核心用法
本技能整合了Python数据可视化生态的三大支柱库，覆盖从快速探索到出版交付的完整工作流：
matplotlib 提供底层绘图能力，适合需要精细控制的场景——自定义坐标轴、多子图布局、矢量导出(SVG/PDF)均可实现。代码虽显冗长，但灵活性无出其右。
seaborn 构建于matplotlib之上，以"一行代码出图"著称。内置统计估计(KDE、置信区间)、自动分组着色、美观默认样式，大幅降低统计可视化的门槛。与pandas DataFrame深度集成，数据清洗到出图无缝衔接。
plotly 专攻交互场景：悬停提示、区域缩放、动态筛选、3D旋转均可原生支持，输出为独立HTML文件，无需服务器即可分享。配合Dash框架可扩展为完整仪表盘。
显著优点
- 格式全覆盖：静态(PNG 300dpi出版级、SVG矢量可编辑)与交互(HTML自包含)双轨并行
- 生态成熟：十余年社区积累，Stack Overflow解决方案丰富，企业采用率高
- 学术友好：Seaborn的统计可视化直接输出论文可用图表，符合Nature/Science等期刊规范
潜在局限
- 学习曲线陡峭：三库API风格迥异(matplotlib的命令式 vs plotly的声明式)，切换需适应成本
- 依赖较重：plotly交互渲染依赖浏览器引擎，kaleido静态导出偶有兼容问题
- 移动端体验弱：plotly图表在手机上缩放卡顿，复杂3D场景性能下降明显
适合人群
数据分析师、科研人员、商业智能开发者。特别适合需要频繁产出"可放入PPT/论文"的高质量图表，或构建轻量级数据探索界面的场景。
常规风险
- 版本冲突：matplotlib与seaborn版本不匹配时样式异常，建议锁定requirements.txt
- 内存泄漏：Jupyter环境下反复
plt.figure()未清理可能导致内存累积，需显式plt.close() - 中文字体缺失：默认配置下中文标签显示为方框，需手动配置系统字体或下载SimHei等字体文件