4.1综合实战pandas数据可视化

4.1 数据可视化

Matplotlib 基础

1. 折线图：

   import pandas as pd
   import matplotlib.pyplot as plt
   import numpy as np
   ​
   # 创建示例数据
   dates = pd.date_range('20230101', periods=100)
   values = np.random.randn(100).cumsum()
   df = pd.DataFrame({'date': dates, 'value': values})
   ​
   # 绘制折线图
   plt.figure(figsize=(10, 6))
   plt.plot(df['date'], df['value'], marker='o', linestyle='-', color='b')
   plt.title('Value Over Time', fontsize=14)
   plt.xlabel('Date', fontsize=12)
   plt.ylabel('Value', fontsize=12)
   plt.grid(True)
   plt.xticks(rotation=45)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个折线图，x轴为日期，y轴为值，展示随时间变化的趋势
   包含网格线、数据点标记、倾斜的日期标签
   """

2. 柱状图：

   import pandas as pd
   import matplotlib.pyplot as plt
   import numpy as np
   ​
   # 创建示例数据
   categories = ['A', 'B', 'C', 'D', 'E']
   values = np.random.randint(50, 200, size=len(categories))
   df = pd.DataFrame({'category': categories, 'value': values})
   ​
   # 设置颜色和样式
   colors = plt.cm.viridis(np.linspace(0, 1, len(categories)))
   ​
   # 创建柱状图
   plt.figure(figsize=(10, 6))
   bars = plt.bar(df['category'], df['value'], color=colors, edgecolor='black')
   ​
   # 添加数值标签
   for bar in bars:
       height = bar.get_height()
       plt.text(bar.get_x() + bar.get_width()/2., height,
                f'{height:.0f}',
                ha='center', va='bottom', fontsize=12)
   ​
   # 设置图表样式
   plt.title('Value by Category', fontsize=14, pad=20)
   plt.xlabel('Category', fontsize=12)
   plt.ylabel('Value', fontsize=12)
   plt.xticks(fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(axis='y', linestyle='--', alpha=0.7)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个柱状图，x轴为类别，y轴为值，展示不同类别的值对比
   包含：
   - 渐变色柱状图
   - 数值标签
   - 网格线
   - 自定义字体大小
   - 黑色边框
   """

3. 散点图：

   import pandas as pd
   import matplotlib.pyplot as plt
   import numpy as np
   ​
   # 创建示例数据
   np.random.seed(42)
   x = np.random.normal(0, 1, 100)
   y = x * 2 + np.random.normal(0, 0.5, 100)
   categories = np.random.choice(['A', 'B', 'C'], size=100)
   df = pd.DataFrame({'x': x, 'y': y, 'category': categories})
   ​
   # 设置颜色映射
   cmap = plt.cm.get_cmap('viridis', len(df['category'].unique()))
   ​
   # 创建散点图
   plt.figure(figsize=(10, 6))
   for i, category in enumerate(df['category'].unique()):
       subset = df[df['category'] == category]
       plt.scatter(subset['x'], subset['y'], 
                   color=cmap(i), 
                   label=category,
                   alpha=0.7,
                   edgecolor='black',
                   s=100)
   ​
   # 添加回归线
   z = np.polyfit(df['x'], df['y'], 1)
   p = np.poly1d(z)
   plt.plot(df['x'], p(df['x']), "r--", linewidth=2)
   ​
   # 设置图表样式
   plt.title('Scatter Plot with Regression Line', fontsize=14)
   plt.xlabel('X Value', fontsize=12)
   plt.ylabel('Y Value', fontsize=12)
   plt.legend(title='Category', bbox_to_anchor=(1.05, 1), loc='upper left')
   plt.grid(True, linestyle='--', alpha=0.5)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个散点图，包含：
   - 不同类别的数据点用不同颜色表示
   - 黑色边框的数据点
   - 回归线
   - 网格线
   - 图例
   - 自定义字体大小
   """

Seaborn 基础

1. 分布图：

    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    import numpy as np
    import cartopy.crs as ccrs
    import cartopy.feature as cfeature
   ​
   # 创建示例数据
   np.random.seed(42)
   normal_data = np.random.normal(0, 1, 1000)
   skew_data = np.random.chisquare(5, 1000)
   df = pd.DataFrame({
       'Normal': normal_data,
       'Skewed': skew_data
   })
   ​
   # 创建分布图
   plt.figure(figsize=(12, 6))
   ​
   # 正态分布
   plt.subplot(1, 2, 1)
   sns.histplot(df['Normal'], kde=True, color='blue', bins=30)
   plt.title('Normal Distribution', fontsize=14)
   plt.xlabel('Value', fontsize=12)
   plt.ylabel('Density', fontsize=12)
   plt.grid(True, linestyle='--', alpha=0.5)
   ​
   # 偏态分布
   plt.subplot(1, 2, 2)
   sns.histplot(df['Skewed'], kde=True, color='green', bins=30)
   plt.title('Skewed Distribution', fontsize=14)
   plt.xlabel('Value', fontsize=12)
   plt.ylabel('Density', fontsize=12)
   plt.grid(True, linestyle='--', alpha=0.5)
   ​
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示两个分布图，包含：
   - 正态分布和偏态分布的对比
   - 核密度估计曲线
   - 网格线
   - 自定义字体大小
   - 分面显示
   """

2. 热力图：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   ​
   # 创建示例数据
   np.random.seed(42)
   data = np.random.rand(10, 10)
   columns = [f'Feature_{i+1}' for i in range(10)]
   df = pd.DataFrame(data, columns=columns)
   ​
   # 创建热力图
   plt.figure(figsize=(12, 8))
   ax = sns.heatmap(
       df.corr(),
       annot=True,
       cmap='coolwarm',
       vmin=-1,
       vmax=1,
       linewidths=0.5,
       linecolor='white',
       annot_kws={'size': 10, 'color': 'black'},
       cbar_kws={'shrink': 0.8}
   )
   ​
   # 设置图表样式
   plt.title('Feature Correlation Heatmap', fontsize=16, pad=20)
   plt.xticks(fontsize=10, rotation=45)
   plt.yticks(fontsize=10)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个热力图，包含：
   - 10个特征之间的相关性
   - 颜色深浅表示相关性强弱（-1到1）
   - 白色分隔线
   - 相关性数值显示
   - 自定义字体大小
   - 颜色条
   - 特征名称旋转45度
   """

3. 箱线图：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   ​
   # 创建示例数据
   np.random.seed(42)
   categories = ['A', 'B', 'C', 'D']
   data = {
       'category': np.repeat(categories, 100),
       'value': np.concatenate([
           np.random.normal(10, 2, 100),  # A
           np.random.normal(15, 3, 100),  # B
           np.random.normal(20, 4, 100),  # C
           np.random.normal(25, 5, 100)   # D
       ])
   }
   df = pd.DataFrame(data)
   ​
   # 创建箱线图
   plt.figure(figsize=(10, 6))
   ax = sns.boxplot(
       x='category',
       y='value',
       data=df,
       palette='Set2',
       showmeans=True,
       meanprops={
           'marker': 'D',
           'markerfacecolor': 'white',
           'markeredgecolor': 'black'
       }
   )
   ​
   # 添加数据点
   sns.stripplot(
       x='category',
       y='value',
       data=df,
       color='black',
       alpha=0.3,
       jitter=True,
       ax=ax
   )
   ​
   # 设置图表样式
   plt.title('Value Distribution by Category', fontsize=14)
   plt.xlabel('Category', fontsize=12)
   plt.ylabel('Value', fontsize=12)
   plt.xticks(fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(axis='y', linestyle='--', alpha=0.5)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个箱线图，包含：
   - 4个类别的值分布
   - 不同颜色的箱体
   - 显示均值（菱形标记）
   - 原始数据点（黑色散点）
   - 网格线
   - 自定义字体大小
   - 数据抖动显示
   """

高级可视化技巧

1. 大数据集可视化：

   # 使用Datashader处理百万级数据点
   import datashader as ds
   import datashader.transfer_functions as tf
   from datashader import reductions
   import pandas as pd
   import numpy as np
   ​
   # 生成百万级数据
   num_points = 1_000_000
   df = pd.DataFrame({
       'x': np.random.normal(0, 1, num_points),
       'y': np.random.normal(0, 1, num_points),
       'value': np.random.normal(0, 1, num_points)
   })
   ​
   # 创建画布
   canvas = ds.Canvas(plot_width=800, plot_height=600)
   ​
   # 聚合数据
   agg = canvas.points(df, 'x', 'y', ds.mean('value'))
   ​
   # 渲染图像
   img = tf.shade(agg, cmap=['lightblue', 'darkblue'], how='log')
   tf.set_background(img, 'black')
   img.to_pil().show()

2. 交互式仪表盘：

   # 使用Dash创建交互式仪表盘
   import dash
   from dash import dcc, html
   import plotly.express as px
   import pandas as pd
   ​
   # 创建示例数据
   df = pd.DataFrame({
       'x': range(100),
       'y': np.random.normal(0, 1, 100),
       'category': np.random.choice(['A', 'B', 'C'], 100)
   })
   ​
   # 创建Dash应用
   app = dash.Dash(__name__)
   ​
   app.layout = html.Div([
       dcc.Graph(id='scatter-plot'),
       dcc.Dropdown(
           id='category-dropdown',
           options=[{'label': i, 'value': i} for i in df['category'].unique()],
           value='A'
       )
   ])
   ​
   @app.callback(
       dash.dependencies.Output('scatter-plot', 'figure'),
       [dash.dependencies.Input('category-dropdown', 'value')]
   )
   def update_graph(selected_category):
       filtered_df = df[df['category'] == selected_category]
       fig = px.scatter(filtered_df, x='x', y='y')
       return fig
   ​
   if __name__ == '__main__':
       app.run_server(debug=True)

3. 动画可视化：

   # 使用Plotly创建动画
   import plotly.express as px
   import pandas as pd
   import numpy as np
   
   # 创建示例数据
   df = pd.DataFrame({
       'x': np.random.normal(0, 1, 1000),
       'y': np.random.normal(0, 1, 1000),
       'frame': np.repeat(np.arange(100), 10),
       'category': np.random.choice(['A', 'B', 'C'], 1000)
   })
   
   fig = px.scatter(
       df, x='x', y='y', 
       animation_frame='frame',
       color='category',
       range_x=[-5, 5],
       range_y=[-5, 5]
   )
   fig.show()

4. 3D可视化：

   # 使用Plotly创建3D散点图
   import plotly.express as px
   import pandas as pd
   import numpy as np
   
   # 创建示例数据
   df = pd.DataFrame({
       'x': np.random.normal(0, 1, 1000),
       'y': np.random.normal(0, 1, 1000),
       'z': np.random.normal(0, 1, 1000),
       'value': np.random.normal(0, 1, 1000)
   })
   
   fig = px.scatter_3d(
       df, x='x', y='y', z='z',
       color='value',
       size_max=10,
       opacity=0.7
   )
   fig.show()

5. 地理数据可视化：

   # 使用Plotly创建地理散点图
   import plotly.express as px
   import pandas as pd
   import numpy as np
   
   # 创建示例数据
   df = pd.DataFrame({
       'lat': np.random.uniform(22.5, 25.5, 1000),
       'lon': np.random.uniform(120.5, 122.5, 1000),
       'value': np.random.normal(0, 1, 1000)
   })
   
   fig = px.scatter_geo(
       df, lat='lat', lon='lon',
       color='value',
       size='value',
       projection='natural earth'
   )
   fig.show()

6. 网络图可视化：

   # 使用NetworkX和Plotly创建网络图
   import networkx as nx
   import plotly.graph_objects as go
   import numpy as np
   
   # 创建示例网络
   G = nx.random_geometric_graph(200, 0.125)
   
   # 获取节点位置
   pos = nx.get_node_attributes(G, 'pos')
   
   # 创建边轨迹
   edge_trace = []
   for edge in G.edges():
       x0, y0 = pos[edge[0]]
       x1, y1 = pos[edge[1]]
       edge_trace.append(go.Scatter(
           x=[x0, x1, None], y=[y0, y1, None],
           line=dict(width=0.5, color='#888'),
           hoverinfo='none',
           mode='lines'
       ))
   
   # 创建节点轨迹
   node_trace = go.Scatter(
       x=[], y=[], text=[], mode='markers',
       hoverinfo='text',
       marker=dict(
           showscale=True,
           colorscale='YlGnBu',
           size=10,
           colorbar=dict(
               thickness=15,
               title='Node Connections',
               xanchor='left',
               titleside='right'
           )
       )
   )
   
   # 添加节点信息
   for node in G.nodes():
       x, y = pos[node]
       node_trace['x'] += (x,)
       node_trace['y'] += (y,)
       node_trace['text'] += (f'Node {node}',)
   
   # 创建图形
   fig = go.Figure(data=edge_trace + [node_trace],
                  layout=go.Layout(
                      showlegend=False,
                      hovermode='closest',
                      margin=dict(b=20,l=5,r=5,t=40),
                      xaxis=dict(showgrid=False, zeroline=False),
                      yaxis=dict(showgrid=False, zeroline=False)
                  ))
   fig.show()

7. 自动化可视化流程：

   class AutoVisualizer:
       def __init__(self, df):
           self.df = df
           
       def visualize(self, plot_type='scatter', **kwargs):
           if plot_type == 'scatter':
               return self._scatter_plot(**kwargs)
           elif plot_type == 'line':
               return self._line_plot(**kwargs)
           elif plot_type == 'bar':
               return self._bar_plot(**kwargs)
           else:
               raise ValueError(f"Unsupported plot type: {plot_type}")
               
       def _scatter_plot(self, x, y, color=None, size=None):
           fig = px.scatter(self.df, x=x, y=y, color=color, size=size)
           return fig
           
       def _line_plot(self, x, y, color=None):
           fig = px.line(self.df, x=x, y=y, color=color)
           return fig
           
       def _bar_plot(self, x, y, color=None):
           fig = px.bar(self.df, x=x, y=y, color=color)
           return fig

可视化最佳实践

1. 选择合适的图表类型：

   • 比较数据：柱状图、条形图

   • 显示趋势：折线图、面积图

   • 显示分布：直方图、箱线图

   • 显示关系：散点图、气泡图

   • 显示组成：饼图、堆叠图

   • 显示地理数据：地图、热力图

2. 颜色使用指南：

   • 使用颜色区分不同类别

   • 避免使用过多颜色（通常不超过7种）

   • 使用渐变色表示连续值

   • 确保颜色对比度足够

   • 考虑色盲友好配色

3. 交互设计原则：

   • 提供工具提示（hover info）

   • 支持缩放和平移

   • 添加筛选和排序功能

   • 提供数据导出选项

   • 保持响应式设计

4. 性能优化技巧：

   • 对大数据集进行采样或聚合

   • 使用WebGL加速渲染

   • 启用懒加载

   • 使用服务器端渲染

   • 优化数据格式

5. 可访问性设计：

   • 提供文字描述

   • 支持键盘导航

   • 确保足够的对比度

   • 提供替代文本

   • 支持屏幕阅读器

实际案例

1. 电商销售趋势：

   import pandas as pd
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   dates = pd.date_range('2023-01-01', periods=90)
   base_sales = np.linspace(1000, 5000, 90)
   noise = np.random.normal(0, 300, 90)
   promotions = np.random.choice([0, 1], size=90, p=[0.8, 0.2]) * 1000
   sales = base_sales + noise + promotions
   df = pd.DataFrame({'date': dates, 'sales': sales})
   
   # 创建折线图
   plt.figure(figsize=(14, 7))
   plt.plot(df['date'], df['sales'], 
            marker='o', 
            linestyle='-', 
            color='royalblue',
            linewidth=2,
            markersize=8,
            label='Daily Sales')
   
   # 标记促销日
   promo_dates = df[df['sales'] > df['sales'].quantile(0.9)]['date']
   plt.scatter(promo_dates, 
               df.loc[df['date'].isin(promo_dates), 'sales'],
               color='red',
               s=100,
               zorder=5,
               label='Promotion Days')
   
   # 设置图表样式
   plt.title('E-commerce Sales Trend with Promotions', fontsize=16, pad=20)
   plt.xlabel('Date', fontsize=14)
   plt.ylabel('Sales (USD)', fontsize=14)
   plt.xticks(rotation=45, fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(True, linestyle='--', alpha=0.5)
   plt.legend(fontsize=12, loc='upper left')
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个折线图，包含：
   - 90天的销售趋势
   - 基础销售增长
   - 随机波动
   - 促销日标记（红色圆点）
   - 网格线
   - 自定义字体大小
   - 日期标签旋转45度
   - 图例说明
   """

2. 社交媒体参与度：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   platforms = ['Facebook', 'Instagram', 'Twitter', 'TikTok', 'LinkedIn']
   engagement = {
       'Facebook': np.random.normal(5000, 500, 100),
       'Instagram': np.random.normal(7000, 700, 100),
       'Twitter': np.random.normal(3000, 300, 100),
       'TikTok': np.random.normal(9000, 900, 100),
       'LinkedIn': np.random.normal(2000, 200, 100)
   }
   df = pd.DataFrame(engagement).melt(var_name='platform', value_name='engagement')
   
   # 创建柱状图
   plt.figure(figsize=(12, 7))
   ax = sns.barplot(
       x='platform',
       y='engagement',
       data=df,
       palette='viridis',
       ci='sd',  # 显示标准差
       capsize=0.1  # 误差线端帽
   )
   
   # 添加数值标签
   for p in ax.patches:
       ax.annotate(
           f'{p.get_height():.0f}',
           (p.get_x() + p.get_width() / 2., p.get_height()),
           ha='center',
           va='center',
           xytext=(0, 10),
           textcoords='offset points',
           fontsize=12
       )
   
   # 设置图表样式
   plt.title('Social Media Engagement Analysis', fontsize=16, pad=20)
   plt.xlabel('Platform', fontsize=14)
   plt.ylabel('Engagement (per post)', fontsize=14)
   plt.xticks(fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(axis='y', linestyle='--', alpha=0.5)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个柱状图，包含：
   - 5个社交媒体平台的参与度对比
   - 误差线显示数据波动
   - 数值标签显示平均值
   - 渐变色柱状图
   - 网格线
   - 自定义字体大小
   - 误差线端帽
   """

3. 金融回报分布：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   days = 1000
   returns = np.random.normal(0.001, 0.02, days).cumsum()
   df = pd.DataFrame({
       'date': pd.date_range('2023-01-01', periods=days),
       'return': returns
   })
   
   # 创建分布图
   plt.figure(figsize=(14, 7))
   
   # 主图：回报率分布
   ax1 = plt.subplot2grid((2, 2), (0, 0), colspan=2)
   sns.histplot(
       df['return'],
       kde=True,
       bins=50,
       color='royalblue',
       edgecolor='black',
       linewidth=1
   )
   
   # 添加统计信息
   mean_return = df['return'].mean()
   std_return = df['return'].std()
   ax1.axvline(mean_return, color='red', linestyle='--', label=f'Mean: {mean_return:.4f}')
   ax1.axvline(mean_return + std_return, color='green', linestyle=':', label=f'+1 Std: {mean_return + std_return:.4f}')
   ax1.axvline(mean_return - std_return, color='green', linestyle=':', label=f'-1 Std: {mean_return - std_return:.4f}')
   
   # 设置主图样式
   ax1.set_title('Daily Return Distribution with Key Statistics', fontsize=16, pad=20)
   ax1.set_xlabel('Daily Return', fontsize=14)
   ax1.set_ylabel('Density', fontsize=14)
   ax1.legend(fontsize=12)
   ax1.grid(True, linestyle='--', alpha=0.5)
   
   # 子图1：QQ图
   ax2 = plt.subplot2grid((2, 2), (1, 0))
   from scipy import stats
   stats.probplot(df['return'], dist="norm", plot=ax2)
   ax2.set_title('QQ Plot', fontsize=14)
   ax2.grid(True, linestyle='--', alpha=0.5)
   
   # 子图2：累计回报
   ax3 = plt.subplot2grid((2, 2), (1, 1))
   df['cum_return'] = (1 + df['return']).cumprod() - 1
   ax3.plot(df['date'], df['cum_return'], color='purple', linewidth=2)
   ax3.set_title('Cumulative Return', fontsize=14)
   ax3.set_xlabel('Date', fontsize=12)
   ax3.set_ylabel('Cumulative Return', fontsize=12)
   ax3.grid(True, linestyle='--', alpha=0.5)
   
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个综合金融分析图，包含：
   - 主图：回报率分布直方图
     * 核密度估计曲线
     * 均值线（红色虚线）
     * ±1标准差线（绿色点线）
   - 子图1：QQ图，检验正态分布
   - 子图2：累计回报曲线
   - 网格线
   - 自定义字体大小
   - 图例说明
   """

4. 医疗数据相关性：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例医疗数据
   np.random.seed(42)
   num_patients = 1000
   data = {
       'age': np.random.normal(45, 15, num_patients).astype(int),
       'blood_pressure': np.random.normal(120, 20, num_patients),
       'cholesterol': np.random.normal(200, 40, num_patients),
       'bmi': np.random.normal(25, 5, num_patients),
       'glucose': np.random.normal(100, 20, num_patients),
       'smoking': np.random.choice([0, 1], size=num_patients, p=[0.7, 0.3]),
       'diabetes': np.random.choice([0, 1], size=num_patients, p=[0.85, 0.15])
   }
   df = pd.DataFrame(data)
   
   # 计算相关性矩阵
   corr_matrix = df.corr()
   
   # 创建热力图
   plt.figure(figsize=(12, 10))
   ax = sns.heatmap(
       corr_matrix,
       annot=True,
       cmap='coolwarm',
       vmin=-1,
       vmax=1,
       linewidths=0.5,
       linecolor='white',
       annot_kws={
           'size': 12,
           'color': 'black',
           'weight': 'bold'
       },
       cbar_kws={
           'shrink': 0.8,
           'label': 'Correlation Coefficient'
       },
       mask=np.triu(np.ones_like(corr_matrix, dtype=bool))  # 只显示下三角
   )
   
   # 设置图表样式
   plt.title('Medical Data Feature Correlation Matrix', 
             fontsize=18, pad=20)
   plt.xticks(
       rotation=45,
       fontsize=12,
       horizontalalignment='right'
   )
   plt.yticks(fontsize=12)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个医疗数据相关性热力图，包含：
   - 7个医疗特征的相关性分析
   - 下三角显示
   - 冷暖色表示相关性强弱（-1到1）
   - 白色分隔线
   - 加粗的相关性数值
   - 颜色条说明
   - 特征名称旋转45度
   - 自定义字体大小
   """

5. 教育成绩分布：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   grades = ['Grade 7', 'Grade 8', 'Grade 9', 'Grade 10']
   num_students = 200
   data = {
       'grade': np.repeat(grades, num_students),
       'score': np.concatenate([
           np.random.normal(70, 10, num_students),  # Grade 7
           np.random.normal(75, 8, num_students),   # Grade 8
           np.random.normal(80, 7, num_students),   # Grade 9
           np.random.normal(85, 6, num_students)    # Grade 10
       ])
   }
   df = pd.DataFrame(data)
   
   # 创建箱线图
   plt.figure(figsize=(12, 8))
   ax = sns.boxplot(
       x='grade',
       y='score',
       data=df,
       palette='Set3',
       showmeans=True,
       meanprops={
           'marker': 'D',
           'markerfacecolor': 'white',
           'markeredgecolor': 'black'
       },
       width=0.6,
       linewidth=1.5
   )
   
   # 添加数据点
   sns.stripplot(
       x='grade',
       y='score',
       data=df,
       color='black',
       alpha=0.3,
       jitter=True,
       ax=ax
   )
   
   # 添加统计信息
   for i, grade in enumerate(grades):
       mean_score = df[df['grade'] == grade]['score'].mean()
       median_score = df[df['grade'] == grade]['score'].median()
       ax.text(i, mean_score + 2, f'Mean: {mean_score:.1f}', 
               ha='center', va='bottom', fontsize=12, color='blue')
       ax.text(i, median_score - 2, f'Median: {median_score:.1f}', 
               ha='center', va='top', fontsize=12, color='red')
   
   # 设置图表样式
   plt.title('Student Score Distribution by Grade', fontsize=18, pad=20)
   plt.xlabel('Grade', fontsize=14)
   plt.ylabel('Score', fontsize=14)
   plt.xticks(fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(axis='y', linestyle='--', alpha=0.5)
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个教育成绩分布箱线图，包含：
   - 4个年级的成绩分布
   - 不同颜色的箱体
   - 显示均值（菱形标记）
   - 原始数据点（黑色散点）
   - 均值和中位数标注
   - 网格线
   - 自定义字体大小
   - 数据抖动显示
   """

6. 零售利润分析：

   import pandas as pd
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   dates = pd.date_range('2023-01-01', periods=90)
   base_profit = np.linspace(1000, 5000, 90)
   noise = np.random.normal(0, 300, 90)
   promotions = np.random.choice([0, 1], size=90, p=[0.8, 0.2]) * 1000
   profit = base_profit + noise + promotions
   df = pd.DataFrame({'date': dates, 'profit': profit})
   
   # 创建折线图
   plt.figure(figsize=(14, 7))
   plt.plot(df['date'], df['profit'], 
            marker='o', 
            linestyle='-', 
            color='royalblue',
            linewidth=2,
            markersize=8,
            label='Daily Profit')
   
   # 标记促销日
   promo_dates = df[df['profit'] > df['profit'].quantile(0.9)]['date']
   plt.scatter(promo_dates, 
               df.loc[df['date'].isin(promo_dates), 'profit'],
               color='red',
               s=100,
               zorder=5,
               label='Promotion Days')
   
   # 添加趋势线
   z = np.polyfit(range(len(df)), df['profit'], 1)
   p = np.poly1d(z)
   plt.plot(df['date'], p(range(len(df))), "r--", linewidth=2, label='Trend Line')
   
   # 设置图表样式
   plt.title('Retail Profit Analysis with Promotions', fontsize=16, pad=20)
   plt.xlabel('Date', fontsize=14)
   plt.ylabel('Profit (USD)', fontsize=14)
   plt.xticks(rotation=45, fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(True, linestyle='--', alpha=0.5)
   plt.legend(fontsize=12, loc='upper left')
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个零售利润分析折线图，包含：
   - 90天的利润趋势
   - 基础利润增长
   - 随机波动
   - 促销日标记（红色圆点）
   - 趋势线
   - 网格线
   - 自定义字体大小
   - 日期标签旋转45度
   - 图例说明
   """

7. 交通流量模式：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   hours = np.arange(24)
   weekday_pattern = np.sin(2 * np.pi * hours / 24) * 1000 + 3000
   weekend_pattern = np.sin(2 * np.pi * hours / 24) * 500 + 1500
   
   # 生成一周数据
   data = {
       'hour': np.tile(hours, 7),
       'count': np.concatenate([
           weekday_pattern + np.random.normal(0, 200, 24) * 5,  # 周一
           weekday_pattern + np.random.normal(0, 200, 24) * 5,  # 周二
           weekday_pattern + np.random.normal(0, 200, 24) * 5,  # 周三
           weekday_pattern + np.random.normal(0, 200, 24) * 5,  # 周四
           weekday_pattern + np.random.normal(0, 200, 24) * 5,  # 周五
           weekend_pattern + np.random.normal(0, 100, 24) * 2,  # 周六
           weekend_pattern + np.random.normal(0, 100, 24) * 2   # 周日
       ]),
       'day_type': np.repeat(['Weekday', 'Weekday', 'Weekday', 'Weekday', 'Weekday', 'Weekend', 'Weekend'], 24)
   }
   df = pd.DataFrame(data)
   
   # 创建折线图
   plt.figure(figsize=(14, 8))
   ax = sns.lineplot(
       x='hour',
       y='count',
       hue='day_type',
       style='day_type',
       data=df,
       palette='Set2',
       linewidth=2.5,
       markers=True,
       dashes=False,
       markersize=10
   )
   
   # 添加高峰时段标注
   peak_hours = df.groupby('hour')['count'].mean().nlargest(3).index
   for hour in peak_hours:
       plt.axvline(hour, color='red', linestyle='--', alpha=0.3)
       plt.text(hour, df['count'].max() * 0.9, 
                f'Peak Hour\n{hour}:00-{hour+1}:00', 
                ha='center', va='top', fontsize=12, color='red')
   
   # 设置图表样式
   plt.title('Hourly Traffic Pattern Analysis', fontsize=18, pad=20)
   plt.xlabel('Hour of Day', fontsize=14)
   plt.ylabel('Traffic Count', fontsize=14)
   plt.xticks(np.arange(0, 24, 1), fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(True, linestyle='--', alpha=0.5)
   plt.legend(title='Day Type', fontsize=12, loc='upper right')
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个交通流量模式分析图，包含：
   - 一周7天的交通流量模式
   - 工作日和周末用不同颜色和样式区分
   - 高峰时段标注（红色虚线）
   - 数据点标记
   - 网格线
   - 自定义字体大小
   - 图例说明
   """

8. 天气温度变化：

   import pandas as pd
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   dates = pd.date_range('2023-01-01', periods=365)
   base_temp = 15 + 10 * np.sin(2 * np.pi * np.arange(365) / 365)
   noise = np.random.normal(0, 3, 365)
   heat_waves = np.random.choice([0, 1], size=365, p=[0.95, 0.05]) * 10
   temperature = base_temp + noise + heat_waves
   df = pd.DataFrame({'date': dates, 'temperature': temperature})
   
   # 创建折线图
   plt.figure(figsize=(14, 7))
   plt.plot(df['date'], df['temperature'], 
            color='crimson',
            linewidth=2,
            label='Daily Temperature')
   
   # 标记热浪
   heat_wave_dates = df[df['temperature'] > df['temperature'].quantile(0.95)]['date']
   plt.scatter(heat_wave_dates, 
               df.loc[df['date'].isin(heat_wave_dates), 'temperature'],
               color='darkorange',
               s=100,
               zorder=5,
               label='Heat Wave Days')
   
   # 添加移动平均线
   df['7_day_avg'] = df['temperature'].rolling(window=7).mean()
   plt.plot(df['date'], df['7_day_avg'], 
            color='navy',
            linestyle='--',
            linewidth=2,
            label='7-Day Moving Average')
   
   # 设置图表样式
   plt.title('Annual Temperature Trend with Heat Waves', fontsize=16, pad=20)
   plt.xlabel('Date', fontsize=14)
   plt.ylabel('Temperature (°C)', fontsize=14)
   plt.xticks(rotation=45, fontsize=12)
   plt.yticks(fontsize=12)
   plt.grid(True, linestyle='--', alpha=0.5)
   plt.legend(fontsize=12, loc='upper left')
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个温度变化分析图，包含：
   - 365天的温度变化趋势
   - 基础季节性变化
   - 随机波动
   - 热浪日标记（橙色圆点）
   - 7日移动平均线（蓝色虚线）
   - 网格线
   - 自定义字体大小
   - 日期标签旋转45度
   - 图例说明
   """

9. 员工任期分布：

   import pandas as pd
   import seaborn as sns
   import matplotlib.pyplot as plt
   import numpy as np
   
   # 创建示例数据
   np.random.seed(42)
   departments = ['Sales', 'Engineering', 'Marketing', 'Finance', 'HR']
   tenure_data = {
       'Sales': np.random.gamma(3, 1, 500),
       'Engineering': np.random.gamma(5, 1.2, 500),
       'Marketing': np.random.gamma(4, 0.8, 500),
       'Finance': np.random.gamma(6, 1.5, 500),
       'HR': np.random.gamma(7, 1.8, 500)
   }
   df = pd.DataFrame(tenure_data).melt(var_name='department', value_name='tenure')
   
   # 创建分布图
   plt.figure(figsize=(14, 8))
   
   # 主图：整体分布
   ax1 = plt.subplot2grid((2, 2), (0, 0), colspan=2)
   sns.histplot(
       df['tenure'],
       kde=True,
       bins=30,
       color='royalblue',
       edgecolor='black',
       linewidth=1,
       stat='density'
   )
   
   # 添加统计信息
   mean_tenure = df['tenure'].mean()
   median_tenure = df['tenure'].median()
   ax1.axvline(mean_tenure, color='red', linestyle='--', label=f'Mean: {mean_tenure:.1f} years')
   ax1.axvline(median_tenure, color='green', linestyle=':', label=f'Median: {median_tenure:.1f} years')
   
   # 设置主图样式
   ax1.set_title('Overall Employee Tenure Distribution', fontsize=16, pad=20)
   ax1.set_xlabel('Tenure (years)', fontsize=14)
   ax1.set_ylabel('Density', fontsize=14)
   ax1.legend(fontsize=12)
   ax1.grid(True, linestyle='--', alpha=0.5)
   
   # 子图1：按部门分布
   ax2 = plt.subplot2grid((2, 2), (1, 0))
   sns.boxplot(
       x='department',
       y='tenure',
       data=df,
       palette='Set2',
       showmeans=True,
       meanprops={
           'marker': 'D',
           'markerfacecolor': 'white',
           'markeredgecolor': 'black'
       }
   )
   ax2.set_title('Tenure by Department', fontsize=14)
   ax2.set_xlabel('Department', fontsize=12)
   ax2.set_ylabel('Tenure (years)', fontsize=12)
   ax2.grid(axis='y', linestyle='--', alpha=0.5)
   
   # 子图2：累计分布
   ax3 = plt.subplot2grid((2, 2), (1, 1))
   df_sorted = df.sort_values('tenure')
   df_sorted['cumulative'] = np.arange(1, len(df) + 1) / len(df)
   sns.lineplot(
       x='tenure',
       y='cumulative',
       data=df_sorted,
       color='purple',
       linewidth=2
   )
   ax3.set_title('Cumulative Distribution', fontsize=14)
   ax3.set_xlabel('Tenure (years)', fontsize=12)
   ax3.set_ylabel('Cumulative Probability', fontsize=12)
   ax3.grid(True, linestyle='--', alpha=0.5)
   
   plt.tight_layout()
   plt.show()
   """
   输出示例：
   显示一个综合员工任期分析图，包含：
   - 主图：整体任期分布直方图
     * 核密度估计曲线
     * 均值线（红色虚线）
     * 中位数线（绿色点线）
   - 子图1：按部门分布的箱线图
   - 子图2：累计分布曲线
   - 网格线
   - 自定义字体大小
   - 图例说明
   """

10. 营销转化率：

    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    import numpy as np
    
    # 创建示例数据
    np.random.seed(42)
    campaigns = ['Email', 'Social Media', 'Search Ads', 'Display Ads', 'Affiliate']
    base_rates = [0.15, 0.12, 0.18, 0.10, 0.08]
    noise = np.random.normal(0, 0.02, len(campaigns))
    conversion_rates = np.clip(base_rates + noise, 0, 1)
    cost_per_click = [0.5, 0.3, 1.2, 0.8, 0.4]
    revenue_per_conversion = [100, 80, 120, 90, 70]
    
    df = pd.DataFrame({
        'campaign': campaigns,
        'conversion_rate': conversion_rates,
        'cost_per_click': cost_per_click,
        'revenue_per_conversion': revenue_per_conversion
    })
    
    # 计算ROI
    df['roi'] = (df['conversion_rate'] * df['revenue_per_conversion'] - df['cost_per_click']) / df['cost_per_click']
    
    # 创建组合图
    plt.figure(figsize=(14, 8))
    
    # 主图：转化率柱状图
    ax1 = plt.subplot2grid((2, 2), (0, 0), colspan=2)
    bars = sns.barplot(
        x='campaign',
        y='conversion_rate',
        data=df,
        palette='viridis',
        edgecolor='black',
        linewidth=1
    )
    
    # 添加数值标签
    for p in bars.patches:
        height = p.get_height()
        ax1.text(p.get_x() + p.get_width()/2., height,
                 f'{height:.2%}',
                 ha='center', va='bottom', fontsize=12)
    
    # 设置主图样式
    ax1.set_title('Marketing Campaign Performance Analysis', fontsize=16, pad=20)
    ax1.set_xlabel('Campaign', fontsize=14)
    ax1.set_ylabel('Conversion Rate', fontsize=14)
    ax1.tick_params(axis='x', rotation=45)
    ax1.grid(axis='y', linestyle='--', alpha=0.5)
    
    # 子图1：ROI散点图
    ax2 = plt.subplot2grid((2, 2), (1, 0))
    sns.scatterplot(
        x='conversion_rate',
        y='roi',
        hue='campaign',
        data=df,
        palette='viridis',
        s=200,
        edgecolor='black',
        ax=ax2
    )
    
    # 添加ROI标注
    for i, row in df.iterrows():
        ax2.text(row['conversion_rate'] + 0.005, row['roi'] + 0.1,
                 f'{row["roi"]:.1f}x',
                 fontsize=12, ha='left')
    
    ax2.set_title('ROI Analysis', fontsize=14)
    ax2.set_xlabel('Conversion Rate', fontsize=12)
    ax2.set_ylabel('ROI (x)', fontsize=12)
    ax2.grid(True, linestyle='--', alpha=0.5)
    
    # 子图2：成本效益分析
    ax3 = plt.subplot2grid((2, 2), (1, 1))
    sns.barplot(
        x='campaign',
        y='cost_per_click',
        data=df,
        palette='viridis',
        edgecolor='black',
        linewidth=1,
        ax=ax3
    )
    
    # 添加成本标注
    for p in ax3.patches:
        height = p.get_height()
        ax3.text(p.get_x() + p.get_width()/2., height,
                 f'${height:.2f}',
                 ha='center', va='bottom', fontsize=12)
    
    ax3.set_title('Cost Per Click Analysis', fontsize=14)
    ax3.set_xlabel('Campaign', fontsize=12)
    ax3.set_ylabel('Cost Per Click ($)', fontsize=12)
    ax3.tick_params(axis='x', rotation=45)
    ax3.grid(axis='y', linestyle='--', alpha=0.5)
    
    plt.tight_layout()
    plt.show()
    """
    输出示例：
    显示一个综合营销分析图，包含：
    - 主图：各渠道转化率柱状图
      * 转化率数值标注
      * 渐变色柱状图
    - 子图1：ROI分析散点图
      * ROI数值标注
      * 不同渠道颜色区分
    - 子图2：点击成本分析柱状图
      * 成本数值标注
    - 网格线
    - 自定义字体大小
    - 日期标签旋转45度
    """

11. 多变量分析：

    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    import numpy as np
    
    # 创建示例数据
    np.random.seed(42)
    num_samples = 500
    data = {
        'age': np.random.normal(35, 10, num_samples).astype(int),
        'income': np.random.lognormal(4, 0.5, num_samples),
        'spending': np.random.normal(500, 200, num_samples),
        'satisfaction': np.random.randint(1, 11, num_samples),
        'gender': np.random.choice(['Male', 'Female'], size=num_samples)
    }
    df = pd.DataFrame(data)
    
    # 创建多变量分析图
    plt.figure(figsize=(14, 12))
    
    # 创建PairGrid对象
    g = sns.PairGrid(df, 
                    vars=['age', 'income', 'spending', 'satisfaction'],
                    hue='gender',
                    palette='Set2',
                    corner=True)
    
    # 设置对角线和非对角线图形
    g.map_diag(sns.histplot, 
              kde=True, 
              alpha=0.8, 
              edgecolor='black', 
              linewidth=0.5)
    
    g.map_offdiag(sns.scatterplot, 
                 alpha=0.7, 
                 edgecolor='black', 
                 linewidth=0.5, 
                 s=80)
    
    # 添加回归线
    g.map_offdiag(sns.regplot, 
                 scatter=False, 
                 color='red', 
                 line_kws={'linewidth': 1.5})
    
    # 添加图例
    g.add_legend(title='Gender', 
                fontsize=12, 
                bbox_to_anchor=(1.02, 0.5), 
                loc='center left')
    
    # 设置整体样式
    plt.suptitle('Multivariate Analysis of Customer Data', 
                fontsize=18, 
                y=1.02)
    
    # 调整子图间距
    plt.tight_layout()
    plt.show()
    """
    输出示例：
    显示一个多变量分析图，包含：
    - 对角线：单变量分布直方图
      * 核密度估计曲线
      * 黑色边框
    - 非对角线：散点图
      * 不同性别用不同颜色区分
      * 黑色边框的数据点
      * 红色回归线
    - 图例说明
    - 自定义字体大小
    - 紧凑布局
    """

12. 时间序列分解：

    import pandas as pd
    import matplotlib.pyplot as plt
    from statsmodels.tsa.seasonal import seasonal_decompose
    import numpy as np
    
    # 创建示例数据
    np.random.seed(42)
    dates = pd.date_range('2023-01-01', periods=365*3)  # 3年数据
    trend = np.linspace(0, 100, len(dates))
    seasonality = 10 * np.sin(2 * np.pi * np.arange(len(dates)) / 365)
    noise = np.random.normal(0, 5, len(dates))
    values = trend + seasonality + noise
    df = pd.DataFrame({'date': dates, 'value': values}).set_index('date')
    
    # 设置图形大小
    plt.figure(figsize=(14, 10))
    
    # 原始数据
    plt.subplot(4, 1, 1)
    plt.plot(df['value'], color='royalblue', linewidth=1.5)
    plt.title('Original Time Series', fontsize=14)
    plt.grid(True, linestyle='--', alpha=0.5)
    
    # 时间序列分解
    decomposition = seasonal_decompose(df['value'], model='additive', period=365)
    
    # 趋势成分
    plt.subplot(4, 1, 2)
    plt.plot(decomposition.trend, color='darkorange', linewidth=1.5)
    plt.title('Trend Component', fontsize=14)
    plt.grid(True, linestyle='--', alpha=0.5)
    
    # 季节性成分
    plt.subplot(4, 1, 3)
    plt.plot(decomposition.seasonal, color='green', linewidth=1.5)
    plt.title('Seasonal Component', fontsize=14)
    plt.grid(True, linestyle='--', alpha=0.5)
    
    # 残差成分
    plt.subplot(4, 1, 4)
    plt.plot(decomposition.resid, color='purple', linewidth=1.5)
    plt.title('Residual Component', fontsize=14)
    plt.grid(True, linestyle='--', alpha=0.5)
    
    # 调整布局
    plt.tight_layout()
    plt.show()
    """
    输出示例：
    显示一个时间序列分解图，包含：
    - 原始时间序列（蓝色）
    - 趋势成分（橙色）
    - 季节性成分（绿色）
    - 残差成分（紫色）
    - 网格线
    - 自定义字体大小
    - 紧凑布局
    """

13. 地理数据可视化：

    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    import numpy as np
    
    # 创建示例数据
    np.random.seed(42)
    num_points = 500
    latitudes = np.random.uniform(22.5, 25.5, num_points)
    longitudes = np.random.uniform(120.5, 122.5, num_points)
    values = np.random.normal(100, 20, num_points)
    categories = np.random.choice(['A', 'B', 'C'], size=num_points)
    
    df = pd.DataFrame({
        'latitude': latitudes,
        'longitude': longitudes,
        'value': values,
        'category': categories
    })
    
    # 创建地理散点图
    plt.figure(figsize=(14, 10))
    
    # 创建基础地图
    ax = plt.axes(projection=ccrs.PlateCarree())
    ax.coastlines()
    ax.add_feature(cfeature.LAND)
    ax.add_feature(cfeature.OCEAN)
    ax.add_feature(cfeature.COASTLINE)
    ax.add_feature(cfeature.BORDERS, linestyle=':')
    ax.add_feature(cfeature.LAKES, alpha=0.5)
    ax.add_feature(cfeature.RIVERS)
    
    # 绘制散点图
    scatter = ax.scatter(
        df['longitude'],
        df['latitude'],
        c=df['value'],
        cmap='viridis',
        s=100,
        alpha=0.8,
        edgecolor='black',
        linewidth=0.5,
        transform=ccrs.PlateCarree()
    )
    
    # 添加颜色条
    cbar = plt.colorbar(scatter, orientation='vertical', pad=0.02)
    cbar.set_label('Value', fontsize=12)
    
    # 设置图表样式
    plt.title('Geographical Data Visualization', fontsize=16, pad=20)
    plt.xlabel('Longitude', fontsize=14)
    plt.ylabel('Latitude', fontsize=14)
    plt.grid(True, linestyle='--', alpha=0.5)
    
    # 添加图例
    handles, labels = scatter.legend_elements(prop="sizes", alpha=0.6)
    legend = ax.legend(
        handles, labels,
        title="Value",
        loc="upper right",
        bbox_to_anchor=(1.15, 1),
        fontsize=10
    )
    
    plt.tight_layout()
    plt.show()
    """
    输出示例：
    显示一个地理散点图，包含：
    - 基础地图（海岸线、国界、河流等）
    - 渐变色散点图
    - 颜色条
    - 网格线
    - 自定义字体大小
    - 图例说明
    - 黑色边框的数据点
    """

14. 网络图分析：

    import networkx as nx
    G = nx.from_pandas_edgelist(df, 'source', 'target')
    nx.draw(G, with_labels=True)
    plt.title('Network Graph')
    plt.show()
    """
    输出示例：
    显示一个网络图，展示节点之间的连接关系
    """

15. 3D 可视化：

    from mpl_toolkits.mplot3d import Axes3D
    fig = plt.figure(figsize=(10, 8))
    ax = fig.add_subplot(111, projection='3d')
    ax.scatter(df['x'], df['y'], df['z'])
    ax.set_xlabel('X')
    ax.set_ylabel('Y')
    ax.set_zlabel('Z')
    plt.show()
    """
    输出示例：
    显示一个3D散点图，展示三个变量之间的关系
    """

16. 交互式可视化：

    import plotly.express as px
    fig = px.scatter(df, x='x', y='y', color='category')
    fig.show()
    """
    输出示例：
    显示一个交互式散点图，用不同颜色表示不同类别
    """

17. 动态时间序列：

    import plotly.graph_objects as go
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=df['date'], y=df['value'], mode='lines'))
    fig.show()
    """
    输出示例：
    显示一个交互式时间序列图，可以缩放和查看数据点详细信息
    """

18. 地理热力图：

    fig = px.density_mapbox(df, lat='latitude', lon='longitude', z='value', radius=10)
    fig.update_layout(mapbox_style="stamen-terrain")
    fig.show()
    """
    输出示例：
    显示一个交互式地理热力图，用颜色深浅表示不同区域的值密度
    """

19. 树状图：

    fig = px.treemap(df, path=['category', 'subcategory'], values='value')
    fig.show()
    """
    输出示例：
    显示一个树状图，用矩形大小表示值的大小，层级表示分类关系
    """

20. 平行坐标图：

    fig = px.parallel_coordinates(df, color='target')
    fig.show()
    """
    输出示例：
    显示一个平行坐标图，展示多个变量之间的关系，用颜色区分目标变量
    """

21. 雷达图：

    fig = px.line_polar(df, r='value', theta='category', line_close=True)
    fig.show()
    """
    输出示例：
    显示一个雷达图，展示不同类别的值在多个维度上的表现
    """

22. 旭日图：

    fig = px.sunburst(df, path=['category', 'subcategory'], values='value')
    fig.show()
    """
    输出示例：
    显示一个旭日图，用环形层级表示分类关系，扇形大小表示值的大小
    """

23. 漏斗图：

    fig = px.funnel(df, x='value', y='category')
    fig.show()
    """
    输出示例：
    显示一个漏斗图，展示不同类别的值递减情况
    """

24. 日历热力图：

    fig = px.density_heatmap(df, x='date', y='hour', z='value')
    fig.show()
    """
    输出示例：
    显示一个日历热力图，用颜色深浅表示不同日期和时间的值大小
    """

25. 3D 曲面图：

    fig = go.Figure(data=[go.Surface(z=df.values)])
    fig.show()
    """
    输出示例：
    显示一个3D曲面图，可以旋转查看数据的三维形状
    """

26. 动画可视化：

    fig = px.scatter(df, x='x', y='y', animation_frame='time', size='value')
    fig.show()
    """
    输出示例：
    显示一个动画散点图，可以播放时间序列变化
    """

27. 地图标记：

    fig = px.scatter_mapbox(df, lat='latitude', lon='longitude', size='value')
    fig.update_layout(mapbox_style="open-street-map")
    fig.show()
    """
    输出示例：
    显示一个交互式地图标记，用点的大小表示值的大小
    """

28. 网络图：

    fig = px.scatter_3d(df, x='x', y='y', z='z', color='category')
    fig.show()
    """
    输出示例：
    显示一个交互式3D散点图，用颜色区分不同类别
    """

29. 极坐标图：

    fig = px.line_polar(df, r='value', theta='angle', line_close=True)
    fig.show()
    """
    输出示例：
    显示一个极坐标图，展示角度和半径的关系
    """

30. 多图表组合：

    fig = px.scatter(df, x='x', y='y', facet_col='category', facet_row='time')
    fig.show()
    """
    输出示例：
    显示一个多图表组合，按类别和时间分面展示数据
    """