：让所有图表风格一致

  如果只画一张图，手动设置标题、坐标轴、网格线、图例当然没问题。但如果你要持续写系列文章，或者每周都要输出报表，就不能每张图都重复写一遍美化代码。

  更好的做法是把通用美化动作封装成函数。这样后续所有图表都能复用同一套风格，文章和报表看起来也更统一。

这张配图适合放在统一模板封装部分，用来说明一套模板可以服务多种图表类型：

  从这张图中可以看出，统一模板的核心价值不是“省几行代码”，而是让不同图表保持一致的表达风格。对于系列博客、自动化报表和企业汇报来说，这一点很关键。

5.1 基础版统一美化函数

import matplotlib.pyplot as plt

def beautify_axes(ax, title: str, xlabel: str, ylabel: str):
"""
统一美化 Matplotlib 图表坐标轴
"""
ax.set_title(title)
ax.set_xlabel(xlabel)
ax.set_ylabel(ylabel)
ax.grid(True, linestyle="–", alpha=0.35)

使用示例：

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

ax.bar(["1月", "2月", "3月"], [10, 15, 9], alpha=0.85, edgecolor="black")

beautify_axes(
ax,
title="示例：统一风格柱形图",
xlabel="月份",
ylabel="数量（单）"
)

plt.tight_layout()
plt.show()

  这段函数看起来很简单，但实际价值很高。后续只要你画的是 Matplotlib 图，就可以调用它统一设置标题、坐标轴和网格线。

5.2 进阶版：加入导出函数

from pathlib import Path

def save_chart(out_path: str, dpi: int = 300):
"""
统一保存图表，自动创建目录，避免导出失败
"""
out_path = Path(out_path)
out_path.parent.mkdir(parents=True, exist_ok=True)

plt.tight_layout()
plt.savefig(out_path, dpi=dpi, bbox_inches="tight")
plt.close()

return str(out_path)

  这里顺手处理了目录创建问题。如果 `out/` 文件夹不存在，脚本会自动创建，不会因为路径不存在而报错。

6. 企业可交付版示例：从 Excel 读取数据并输出美化图表

  下面这段代码把前面讲的内容串起来：读取 Excel 数据，绘制图表，设置标题、颜色、网格、标签，并导出高清 PNG。它更接近真实办公自动化脚本。

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

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

def beautify_axes(ax, title: str, xlabel: str, ylabel: str):
ax.set_title(title)
ax.set_xlabel(xlabel)
ax.set_ylabel(ylabel)
ax.grid(True, linestyle="–", alpha=0.35)

def save_chart(out_path: str, dpi: int = 300):
out_path = Path(out_path)
out_path.parent.mkdir(parents=True, exist_ok=True)

plt.tight_layout()
plt.savefig(out_path, dpi=dpi, bbox_inches="tight")
plt.close()

return str(out_path)

def excel_to_beautified_chart(
xlsx_path: str,
sheet_name: str,
x_col: str,
y_col: str,
out_png: str = "out/beautified_chart.png"
):
df = pd.read_excel(xlsx_path, sheet_name=sheet_name)

x = df[x_col].astype(str).tolist()
y = pd.to_numeric(df[y_col], errors="coerce").fillna(0).tolist()

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

bars = ax.bar(x, y, color="#4da8ee", alpha=0.85, edgecolor="black")

for i, v in enumerate(y):
ax.text(i, v, str(int(v)), ha="center", va="bottom")

beautify_axes(
ax,
title=f"{y_col}趋势：自动生成美化图表",
xlabel=x_col,
ylabel=y_col
)

return save_chart(out_png)

if __name__ == "__main__":
png = excel_to_beautified_chart(
xlsx_path="report.xlsx",
sheet_name="数据",
x_col="月份",
y_col="工单数量",
out_png="out/工单数量_美化图表.png"
)

print("✅ 已输出：", png)

  这段代码适合放进自己的办公自动化脚本库。以后只要 Excel 表头一致，就可以稳定生成风格统一的图表。

  注意：真实环境中最容易出问题的不是绘图代码，而是 Excel 字段名不一致、数据里混入文本、文件路径写错、图片输出目录不存在。脚本如果要给同事复用，建议把这些异常处理补上。

7. 常见问题与踩坑记录

7.1 中文乱码

  Matplotlib 默认字体环境不一定支持中文。如果标题或坐标轴出现方块，优先加下面两行：

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

  如果电脑没有 SimHei，可以换成 Microsoft YaHei：

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei"]

7.2 图例挡住数据

  图例位置不合适时，可以手动指定：

plt.legend(loc="upper left")

  如果图例在图外更合适，可以使用：

plt.legend(loc="upper right", bbox_to_anchor=(1.2, 1.0))

7.3 图片保存后边缘被裁掉

  导出时加上：

plt.savefig("out.png", dpi=300, bbox_inches="tight")

7.4 标题写得太虚

  标题不要只写“数据分析图”。更推荐写成：

• 月度工单趋势：6月达到最高点
• 软件故障排行：Outlook 与 Teams 问题占比最高
• 设备报修趋势：5月后故障量明显下降

  标题写得越具体，图表越接近可交付状态。

7.5 美化过头

  美化过头也是问题。颜色太多、字体太花、网格太重、标签太密，都会让图表更难读。图表美化的底线是：每一个视觉元素都要帮助读者更快理解数据。

8. 总结：图表美化不是装饰，是信息表达工程

  这一节我最大的收获是：图表美化不是为了把图做得“炫”，而是为了让读者更快看懂结论。

  我建议记住这几条规则：

  真正可交付的图表，应该做到不靠解释也能让读者看懂。

  下一篇如果继续写第8章后续内容，我建议进入“图表保存与批量导出”或者“批量生成报告图表”，这样就能从单张图表美化，进一步升级到自动化报表生成。

9. 我的总结提升

  这篇文章表面上讲的是 Matplotlib 图表美化，但放到 Python + Excel 办公自动化场景里看，它其实是在解决一个更实际的问题：如何让自动化生成的结果真正能交付。

  很多脚本能跑通，但输出结果只能自己看；真正成熟的脚本，应该能直接输出给同事、领导、博客读者，减少二次加工。

  所以我后面写办公自动化脚本时，会越来越重视“输出质量”：不仅要把数据算出来，还要把结果整理成别人能读懂、能复核、能直接使用的形式。

  如果只会画图，但不会让图表表达结论，那图表只是截图；如果图表能自己说明问题，它才是报告的一部分。

返回顶部