AI+Python财务应用基础课件项目6-AI+Python第三方模块数据可视化分析应用

AI+Python第三方模块数据可视化分析CONTENTS目录01

项目概述与学习目标02

AI+matplotlib可视化分析03

AI+pyecharts可视化分析04

AI在数据可视化中的应用实践05

总结与展望项目概述与学习目标01项目背景

AI在财务数据可视化中的角色升级AI技术正从单纯的“绘图工具”转变为“分析伙伴”，在财务数据可视化实践中，能自动识别数据结构、推荐最优图表类型，如检测到多指标对比需求时建议使用pyecharts绘制并行柱形图，通过自然语言交互自动生成Python代码，降低编程门槛。

AI+Python第三方模块的价值结合AI与Python第三方模块（如matplotlib、pyecharts），可实现数据可视化效率和深度的提升，帮助财务人员将复杂财务数据转化为直观图表，为企业决策提供有力支持，本项目旨在让读者掌握相关实现逻辑与方法。知识目标matplotlib模块掌握内容掌握利用matplotlib模块绘制柱形图、散点图、折线图、饼图等图形的一般方法及样式设置，同时掌握组合图的绘制方式，其pyplot子模块是核心模块之一，可绘制几乎所有样式的2D图形。pyecharts模块掌握内容掌握利用pyecharts模块绘制柱形图、条形图、折线图、饼图等图形的一般方法及样式设置，以及层叠图、并行图的绘制方式，该模块能生成动态交互的可视化效果，支持列表、元组等Python原生数据类型。AI辅助图表优化方法理解AI+第三方模块进行数据可视化分析的业务逻辑，掌握生成式AI辅助图表样式优化的基础方法，AI可辅助进行数据识别、代码生成及图表优化建议。能力目标解决财务数据可视化问题的能力

能够根据业务需求和数据结构，运用“AI助手+Python编程”模式，解决财务数据可视化问题，例如处理季度营收数据、国民总收入变化等财务场景的数据展示。优化和改进可视化图形的能力

能够根据业务场景，运用“AI助手+Python编程”模式，对可视化图形进行优化和改进，如设置折线图颜色、柱形图宽度、饼图标签格式等，提升图形实用性和可读性。生成方案建议与实现联动分析的能力

能够运用AI工具自动解析财务数据特征，生成可视化方案建议；能够通过对话式AI快速实现多维度数据钻取分析的可视化联动，如将华北区销售趋势线与竞品数据叠加显示。素养目标

确保数据真实性与评估结果局限性遵循科学原则，确保数据的真实性和准确性，在使用可视化结果时，能够批判性地对其进行评估，理解可视化结果可能存在的局限性。

保证图形实用性与可读性秉承工匠精神，在绘制可视化图形过程中，注重细节设置，确保图形具有良好的实用性和可读性，以便清晰呈现数据内在规律。

建立人机协同责任意识建立人机协同的责任意识，辩证评价AI生成的可视化方案，识别算法可能存在的表达偏差，合理利用AI技术辅助财务数据可视化工作。AI+matplotlib可视化分析02matplotlib模块基础

matplotlib模块概述matplotlib是Python的第三方模块，能绘制各式各样的2D图形，其pyplot子模块是核心模块之一，几乎所有样式的2D图形都可通过该子模块绘制。

pyplot子模块常用函数pyplot子模块提供多种绘图函数，如.plot()绘制折线图、.scatter()绘制散点图、.hist()绘制直方图、.pie()绘制饼图、.bar()绘制柱形图、.boxplot()绘制箱形图、.barh()绘制条形图等。matplotlib绘图步骤

创建画布使用plt.figure()函数创建画布，可通过figsize参数设置画布大小，如plt.figure(figsize=(10,6))。

创建坐标系系统默认会在画布上创建一个坐标系，若要绘制多个图形，需自行创建多个坐标系，可通过plt.subplot()或plt.subplots()等函数实现。

选择图表类型并绘制图形根据数据特点和分析需求选择合适的图表类型，调用对应的绘图函数（如折线图用plot()、柱形图用bar()等）传入数据完成绘制，最后用plt.show()显示图表。常见图形绘制-折线图

01折线图绘制函数及语法在matplotlib中使用pyplot子模块的plot()函数绘制折线图，语法格式为pyplot.plot(x,y)，其中x、y分别表示x轴、y轴数据。

022020—2024年国民总收入折线图绘制示例准备2020-2024年年份数据[2020,2021,2022,2023,2024]和对应国民总收入数据[1026751.9,1165816.8,1223706.8,1284773.9,1339814.6]，设置中文字体，创建画布后调用plt.plot(years,gnis)绘制，添加标题、坐标轴标签及刻度后显示图表。常见图形绘制-柱形图

柱形图绘制函数及语法柱形图通过柱形条高度展示数据差异，使用pyplot子模块的bar()函数绘制，语法格式为pyplot.bar(x,y)，x、y分别为x轴、y轴数据。

与折线图绘制的差异绘制柱形图只需将折线图的plot()函数修改为bar()函数即可，其他设置（如中文字体、画布大小、标题、坐标轴标签等）与折线图类似。

2020—2024年国民总收入柱形图绘制示例使用与折线图相同的年份和国民总收入数据，将plt.plot(years,gnis)替换为plt.bar(years,gnis)，即可绘制出展示2020-2024年国民总收入变化的柱形图。常见图形绘制-散点图

散点图绘制函数及作用散点图通过点的分布揭示两个变量之间的关系，可识别数据中的线性关系、趋势及相关性，使用pyplot子模块的scatter()函数绘制，语法格式为pyplot.scatter(x,y)。

多系列数据散点图绘制示例以2020-2024年国民总收入与国内生产总值对比为例，准备年份数据[2020,2021,2022,2023,2024]、国民总收入数据[1026751.9,1165816.8,1223706.8,1284773.9,1339814.6]和国内生产总值数据[1034867.6,1173823.0,1234029.4,1294271.7,1349083.5]，分别调用scatter()函数并设置不同颜色和标记。常见图形绘制-饼图

饼图绘制函数及作用饼图用于展示各个类别数据占总体数据的比例，反映部分和整体之间的关系，使用pyplot子模块的pie()函数绘制，语法格式为pyplot.pie(x)，x表示数据。

2024年三大产业增加值饼图绘制步骤首先整理2024年第一产业、第二产业、第三产业（增加值数据，设置标签和颜色，创建画布后调用plt.pie()函数，通过autopct参数设置百分比显示格式（如'%1.2f%%'保留两位小数），添加标题后显示图表。组合图绘制

组合图概念组合图是在同一个坐标系中绘制多个图形，用于呈现关联数据之间的联系，要求组合的图形使用同一个横坐标轴。

国民总收入与国内生产总值组合图示例以2020-2024年数据为例，创建画布后，用ax1.bar()绘制国民总收入柱形图，通过ax1.twinx()创建次坐标轴ax2，再用ax2.plot()绘制国内生产总值折线图，设置标题、坐标轴标签，合并图例后显示图表，直观展示两者变化趋势。子图绘制子图概念子图是将多个图形分别绘制在同一个画布的多个坐标系中，可根据需求设置子图位置和布局。pyplot.subplot()函数绘制子图语法格式为pyplot.subplot(nrows,ncols,index,…)，如pyplot.subplot(2,2,1)表示创建2×2的网格，并取第一个网格作为子图位置。pyplot.subplots()函数绘制子图语法格式为pyplot.subplots(nrows,ncols,figsize,sharex,sharey,…)，可通过元组接收子图对象，如fig,(ax1,ax2)=plt.subplots(1,2,figsize=(12,5))创建1行2列的子图布局，分别在ax1和ax2上绘制不同图形。AI+pyecharts可视化分析03pyecharts模块基础

pyecharts与matplotlib对比特点pyecharts是Python第三方可视化模块，与matplotlib相比，其核心优势在于支持动态交互效果，鼠标悬停即可显示数据详情；但不支持numpy、pandas数组类型，仅兼容列表、元组等Python原生数据类型。

pyecharts部分图表类型提供30+图表类型，涵盖基础与高级可视化需求，如Bar（柱形图/条形图）、Line（折线图/面积图）、Pie（饼图）、Scatter（散点图）、HeatMap（热力图）、Map（地图）、Gauge（仪表盘）、Bar3D（3D柱形图）等。pyecharts绘图步骤

导入相关模块首先需导入charts子模块中的作图类（如Line、Bar、Pie）和options模块（用于样式配置），例如：frompyecharts.chartsimportLine;frompyechartsimportoptionsasopts。

添加图表基础数据通过add_xaxis()和add_yaxis()方法分别添加x轴和y轴数据，数据格式需为列表或元组，如：line.add_xaxis(['2020','2021']);line.add_yaxis("销售额",[100,200])。pyecharts绘图步骤进行样式设置及渲染图表使用set_global_opts()配置标题、坐标轴、图例等全局样式，set_series_opts()设置系列样式；最后通过render_notebook()（Jupyter环境）或render()（生成HTML文件）渲染图表。常见图形绘制-折线图与柱形图

折线图绘制示例以2020-2024年就业人数数据（万人：75064、74652、73351、74041、73439）为例，通过Line类创建对象，添加x轴年份和y轴就业人数数据，设置标题为“2020—2024年就业人数”，调用render_notebook()生成动态折线图。

柱形图绘制示例使用Bar类绘制上述就业人数数据，通过label_opts=opts.LabelOpts(position='top')将数值标签显示在柱形顶部，配置tooltip_opts=opts.TooltipOpts(trigger='axis')启用坐标轴触发提示框，y轴添加网格线增强可读性。常见图形绘制-条形图与饼图

条形图转换方法在柱形图基础上调用reversal_axis()函数转置坐标轴，即可将垂直柱形图转换为水平条形图，适用于类别名称较长或需突出数值对比的场景，如2020-2024年就业人数横向对比。

饼图绘制与配置以2023年三大产业就业人数（第一产业16882万、第二产业21520万、第三产业35639万）为例，通过Pie类添加数据对，设置radius=['30%','70%']控制环形大小，label_opts格式化标签为“{b}:{c}万人({d}%)”，实现占比可视化。并行图绘制Grid作图类功能并行图指同一画布中分布多个独立图表（类似matplotlib子图），通过Grid类实现。需先实例化Grid对象，再使用add()方法依次添加已创建的图表，并通过GridOpts配置pos_top、pos_bottom等参数调整位置。柱形图与折线图并行示例语法示例：grid=Grid();grid.add(bar_chart,grid_opts=opts.GridOpts(pos_bottom='50%'));grid.add(line_chart,grid_opts=opts.GridOpts(pos_top='50%'))，实现上下分布的双图表布局，避免标题与图例重叠。层叠图绘制

层叠图概念层叠图是将多个图表叠加显示在同一坐标系中，如柱形图与折线图叠加、折线图与散点图叠加，用于展示多维度数据关联关系。

overlap()函数实现方法先分别创建需叠加的图表对象（如bar和line），再调用bar.overlap(line)将折线图叠加到柱形图上，实现数据对比可视化。例如：在销售额柱形图上叠加增长率折线图，直观展示销量与增速关系。AI在数据可视化中的应用04AI自动识别数据与推荐图表

01数据结构智能解析AI能自动识别财务数据结构，如在处理季度营收数据时，可快速判断数据维度、指标类型及关系，为后续可视化奠定基础。

02最优图表类型推荐基于数据特征与分析需求推荐图表，例如检测到多指标对比需求时，会建议使用pyecharts绘制并行柱形图，直观呈现数据差异。

03财务场景应用实例在财务数据可视化实践中，AI从“绘图工具”升级为“分析伙伴”，通过对数据的深度理解，提供契合业务场景的图表方案，提升分析效率。自然语言交互生成代码自然语言指令转化用户通过自然语言描述可视化需求，如“将华北区销售趋势线设为红色加粗，并与竞品数据叠加显示”，AI可准确理解并转化为操作逻辑。Python代码自动生成根据自然语言指令，AI自动生成对应的Python代码，无需用户手动编写复杂代码，有效降低编程门槛，让非专业人员也能快速实现可视化。交互效率提升价值自然语言交互方式简化了操作流程，用户可实时调整图表样式与数据展示方式，大幅缩短从需求提出到图表生成的时间，提升工作效率。AI辅助多维度数据钻取分析01数据特征自动解析与方案建议AI工具能够自动解析财务数据特征，如数据分布、异常值、趋势变化等，并基于此生成可视化方案建议，为分析提供方向。02对话式多维度数据钻取通过对话式AI，用户可进行多维度数据钻取分析，实现可视化联动，如从整体销售数据下钻到区域、产品等细分维度，深入挖掘数据价值。03人机协同分析模式建立人机协同的分析模式，AI辅助处理数据与生成初步方案，用户结合专业知识进行判断与调整，辩证评价AI方案，识别可能存在的表达偏差，提升分析准确性。AI驱动的行业案例分析电商销售数据分析某电商平台基于Python+AI构建智能分析平台，业务部门通过自然语言提问自动生成可视化报告，分析月度销售额趋势、商品类别占比及客户地域分布，提升数据驱动决策效率。制造企业智能报表系统大型制造企业集成FineBI与Python实现AI可视化方案，月度报表自动生成节省70%分析时间，管理者通过自然语言查询"本月产线异常原因"，系统自动生成因果分析图和文字说明。实时数据流处理应用IoT设备温度数据流通过Flask+TensorFlow构建实时分析系统，前端动态折线图展示实时数据，后端预测未来趋势，支持用户手势缩放实现多时间尺度分析。总结与展望05matplotlib与pyecharts模块对比

核心功能与交互特性matplotlib专注于静态2D图表绘制，支持折线图、柱形图等基础图形及组合图、子图，通过pyplot子模块实现高度自定义样式，但交互性较弱；pyecharts主打动态交互可视化，生成的图表支持鼠标悬停查看数据详情、缩放等操作，支持并行图、层叠图及南丁格尔玫瑰图等特殊图表类型。

数据兼容性与应用门槛matplotlib兼容numpy、pandas等数据类型，需手动编写较多代码配置图表元素，对编程基础有一定要求；pyecharts仅支持Python原生数据类型（列表、元组），通过链式调用和配置项简化代码，动态交互功能降低非技术人员使用门槛，但数据处理灵活性稍逊。matplotlib与pyecharts模块对比适用场景与典型案例matplotlib适用于静态报告、学术论文等需精确控制图表样式的场景，如财务数据固定周期分析报告；pyecharts适用于动态数据看板、Web交互式展示，如实时销售数据监控系统。例如，分析GDP变化趋势可用matplotlib绘制折线图，展示就业结构动态占比则优先选择pyecharts饼图。数据可视化的原则与注意事项真实性与准确性原则确保数据源可靠，严格遵循数据采集规范，如国家统计局发布的GDP、就业人数