用matplotlib.pyplot.plot()画销量时间序列需先清洗数据：日期列须转为datetime并设为索引，用resample("D").sum().fillna(0)按天聚合补全空日期，绘图时旋转x轴标签并限制刻度数量。
直接用 matplotlib.pyplot.plot() 画销量时间序列是最简路径，但跳过数据清洗和日期对齐，图会完全失真——比如销量突降可能只是某天数据缺失，而非真实下滑。
读取数据时必须处理日期列的类型和索引
电商平台导出的 CSV 常把日期存为字符串（如 "2024-03-15"），不转成 datetime 就排序错乱；不设为索引，plot() 会默认用行号当横轴，趋势线就平了。
- 用
pd.read_csv(..., parse_dates=["date"], index_col="date")一步到位 - 若日期列名不是标准命名（如叫
"order_time"或"sold_at"），务必显式传入，别依赖自动识别 - 检查
df.index.dtype是否为datetime64[ns]，不是就用df.index = pd.to_datetime(df.index)强转
按天聚合销量前先重采样，别直接 groupby().sum()
原始订单数据常含秒级时间戳，直接 groupby(df.index.date).sum() 看似可行，但会丢失无订单的“空日期”，导致折线图断开或斜率失真。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 用
df["sales"].resample("D").sum().fillna(0)——resample自动补全日期范围，fillna(0)把空天填成 0 而非NaN - 若需排除节假日或只看工作日，改用
"B"（business day）频率，但得确认数据本身覆盖全周期 - 警惕
resample默认左闭右开区间："2024-03-01"的值实际归属2024-03-01 00:00:00到2024-03-02 00:00:00区间
绘图时用 plt.xticks(rotation=30) 防止日期标签重叠
横轴塞几十个日期字符串，默认水平排列会糊成黑条，且 Matplotlib 不会自动缩放字体或错位——它就堆在那儿。
立即学习“Python免费学习笔记（深入）”；
- 加
plt.xticks(rotation=30, ha="right")，ha="right"让文字右对齐，避免末尾被裁切 - 如果日期跨度大（如半年），改用
plt.gca().xaxis.set_major_locator(plt.MaxNLocator(10))限制最多显示 10 个刻度 - 别依赖
fig.autofmt_xdate()，它只对datetime索引生效，且常和手动设置冲突
真正卡住人的往往不是画图函数本身，而是原始数据里混着未发货订单、退款单没扣减、多 SKU 合并统计时漏了规格字段——图再好看，y 轴数字没业务含义，就是废线。
