在上文Python資料視覺化例項：關於圖表“貴族”折線的增強最佳化方法中，我們總結了很多關於折線圖的方法和注意事項，有興趣的可以回頭翻看一下。
越是想展示更多，越是容易混亂
在前面的注意事項裡，我們提到有一項叫做
“義大利麵條圖”
，來形容多條折線在一組圖裡的混亂情況。
N多條折線錯綜複雜、交叉在一起，根本分不清哪個是重點、哪裡有異常。
在實際業務中，很多時候都會遇到這種圖表，比如不同城市在同一個時間內的業務變化情況
LOSS IS MOER：少即是多，突出重點
其實業務講究解決問題，圖表的資料自然也應該直接瞄準重點。而不是把所有的資料都堆砌到一張圖表裡。越是簡單直接，越是能加速解讀資料，也能提高商業效率。
下面我們來做一組實驗：
這是一張圖滿是汽車的圖片，你第一眼看到它，會先注意或者關注到哪輛車？
OK，再來看看這張圖片，你的注意力會集中到哪裡？
結論不言而喻，第二張圖留給我們的印象更深刻，更容易吸引我們的注意力。
甚至我們會產生興趣，想知道這輛車到底跑的多快，什麼品牌等等。
這也正是因為我們眼睛和注意力的承載力有限，比如看股市圖表，一般人是受不了這些密密麻麻的。
所以我們更喜歡簡單明瞭的東西，它理解起來更快，當然也容易被忽悠和利用。
同樣的道理，就是文章→圖表→長影片→短影片→大標題，越是簡單直接，越是惹人關注！
看看圖表中如何解決“義大利麵條圖”
OK，下面我們來看看如何利用這個原則來解決雜亂圖表的問題
資料為模擬資料，主要是為了演示效果，沒有具體商業意義。
準備工作
import pandas as pd import numpy as npimport matplotlibimport matplotlib。pyplot as pltimport seaborn as sns%matplotlib inline# 引入pandas、matplotlib、seaborn包import sys# 引入系統模組庫import os# 引入檔案/目錄方法庫print（sys。version）print（‘——————’）print（pd。__version__）
## 初始字型設定，設定好可避免很多麻煩plt。rcParams［‘font。sans-serif’］=［‘Source Han Sans CN’］ # 顯示中文不亂碼，思源黑體 plt。rcParams［‘font。size’］ = 22 # 設定圖表全域性字型大小，後期某個元素的字型大小可以自行調整plt。rcParams［‘axes。unicode_minus’］ = False # 顯示負數不亂碼## 初始化圖表大小plt。rcParams［‘figure。figsize’］ = （20。0， 8。0） # 設定figure_size尺寸## 初始化圖表解析度質量plt。rcParams［‘savefig。dpi’］ = 300 # 設定圖表儲存時的畫素解析度plt。rcParams［‘figure。dpi’］ = 300 # 設定圖表繪製時的畫素解析度## 圖表的顏色自定義colors = ［‘#dc2624’， ‘#2b4750’， ‘#45a0a2’， ‘#e87a59’， ‘#7dcaa9’， ‘#649E7D’， ‘#dc8018’， ‘#C89F91’， ‘#6c6d6c’， ‘#4f6268’， ‘#c7cccf’］plt。rcParams［‘axes。prop_cycle’］ = plt。cycler（ color=colors）path = ‘D：\\系列文章\\’# 自定義檔案路徑，可以自行設定os。chdir（path）# 設定為該路徑為工作路徑，一般存放資料來源檔案
Sales_data = pd。read_excel（‘虛擬演示案例資料。xlsx’， sheet_name=‘銷售資料表’）
資料處理和轉化
Sales_data = pd。read_excel（‘虛擬演示案例資料。xlsx’， sheet_name=‘銷售資料表’）
Sales_data_sum = Sales_data_sum［‘2015-05-01’：‘2015-05-30’］Sales_data_sum
City_name = Sales_data_sum［‘門店城市’］。unique（）。tolist（）One_City_data = Sales_data_sum。loc［Sales_data_sum［‘門店城市’］==‘北京市’］One_City_data
畫出折線圖，並突出顯示北京的資料
# 畫出其他城市的折線for i in City_name［1：6］： # 按照城市篩選資料 City_data = Sales_data_sum。loc［Sales_data_sum［‘門店城市’］==i］ # 畫出每個城市的折線 plt。plot（City_data。index， City_data［‘購買數量’］， color=‘grey’） # 設定為灰色 # 畫出每個城市的資料標籤，如城市名稱 plt。text（City_data。index［-1］， City_data［‘購買數量’］［-1］， i，color=‘grey’） # 設定為灰色 # 畫出重點突出的折線One_City_data = Sales_data_sum。loc［Sales_data_sum［‘門店城市’］==City_name［0］］ # 本案例具體是指北京plt。plot（One_City_data。index， One_City_data［‘購買數量’］， color=‘orange’， linewidth=4， alpha=0。7）plt。text（One_City_data。index［0］， One_City_data［‘購買數量’］［0］， City_name［0］， color=‘orange’）# 設定圖表的其他元素plt。title（“北京5月份銷量變化情況”， loc=‘left’， fontsize=30， fontweight=0， color=‘orange’） # 設定圖表標題plt。xlabel（“時間”） # 設定X軸座標名稱plt。ylabel（“購買數量”） # 設定Y軸座標名稱sns。despine（） # 預設無引數狀態，就是刪除上方和右方的邊框，matplotlib貌似做不到plt。show（）
寫在最後
以上程式碼中，附加了註釋內容。如果不清楚Python語法，建議自學一下。
另外其實這個功能在Excel中只需動動手指修改線條顏色，比起寫程式碼省時間。
喜歡本篇內容，請動動小手轉發和關注一下，我是資料分析師，老海。
