准备工作

使用Python绘图首先需要导入需要的库，并确保中文和负号的正常显示

import os
import xlrd
import pandas as pd
import numpy as np 
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.ticker as ticker

plt.rcParams['font.family'] = ['SimHei'] # plt正常显示中文
plt.rcParams['axes.unicode_minus'] = False  # plt正常显示负号
sns.set_style({'font.sans-serif':['SimHei']}) # seaborn正常显示中文

如何你是mac系统，设置sns.set_style({'font.sans-serif':['SimHei']})并不一定能够保证你的中文能正常显示，你可以按照这篇文章的方法让中文正常显示。

准备好你的环境以后，我们开始一些简单常用的绘图示例

堆积条形图

数据准备

data = pd.DataFrame(
    data=[
            ['一年级',4,'male'],
            ['一年级',5,'female'],
            ['二年级',12,'male'],
            ['二年级',24,'female'],
            ['三年级',13,'male'],
            ['三年级',25,'female'],
        ],
    columns=list('ABC')
    )

绘图代码

fig = plt.figure(figsize=(6,3), dpi=150)
ax1 = fig.add_subplot(1,1,1)
sns.histplot(x='A', weights='B',data=data, hue='C', ax=ax1, 
    shrink = 0.7, multiple='stack',palette='Blues', )
ax1.set_xlabel('年级')
ax1.set_ylabel('累计人数')
ax1.set_title('不同年级男女比例分布人数分布')

其中x指定的是你图中的横轴，weights是你y轴统计量，hue是分类。

双轴图

数据准备

x = np.linspace(-10,10,100)
y = np.sin(x)
z = x*x
data = pd.DataFrame([x,y,z]).T
data.columns = ['x','y','z']

绘图代码

fig = plt.figure(figsize=(6,3), dpi=150)
ax1 = fig.add_subplot(1,1,1)
ax1_twinx = ax1.twinx()

ax1.plot(data['x'], data['y'], c='r', label='sin(x)')
ax1_twinx.plot(data['x'], data['z'], c='b', label='cos(x)')
# 显示label
ax1.legend(loc='upper left')
ax1_twinx.legend(loc='upper right')

配色的话可以参考slandarer的高质量论文配图配色（附RGB值及16进制码）
我列几个可以取的配色#8ECFC9、#FFBE7A、#FA7F6F、#82B0D2。

多子图

绘图代码

fig = plt.figure(figsize=(6,4), dpi=200)
# 分配幕布
ax1 = fig.add_subplot(2,1,1) 
ax2 = fig.add_subplot(2,1,2)  

ax1.plot(data['x'], data['y'], c='#8ECFC9', label='sin(x)')
ax2.plot(data['x'], data['z'], c='#FFBE7A', label='cos(x)')
fig.tight_layout() # 防止重叠

相关系数热力图

最常见的热力图在seaborn的heatmap中有详细的示例，实现也比较简单，大家可以姐直接按照seaborn官方文档中的代码实现
圆圈热力图在python的实现相对要麻烦一点，圆圈热力图在seaborn上有example，链接在这

首先读取数据

import seaborn as sns
sns.set_theme(style="whitegrid")

# Load the brain networks dataset, select subset, and collapse the multi-index
df = sns.load_dataset("brain_networks", header=[0, 1, 2], index_col=0)

如果出现错误一般是网络的原因，可以到mwaskom/seaborn-data
直接下载对应的文件，从本地读取

df = pd.read_csv('brain_networks.csv', header=[0, 1, 2], index_col=0)

计算相关系数矩阵

used_networks = [1, 5, 6, 7, 8, 12, 13, 17]
used_columns = (df.columns
                  .get_level_values("network")
                  .astype(int)
                  .isin(used_networks))
df = df.loc[:, used_columns]

df.columns = df.columns.map("-".join)
# Compute a correlation matrix and convert to long-form
corr_mat = df.corr().stack().reset_index(name="correlation")
corr_mat

计算的结果如图，数据的样式是long-form的，原因是圆圈日历图实际上是通过散点图的形式实现的，所以需要每个点的横纵坐标，而correlation则是圆圈的大小

# Draw each cell as a scatter point with varying size and color
g = sns.relplot(
    data=corr_mat,
    x="level_0", 
    y="level_1", 
    hue="correlation", 
    size="correlation",
    palette="vlag", # 设置调色板
    hue_norm=(-1, 1), # 将颜色区间归一化，改变该参数可以调整圆圈的颜色
    edgecolor=".7",
    height=10, 
    sizes=(50, 250), # 调整最大和最小的圆圈的大小
    size_norm=(-.2, .8), # 将size归一化
)

# Tweak the figure to finalize
g.set(xlabel="", ylabel="", aspect="equal") # 隐藏xlabel和ylabel
g.despine(left=True, bottom=True) # 隐藏刻度
g.ax.margins(.02) # 修改margin
for label in g.ax.get_xticklabels():
    label.set_rotation(90) # 旋转坐标
# for artist in g.legend.legendHandles:
    # artist.set_edgecolor(".7")