Matplotlib适合快速出图、论文配图和精细控制，Plotly擅长交互探索、网页嵌入和动态展示；二者互补而非互斥。
想用Python把数据画得清楚又好看，Matplotlib和Plotly不是非此即彼的选择，而是互补搭档：Matplotlib适合快速出图、论文配图和精细控制；Plotly擅长交互探索、网页嵌入和动态展示。关键不在学多少库，而在知道什么场景用什么工具。
Matplotlib：稳、准、可复现
它不炫，但可靠。学术论文、技术报告、批量生成图表时，Matplotlib是首选。默认样式偏朴素，但通过plt.style.use()可一键切换（如'seaborn-v0_8'或'ggplot'），再配合rcParams微调字体、网格、边距，几行代码就能产出出版级图像。
- 保存高清图用plt.savefig('fig.png', dpi=300, bbox_inches='tight')，避免截断坐标轴标签
- 多子图布局优先用plt.subplot()更易管理共享坐标轴和统一设置
- 中文显示异常？在绘图前加两行：plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS'] 和 plt.rcParams['axes.unicode_minus'] = False
Plotly：点、拖、缩、选，真正“看见”数据
当你的数据有时间维度、地理信息、多分类或需要用户自主筛选时，静态图很快力不从心。Plotly的交互能力不是锦上添花，而是分析刚需。比如用px.line(df, x='date', y='value', color='category')生成的折线图，鼠标悬停看数值、点击图例隐藏某条线、框选放大局部——全都不用额外写JS。
- 离线使用只需import plotly.express as px，基础图表一行代码搞定
- 导出为HTML文件用fig.write_html("report.html")，双击即可打开，适合发给同事或嵌入内部系统
- 与Pandas深度集成：DataFrame自带df.plot()方法，传入backend='plotly'可直接转交互图（需安装plotly>=5.16）
Matplotlib + Plotly 混搭实战技巧
不必割裂使用。常见高效组合方式有三种：
立即学习“Python免费学习笔记（深入）”；
- 先Matplotlib探数据，再Plotly做交付：用plt.hist()快速检查分布异常，确认无误后用px.histogram()生成带滑块调节bin数的交互直方图
- Matplotlib画底图，Plotly叠交互层：用cartopy或basemap绘制专业地理底图，再用plotly.graph_objects.Scattergeo叠加气泡、路径等可交互元素
- 用Plotly Express快速建模，再用Matplotlib精修细节：比如px.scatter_matrix()一键生成相关性散点矩阵，发现某对变量关系特殊，就单独提取数据，用plt.hexbin()或sns.kdeplot()深入可视化密度分布
避坑提醒：别让可视化反拖慢分析节奏
新手常陷入两个误区：一是过度追求酷炫动效，结果交互卡顿、加载缓慢；二是每张图都手动调色、改字体、对齐刻度，耗时远超分析本身。记住：可视化是手段，不是目的。
- Plotly默认开启动画，大数据量时加animation_frame=None或设update_layout(transition_duration=0)提速
- Matplotlib中反复使用的样式配置，封装成函数或配置文件（如mplstyle），下次直接plt.style.use('my_style.mplstyle')
- 别为“看起来高级”而强行用3D图——绝大多数情况下，2D散点+颜色/大小编码更清晰、更准确
