图片，作者提供

使用过 Matplotlib 的人都知道默认的图表有多难看。在这系列文章中，我将分享一些技巧来让你的可视化效果更加突出，体现你的个人风格。

我们从一个简单的折线图开始，折线图是一种非常常见和常用的图表。重点是为图表下方添加一个渐变填充——这并不是一个很直接的任务。

那么就让我们开始吧，一步步来，走过这个转变的所有关键步骤！

我们先导入所需的模块。

    import pandas as pd  # 导入pandas库，用于数据处理  
    import numpy as np  # 导入numpy库，用于数值计算  
    import matplotlib.dates as mdates  # 导入matplotlib的dates模块，用于日期处理  
    import matplotlib.pyplot as plt  # 导入matplotlib的pyplot模块，用于绘图  
    import matplotlib.ticker as ticker  # 导入matplotlib的ticker模块，用于设置轴刻度  
    from matplotlib import rcParams  # 从matplotlib导入rcParams，用于设置图形参数  
    from matplotlib.path import Path  # 从matplotlib导入Path，用于定义路径  
    from matplotlib.patches import PathPatch  # 从matplotlib导入PathPatch，用于绘制路径补丁  

    np.random.seed(38)  # 设置随机数种子为38，以保证结果的可重复性

现在我们需要为我们的可视化生成一些样本数据，比如类似股票价格走势的数据。

    dates = pd.date_range(start='2024-02-01', periods=100, freq='D')  # 生成日期范围
    initial_rate = 75  # 初始利率
    drift = 0.003  
    波动率 = 0.1  # 波动率
    returns = np.random.normal(drift, 波动率, len(dates))  # 收益率
    rates = initial_rate * np.cumprod(1 + returns)  # 计算累积产品
    x, y = dates, rates

让我们看看用默认的Matplotlib设置看起来怎么样。

fig, ax = plt.subplots(figsize=(8, 4))  
ax.plot(dates, rates)  
ax.xaxis.set_major_locator(mdates.DayLocator(interval=30))  
plt.show()

默认图像，作者的这张图片

其实也没那么吸引人，对吧？但我们会让它看起来更顺眼。

• 设置标题
• 设置图表的基本参数，如大小和字体
• 将Y轴刻度移到右边
• 更改主线条的颜色、样式和粗细

    # 瑞典参数改为“通用参数”或“一般参数”以准确反映源代码中的“General parameters”  
    fig, ax = plt.subplots(figsize=(10, 6))  
    plt.title("每日访客", fontsize=18, color="black")  
    rcParams['font.family'] = 'DejaVu Sans'  
    rcParams['font.size'] = 14  

    # Y轴移到右边  
    ax.yaxis.tick_right()  
    ax.yaxis.set_label_position("right")  

    # 绘制主要数据线  
    ax.plot(dates, rates, color='#268358', linewidth=2)

应用了通用参数，图片由作者创作

好吧，现在看起来干净多了。

我们现在想在背景中添加极简网格，去掉边框，让界面看起来更简洁，并去掉Y轴的刻度。

    # 网格设置。
    ax.grid(color="gray", linestyle=(0, (10, 10)), linewidth=0.5, alpha=0.6)
    ax.tick_params(axis="x", colors="black")
    ax.tick_params(axis="y", left=False, labelleft=False)

    # 边框设置。
    ax.spines["top"].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.spines["bottom"].set_color("black")
    ax.spines['left'].set_color('white')
    ax.spines['left'].set_linewidth(1)

    # 隐藏Y轴的刻度。
    ax.tick_params(axis='y', length=0)

网格已加入，这张图片由作者提供。

我们现在要在X轴的第一个刻度附近添加一个小的美学细节，并且我们会把刻度标签的字体颜色调得更淡一些。

    # 在轴上第一个日期加上年份
    def 自定义日期格式(t, pos, dates, x_interval):
        日期 = dates[pos*x_interval]
        if pos == 0:
            return 日期.strftime('%d %b \'%y')
        else:
            return 日期.strftime('%d %b')
    ax.xaxis.set_major_formatter(ticker.FuncFormatter((lambda x, pos: 自定义日期格式(x, pos, dates=dates, x_interval=x_interval))))
    # 将日期格式化为所需的格式
    # 将每个刻度标签的颜色设置为 #808079
    [t.set_color('#808079') for t in ax.yaxis.get_ticklabels()]
    [t.set_color('#808079') for t in ax.xaxis.get_ticklabels()]

第一次约会前几天拍的照片，约: Author

而且我们正接近最棘手的部分——如何在曲线下方制作渐变效果。但实际上，Matplotlib 并没有提供这种功能，我们可以通过创建一个渐变图像，并用图表将其裁剪来模拟效果。

    # 绘制梯度图
    numeric_x = np.array([i for i in range(len(x))])  
    # 将numeric_x的最大值添加到numeric_x_patch的末尾
    numeric_x_patch = np.append(numeric_x, max(numeric_x))  
    # 在numeric_x_patch前面添加numeric_x_patch的第一个元素
    numeric_x_patch = np.append(numeric_x_patch[0], numeric_x_patch)  
    # 将0添加到y_patch的末尾
    y_patch = np.append(y, 0)  
    # 在y_patch前面添加0
    y_patch = np.append(0, y_patch)  

    # 创建路径对象
    path = Path(np.array([numeric_x_patch, y_patch]).transpose())  
    # 创建路径补丁对象
    patch = PathPatch(path, facecolor='none')  
    # 将路径补丁添加到当前坐标轴
    plt.gca().add_patch(patch)  

    # 使用指定的颜色映射和透明度显示numeric_x的梯度图
    ax.imshow(numeric_x.reshape(len(numeric_x), 1),  interpolation="bicubic",  
                    cmap='绿色',   
                    origin='下部',  
                    alpha=0.3,  
                    extent=[min(numeric_x), max(numeric_x), min(y_patch), max(y_patch) * 1.2], # 定义显示区域
                    aspect="auto", clip_path=patch, clip_on=True) # 设置裁剪路径

添加了梯度，图片由作者提供 (作者)

现在看起来既整洁又漂亮。我们只需要用任何编辑器（我更倾向于用Google Slides）添加一些细节，比如标题、圆角边和一些数字标识。

最终的可视化效果图，由作者制作

下面的完整代码是用于复现可视化效果的：