《超简单：用 Python 让 Excel 飞起来》读书笔记：第8章 扩展 制作堆积图观察结构变化

<di

🔥
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 制作堆积图观察结构变化

• 1. 第8章扩展：制作堆积图观察结构变化
• 2. 堆积图适合解决什么问题
• 3. 堆积柱形图核心原理：bottom 参数怎么理解
• 4. 多层堆积：结构变化 + 总量标签
• 5. 堆积面积图 stackplot：观察结构漂移
• 6. 企业可交付版：从 Excel 读取多列分类数据生成堆积图
• 7. 效果验证：不要只看“有没有生成图片”
• • 7.1 验证输出文件是否生成
  • 7.2 验证每月总量是否正确
  • 7.3 验证分类颜色与图例是否对应
  • 7.4 验证缺失值是否被合理处理
• 8. 常见问题与踩坑记录
• • 8.1 类别太多，图表看不清
  • 8.2 误把结构变化当成总量变化
  • 8.3 堆积面积图不适合精确读数
  • 8.4 中文乱码
• 9. 我的总结提升

1. 第8章扩展：制作堆积图观察结构变化

V4修正版进度标记：本篇为 07月11日 第2篇，承接 06月07日第2篇“2.7.2 自定义函数”之后继续更新。

读书笔记定位：本文是我阅读《超简单：用 Python 让 Excel 飞起来》时整理的学习笔记。本篇不只是记录 Matplotlib 的函数用法，而是重点讲清楚：什么时候该用堆积图、堆积图到底表达了什么、以及如何把它改造成可复用的 Excel 自动化报表脚本。

  柱形图和折线图通常能回答一个问题：**总量是涨了还是跌了**。但是在真实工作里，只看总量往往不够。比如工单数量从 135 单涨到 182 单，我真正关心的不是“涨了”，而是：到底是哪一类工单涨了？软件类、硬件类、网络类分别贡献了多少？结构有没有发生变化？

  这就是堆积图的价值：它不是单纯展示总量，而是在同一张图里同时展示“总量变化”和“构成变化”。如果用在运维报表、销售数据、成本结构、项目投入分类、故障类型统计里，堆积图比普通柱形图更容易看出问题。

  这张图展示了本文的核心主题：通过堆积图同时观察总量趋势和构成变化。

  从这张图中我们可以看出，堆积图的重点不是“图表好看”，而是把不同类别的数据叠加到同一个时间轴上，让读者一眼看到：总量在变化，结构也在变化。如果一张图只能告诉你总量变了，却看不出是谁贡献了变化，那它在分析价值上是不完整的。

  本篇文章我会围绕 4 个问题展开：

• 堆积图适合解决什么问题？

• 堆积柱形图的 bottom 参数到底怎么理解？

• 多层堆积图如何加总量标签，让图表更适合汇报？

• 如何从 Excel 读取多列分类数据，一键生成可交付的堆积图？

#mermaid-svg-WM0PzubpPXhxVcXh{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-WM0PzubpPXhxVcXh .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-WM0PzubpPXhxVcXh .error-icon{fill:#552222;}#mermaid-svg-WM0PzubpPXhxVcXh .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-WM0PzubpPXhxVcXh .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-WM0PzubpPXhxVcXh .marker{fill:#333333;stroke:#333333;}#mermaid-svg-WM0PzubpPXhxVcXh .marker.cross{stroke:#333333;}#mermaid-svg-WM0PzubpPXhxVcXh svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-WM0PzubpPXhxVcXh p{margin:0;}#mermaid-svg-WM0PzubpPXhxVcXh .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-WM0PzubpPXhxVcXh .cluster-label text{fill:#333;}#mermaid-svg-WM0PzubpPXhxVcXh .cluster-label span{color:#333;}#mermaid-svg-WM0PzubpPXhxVcXh .cluster-label span p{background-color:transparent;}#mermaid-svg-WM0PzubpPXhxVcXh .label text,#mermaid-svg-WM0PzubpPXhxVcXh span{fill:#333;color:#333;}#mermaid-svg-WM0PzubpPXhxVcXh .node rect,#mermaid-svg-WM0PzubpPXhxVcXh .node circle,#mermaid-svg-WM0PzubpPXhxVcXh .node ellipse,#mermaid-svg-WM0PzubpPXhxVcXh .node polygon,#mermaid-svg-WM0PzubpPXhxVcXh .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-WM0PzubpPXhxVcXh .rough-node .label text,#mermaid-svg-WM0PzubpPXhxVcXh .node .label text,#mermaid-svg-WM0PzubpPXhxVcXh .image-shape .label,#mermaid-svg-WM0PzubpPXhxVcXh .icon-shape .label{text-anchor:middle;}#mermaid-svg-WM0PzubpPXhxVcXh .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-WM0PzubpPXhxVcXh .rough-node .label,#mermaid-svg-WM0PzubpPXhxVcXh .node .label,#mermaid-svg-WM0PzubpPXhxVcXh .image-shape .label,#mermaid-svg-WM0PzubpPXhxVcXh .icon-shape .label{text-align:center;}#mermaid-svg-WM0PzubpPXhxVcXh .node.clickable{cursor:pointer;}#mermaid-svg-WM0PzubpPXhxVcXh .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-WM0PzubpPXhxVcXh .arrowheadPath{fill:#333333;}#mermaid-svg-WM0PzubpPXhxVcXh .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-WM0PzubpPXhxVcXh .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-WM0PzubpPXhxVcXh .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-WM0PzubpPXhxVcXh .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-WM0PzubpPXhxVcXh .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-WM0PzubpPXhxVcXh .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-WM0PzubpPXhxVcXh .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-WM0PzubpPXhxVcXh .cluster text{fill:#333;}#mermaid-svg-WM0PzubpPXhxVcXh .cluster span{color:#333;}#mermaid-svg-WM0PzubpPXhxVcXh 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-WM0PzubpPXhxVcXh .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-WM0PzubpPXhxVcXh rect.text{fill:none;stroke-width:0;}#mermaid-svg-WM0PzubpPXhxVcXh .icon-shape,#mermaid-svg-WM0PzubpPXhxVcXh .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-WM0PzubpPXhxVcXh .icon-shape p,#mermaid-svg-WM0PzubpPXhxVcXh .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-WM0PzubpPXhxVcXh .icon-shape .label rect,#mermaid-svg-WM0PzubpPXhxVcXh .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-WM0PzubpPXhxVcXh .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-WM0PzubpPXhxVcXh .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-WM0PzubpPXhxVcXh :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Excel 分类数据

读取月份与分类字段

计算每一类数值

使用 bottom 或 stackplot 叠加

生成堆积图

观察总量趋势与结构变化

输出 PNG 或插入报告

2. 堆积图适合解决什么问题

  我对堆积图的理解很简单：**它适合展示“总量 + 构成”的关系**。如果你只关心某一个指标随时间变化，用折线图就够了；如果你只想比较几个类别的大小，用普通柱形图也够了。但如果你想同时看清“总量变化”和“类别贡献”，堆积图就很合适。

  比如下面这些场景，都适合用堆积图：

• 每月工单总量中，软件、硬件、网络分别占多少；

• 每月销售额中，不同产品线分别贡献多少；

• 每月成本中，人力、设备、差旅、外包分别占多少；

• 每周故障中，系统类、权限类、网络类、应用类分别变化如何。

  推荐做法：当你需要回答“总量为什么变了”这个问题时，优先考虑堆积图。因为它能让你从“总量变化”进一步拆到“结构变化”，这比单独放一张总量柱形图更有解释力。

  但是要注意，堆积图不是万能图。如果类别太多，堆积图会变成一块彩色蛋糕，读者反而看不清。我的经验是，类别最好控制在 3～5 类。如果超过 6 类，建议把小类合并为“其他”。

3. 堆积柱形图核心原理：bottom 参数怎么理解

  在 Matplotlib 里做堆积柱形图，最关键的参数是 `bottom`。它的作用可以理解成：**下一层柱子从哪里开始画**。

  普通柱形图是从 0 开始画。堆积柱形图不是这样。第一类从 0 开始，第二类要从第一类的顶部开始，第三类要从“第一类 + 第二类”的顶部开始。这个“顶部位置”，就是 `bottom`。

  这张图展示了堆积柱形图中 `bottom` 参数的叠加逻辑。

  从这张图中我们可以看出，堆积柱形图并不是简单把几组柱子画在一起，而是通过 `bottom` 参数把第二层数据放到第一层数据的顶部。这就是堆积图能同时表达“总量”和“构成”的底层原因。

  下面是两类工单的最小可用版示例：软件类在底部，硬件类叠加在软件类上方。

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"]

soft = [40, 35, 50, 45, 60, 55] # 软件类工单

hard = [80, 63, 85, 65, 90, 105] # 硬件类工单

x = np.arange(len(months))

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

# 第一层：从 0 开始

plt.bar(x, soft, width=0.6, label="软件类", alpha=0.85)

# 第二层：从 soft 的顶部开始

plt.bar(x, hard, width=0.6, bottom=soft, label="硬件类", alpha=0.85)

plt.xticks(x, months)

plt.title("堆积柱形图：工单总量与构成结构")

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()

  这段代码里最关键的一行是：

plt.bar(x, hard, width=0.6, bottom=soft, label="硬件类", alpha=0.85)

  它的意思是：硬件类柱子不要从 0 开始，而是从软件类柱子的顶部开始。只要理解了 bottom，堆积柱形图就不难。

4. 多层堆积：结构变化 + 总量标签

  真实报表里通常不止两类数据。比如工单统计可能包括：软件类、硬件类、网络类；销售统计可能包括：产品A、产品B、产品C；成本统计可能包括：人力、设备、外包、差旅。

  多层堆积图的思路是一样的：每画一层，就把当前层的数值加到 `bottom` 里，下一层继续从新的顶部开始画。

  这张图展示了多层堆积图，并在每根柱子顶部标注了总量。

  从这张图中我们可以看出，顶部总量标签非常重要。它能让读者不用心算，也能直接知道每个月的总量。如果这张图用于汇报、周报、复盘报告，我建议一定加总量标签。

  下面是三类工单的多层堆积代码：

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"]

soft = np.array([40, 35, 50, 45, 60, 55])

hard = np.array([80, 63, 85, 65, 90, 105])

net = np.array([15, 10, 18, 12, 20, 22])

x = np.arange(len(months))

plt.figure(figsize=(10, 6))

plt.bar(x, soft, width=0.6, label="软件类", alpha=0.85)

plt.bar(x, hard, width=0.6, bottom=soft, label="硬件类", alpha=0.85)

plt.bar(x, net, width=0.6, bottom=soft + hard, label="网络类", alpha=0.85)

# 计算总量，并标在柱子顶部

total = soft + hard + net

for i, v in enumerate(total):

plt.text(i, v + 2, str(int(v)), ha="center", va="bottom")

plt.xticks(x, months)

plt.title("堆积柱形图：多分类结构 + 总量标注")

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()

  这里要特别注意一件事：堆积图的颜色块表示“构成”，柱子总高度表示“总量”，不要把某一层的视觉高度误读成独立趋势。如果你要精确比较某一类本身的变化，最好再补一张普通折线图或分组柱形图。

5. 堆积面积图 stackplot：观察结构漂移

  很多人会说“堆积折线图”，但在 Matplotlib 里更常用的是 `stackplot()`。它本质上是堆积面积图，适合观察多个分类随时间变化时，整体结构是如何漂移的。

  堆积柱形图更适合按月份、按季度、按批次做离散对比；堆积面积图更适合看连续趋势，尤其是你想观察结构是否逐渐偏移时。

  这张图展示了使用 `stackplot()` 生成的堆积面积图，用于观察不同类别的结构漂移。

  从这张图中我们可以看出，最上方的边界线代表总量走势，每一层的厚度代表某一类数据的贡献大小。如果某一层在一段时间内越来越厚，就说明它对总量的贡献正在增加。

  下面是 `stackplot()` 的最小可用版：

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"]

x = np.arange(len(months))

soft = [40, 35, 50, 45, 60, 55]

hard = [80, 63, 85, 65, 90, 105]

net = [15, 10, 18, 12, 20, 22]

plt.figure(figsize=(10, 6))

plt.stackplot(

x,

soft,

hard,

net,

labels=["软件类", "硬件类", "网络类"],

alpha=0.75

)

plt.xticks(x, months)

plt.title("堆积面积图：结构贡献随时间变化")

plt.xlabel("月份")

plt.ylabel("工单数量（单）")

plt.legend(loc="upper left")

plt.grid(axis="y", linestyle="–", alpha=0.35)

plt.tight_layout()

plt.show()

  我自己的判断是：如果你要做“趋势 + 结构”的整体观察，stackplot 很合适；如果你要做“每个月总量 + 每类构成”的汇报展示，堆积柱形图更稳。

6. 企业可交付版：从 Excel 读取多列分类数据生成堆积图

  前面的代码是直接写死数据，适合学习。但真实办公自动化里，数据一般来自 Excel。所以更实用的版本应该是：读取 Excel → 选择分类列 → 自动生成堆积柱形图 → 保存 PNG。

  假设 Excel 表结构如下：

| 月份 | 软件类 | 硬件类 | 网络类 |

|——|——–|——–|——–|

| 1月 | 40 | 80 | 15 |

| 2月 | 35 | 63 | 10 |

| 3月 | 50 | 85 | 18 |

| 4月 | 45 | 65 | 12 |

| 5月 | 60 | 90 | 20 |

| 6月 | 55 | 105 | 22 |

  这张图展示了从 Excel 读取数据，再通过 Python 一键生成堆积图 PNG 的自动化流程。

  从这张图中我们可以看出，真正可落地的办公自动化不是“会画一张图”，而是把 Excel 数据、Python 脚本、图表输出串成一条稳定链路。这样后续只要 Excel 数据更新，图表就可以重复生成。

  下面是可复用的企业版脚本：

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_stacked_bar(

xlsx_path: str,

sheet: str,

x_col: str,

category_cols: list[str],

out_png: str = "out/stacked_bar.png",

):

"""

从 Excel 读取多列分类数据，生成堆积柱形图。

参数说明：

xlsx_path : Excel 文件路径

sheet : 工作表名称

x_col : x轴字段，比如“月份”

category_cols : 需要堆积展示的分类字段列表

out_png : 输出图片路径

"""

df = pd.read_excel(xlsx_path, sheet_name=sheet)

x_labels = df[x_col].astype(str).tolist()

x = np.arange(len(x_labels))

plt.figure(figsize=(11, 6))

bottom = np.zeros(len(df))

for col in category_cols:

values = pd.to_numeric(df[col], errors="coerce").fillna(0).to_numpy()

plt.bar(x, values, width=0.6, bottom=bottom, label=col, alpha=0.85)

bottom += values

# 顶端总量标签

for i, v in enumerate(bottom):

plt.text(i, v + 2, str(int(v)), ha="center", va="bottom")

plt.xticks(x, x_labels)

plt.title("堆积柱形图：总量 + 构成结构")

plt.xlabel(x_col)

plt.ylabel("数量")

plt.grid(axis="y", linestyle="–", alpha=0.35)

plt.legend()

plt.tight_layout()

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_stacked_bar(

xlsx_path="report.xlsx",

sheet="数据",

x_col="月份",

category_cols=["软件类", "硬件类", "网络类"],

out_png="out/堆积柱形图_工单结构.png",

)

print("✅ 已输出：", png)

  这段代码真正需要你改的地方只有 4 个：

xlsx_path="report.xlsx"

sheet="数据"

x_col="月份"

category_cols=["软件类", "硬件类", "网络类"]

  这里的设计思路是：把字段写成参数，而不是写死在代码逻辑里。这样后续从工单数据切换到销售数据、成本数据、资产数据时，只需要改字段名，不需要重写整段脚本。

7. 效果验证：不要只看“有没有生成图片”

  脚本运行后，如果只看到 PNG 文件生成，并不能说明结果完全正确。图表类自动化最容易出的问题不是脚本报错，而是图生成了，但数据逻辑错了。

  我建议至少做 4 个验证动作：

7.1 验证输出文件是否生成

  首先确认 `out/堆积柱形图_工单结构.png` 是否存在。如果文件不存在，优先检查输出目录权限、路径是否正确，以及脚本是否执行到了 `plt.savefig()`。

7.2 验证每月总量是否正确

  手动抽查一个月份，例如 1 月：

软件类 40 + 硬件类 80 + 网络类 15 = 总量 135

  然后对照图表顶部的总量标签。如果顶部显示不是 135，就说明数据读取或累加逻辑有问题。

7.3 验证分类颜色与图例是否对应

  堆积图依赖颜色区分分类，所以图例必须清楚。如果颜色和类别对应不上，读者就会误解图表。

7.4 验证缺失值是否被合理处理

  代码中使用了：

pd.to_numeric(df[col], errors="coerce").fillna(0)

  它会把无法转换成数字的内容变成 `NaN`，再填充为 0。这个做法适合普通统计场景，但如果空值代表“数据未录入”，而不是“真实为 0”，就要谨慎。空值直接填 0 可能会掩盖数据质量问题。

8. 常见问题与踩坑记录

8.1 类别太多，图表看不清

  堆积图最怕类别太多。类别一多，颜色会很乱，图例也会变长，读者很难快速理解。

  建议：保留主要类别，把低频类别合并成“其他”。比如工单类型里，如果“账号类”“权限类”“其他杂项”占比都很小，可以合并为“其他类”。

8.2 误把结构变化当成总量变化

  堆积图中某一层变厚，说明该类贡献增加；但如果总量也在变化，就要结合总高度一起看。

  不要只盯着某个颜色块看，要同时看总高度和颜色块厚度。

8.3 堆积面积图不适合精确读数

  `stackplot()` 更适合观察趋势和结构漂移，不适合做精确数值对比。因为除最底层外，中间层的上下边界都会变化，读者很难精确判断某一类的绝对值。

  如果要精确对比某一类，建议补充普通折线图或分组柱形图。

8.4 中文乱码

  如果图表标题、坐标轴、图例中文显示成方块，通常是字体问题。建议在脚本开头加入：

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

plt.rcParams["axes.unicode_minus"] = False

  如果当前电脑没有 SimHei 字体，可以换成系统里已有的中文字体。

9. 我的总结提升

  这一篇的核心，不是简单记住 `plt.bar()`、`bottom`、`stackplot()` 这些函数名，而是要真正理解堆积图解决的分析问题：**不只看总量，更要看结构变化**。

  从办公自动化角度看，堆积图不是一个孤立的图表技巧，而是一种数据表达方式。它可以帮助我们把 Excel 里的多列分类数据，转换成更容易阅读、更适合汇报、更容易发现问题的图形证据。

  我建议你记住下面 4 个结论：

  如果只会复制代码，但不能解释图表到底表达了什么，遇到真实业务数据时还是会卡住。所以我建议把每一篇图表类笔记都当成一个“小型数据表达模块”：先跑通，再理解，再封装，最后沉淀成自己的自动化报表模板。

  下一篇可以继续往“分布分析”方向推进，比如箱线图（Box Plot）：用分布说话，快速发现异常值和离散程度。这类图在运维、质量分析、数据清洗里都非常实用。

返回顶部