Python数据可视化实战：从班级成绩到微信好友画像

做数据可视化项目，我一直有个观点：数据量大小不是关键，能不能把数字讲成人话才是核心。这次拿Python把两个看似不搭边的数据源——班级学生信息和微信好友列表——放在一起做了一次全景分析，前者是典型的校园结构化数据，后者是带文本信息的社交数据。两个方向走一遍，基本上就把Python数据可视化这条链路里的数据清洗、指标设计、图表选型、交互呈现都摸了一遍。

这篇文章就是这次实战的完整记录。适合刚学完Python语法、想找个真实项目练手的人，也适合已经写过一些爬虫和图表、但对"如何把分析做完整"还缺一套方法论的同学。我会把项目思路、表结构设计、每个可视化图表的选型理由、以及实操中踩过的坑都拆开讲，尽量让你照着走也能复现。

1. 项目整体设计与思路拆解

1.1 为什么选这两个数据源

先说为什么把班级数据和微信好友数据放在一起。这两个数据源差异很大，正好覆盖了数据分析最常见的两类场景。

班级学生信息是典型的结构化数据：一行一条记录，字段固定，类型清晰（学号、姓名、性别、各科分数）。这种数据最大的特点是"脏得很有规律"，无非是缺值、重复、类型不对、越界值，清洗路径比较标准，非常适合用来练基本功。而且学生成绩分析有明确的目标感，结论可以直接被班主任拿来用，属于"做完就有效果"的项目，新手不会迷失方向。

微信好友数据则是半结构化＋非结构化的混合体。好友列表本身是结构化字段（昵称、性别、地区、签名），但签名和标签属于文本，需要做文本挖掘。这类数据最大的价值在于"有故事感"——你可以从性别比例看出账号的使用场景，从地域分布看出社交圈子的半径，从签名关键词拆出好友的兴趣偏好。它比单纯读CSV文件有意思得多，也是社交画像挖掘这个说法的来源。

选中这两个数据源还有一个现实原因：它们都不涉及商业机密和平台数据壁垒。班级数据可以自己模拟一份，微信好友数据只分析自己账号的字段信息，合规边界清楚。整个项目做下来，你能同时掌握数据清洗、统计分析、文本挖掘和可视化四条技能线。

1.2 技术栈选型与理由

这次实战用到的Python库，我按职责分成了四类，选型的时候有明确的取舍逻辑：

为什么不用单一库搞定所有图表？我解释一下这背后的考虑。matplotlib和seaborn适合做静态分析图，尤其是学术细节很严格的场景，比如分数分布直方图、相关性热力图，这两类图在matplotlib里能精确控制每个元素。但面对班级期末总结这种需要给非技术人看的场景，静态图就不够用了，pyecharts生成的可交互HTML图表，鼠标悬停能看到具体分数，比一张PNG图片有说服力得多。

两类数据源正好走两条可视化路线：学生分析偏静态和统计性，好友画像偏交互和传播性。两条路线都覆盖一遍，你才算真正玩转Python可视化。

1.3 整体流程设计

这个项目不是一个脚本跑完就结束，而是按数据分析的标准流程拆成五个阶段：

数据获取（模拟表或接口读取）、数据清洗（去重、补缺、纠错）、指标设计（核心KPI定义）、可视化呈现（图表选择与配色）、结论输出（从图表里读出可执行的信息）。

每个阶段单独写一个函数或模块，方便复用。后面所有分析都是在这条流程上叠加，所以前期设计一定要控制好粒度，别把所有逻辑塞进一个脚本里。我的习惯是建一个项目目录，按功能拆文件：data/放数据，clean.py放清洗逻辑，analysis.py放指标计算，visual/放图表生成脚本，最后用一个总入口串联。

2. 班级学生信息全景分析：从数据清洗到指标设计

2.1 数据准备：字段怎么定

先准备一份模拟数据。这里不建议马上用爬虫或者接真实数据库，手造一份30到50行的数据就够了，关键是覆盖各种"脏"情况：缺失的分数、重复的学号、性别字段里混入的异常值、总分和分科成绩对不上的记录。这样在清洗阶段才能遇到问题。

推荐表结构如下：

我生成数据时会故意埋几个雷：某个学生数学成绩写成字符串（"89.5"），某个学生成绩超出150分（可能是录入错误），还有同一个学号出现两行。这些雷在你真正上手时都会遇到，提前埋好才能练到清洗。

import pandas as pd import numpy as np np.random.seed(42) students = { "student_id": [f"S{str(i).zfill(3)}" for i in range(1, 41)], "name": [f"学生{i}" for i in range(1, 41)], "gender": np.random.choice(["男", "女"], 40), "class_name": np.random.choice(["高一(1)班", "高一(2)班"], 40), "chinese": np.random.randint(60, 150, 40), "math": np.random.randint(60, 150, 40), "english": np.random.randint(60, 150, 40), } df = pd.DataFrame(students) df["total_score"] = df[["chinese", "math", "english"]].sum(axis=1) # 故意制造脏数据 df.loc[3, "math"] = "89.5" # 类型异常 df.loc[7, "chinese"] = 165 # 越界值 df.loc[10, "gender"] = "未知" # 枚举值异常

2.2 数据清洗：三条硬规则

拿到数据第一步不是画图，是先看数据长什么样，用df.info()、df.describe()、df.isnull().sum()三个命令快速体检。班级数据清洗我总结出三条硬规则，任何一次处理都要照着做。

第一，类型是底线。数学成绩出现字符串，直接用pd.to_numeric()转换并强制errors="coerce"，转不过去的变空值再处理。这一步如果不做，后面所有聚合计算都会报错，甚至静默给出错误结果。

第二，越界值必须标记而不是删除。像语文165分的记录，先判断是否超出合理范围（比如0到150），再决定是修正还是剔除。我通常的做法是单独存一份"异常清单"，保留原始记录的同时在分析中排除，这样能追溯，不会误删有效数据。

第三，重复记录要看业务含义。同一个学号出现两行，这时候不能盲目drop_duplicates()，要先确认哪条是最新录入的记录，我一般按录入时间或总分有效性来保留正确的那行。

# 类型统一 df["math"] = pd.to_numeric(df["math"], errors="coerce") # 异常值标记：分数超范围设为NaN score_cols = ["chinese", "math", "english"] for col in score_cols: df.loc[(df[col] < 0) | (df[col] > 150), col] = np.nan # 去重 df = df.drop_duplicates(subset="student_id", keep="last") # 重新计算总分 df["total_score"] = df[score_cols].sum(axis=1)

这里有一个容易被忽略的点：总分列一旦存在，就会出现"总分不等于分科之和"的脏数据。与其清洗总分，不如直接删掉原始总分列，每次分析前实时计算。我踩过这个坑，数据源里如果同时包含总分和分科，别人维护时很容易只改分科忘改总分。所以凡是能算出来的字段，一律不信任原始值。

2.3 指标设计：班主任真正关心什么

数据洗干净之后，最忌讳的就是直接疯狂画图。画图之前先想清楚"我要回答什么问题"。班主任关心的核心问题通常集中在五个方向：班级整体水平如何（均分）、多少人及格多少人优秀（及格率与优秀率）、成绩分布是否两极分化（标准差与分布形态）、男生女生有没有差异（分组对比）、哪两科关联性强（相关性分析）。

我提炼成五组指标，每组对应一张图表：

• 整体水平：各科平均分、总分平均分，用柱状图呈现
• 分布形态：总分直方图＋核密度曲线，看是正态还是偏态
• 及格与优秀：各科及格率、优秀率（≥135分），用比例条形图
• 性别差异：按性别分组算各科均分，用分组柱状图
• 学科相关性：三科成绩的皮尔逊相关系数矩阵，用热力图

计算指标时直接利用pandas的分组聚合。比如男女各科均分对比，一行groupby("gender")[score_cols].mean()就能拿到。但要注意：分组后mean()默认会跳过空值，如果你的异常值用的是NaN填充，这里的分组结果就天然是合理的，不用额外处理。

# 男女各科均分对比 gender_mean = df.groupby("gender")[score_cols].mean().T print(gender_mean) # 及格率：分数 >= 90 为及格 pass_rate = (df[score_cols] >= 90).mean() * 100 print(pass_rate) # 相关性矩阵 corr = df[score_cols].corr() print(corr)

及格率这一行代码里有个小技巧：(df[score_cols] >= 90)会得到一堆布尔值，布尔值mean()直接就是比例，不需要再绕一圈算count再相除。这个写法在计算各种比率时非常实用，代码也干净。

2.4 可视化呈现：五张图讲清一个班

指标算出来后，我分别用seaborn和matplotlib画五张静态图。分科均分柱状图直接调df[score_cols].mean().plot(kind="bar")，在柱顶标注具体数值。这里有个细节：matplotlib默认不支持中文负号，一定要在画图前设置全局字体，否则标题和坐标轴全是方块。

import matplotlib.pyplot as plt # 设置中文字体，解决乱码 plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False # 总分分布直方图 + 核密度 import seaborn as sns sns.histplot(df["total_score"], bins=15, kde=True) plt.title("班级总分分布") plt.xlabel("总分") plt.ylabel("人数") plt.show()

总分分布图是判断班级水平的直观工具。如果分布呈右偏，说明高分学生较少，大量学生挤在低分段，教学重点应该放在补基础；如果呈左偏，说明头部学生多，可以开展培优。KDE曲线叠加到直方图上以后，分布形态一眼就能看出来，这个组合非常推荐。

相关性热力图我放在最后画，因为它是结论性的图：数学和物理高相关说明理科思维有共性，语文和英语高相关说明语言能力有迁移。虽然学科成绩关联的原因很复杂，不能直接下因果结论，但热力图能提供一个讨论的起点，让老师去关注"数学好的学生是不是普遍英语也好"这类规律。

3. 微信好友社交画像挖掘：数据获取与处理实战

3.1 微信好友数据的获取方案与边界

这部分是我在项目里花时间最多的。要注意一个现实：微信官方对个人账号的接口控制很严格，早年很多Python库可以通过扫码登录网页微信来获取好友信息，但现在基本不可用了。我这次做的是技术演示性质的项目，用经典的itchat库做示例，但请在运行前明白：它很可能无法直接在新版本微信上工作，你需要找老版本客户端、模拟环境，或者直接用一份符合格式的模拟数据来跑通后续的可视化流程。

我的建议是：把核心精力放在"拿到数据之后怎么处理"。因为不管数据是扫码获取还是mock生成，后续的清洗、分词、统计、可视化逻辑是通用的。这才是值得学习的地方。

# 这是典型的获取登录态后的信息读取方式，仅作为技术示意 import itchat # 登录时会弹出二维码，扫码后即可获取好友列表 itchat.auto_login(hotReload=True) friends = itchat.get_friends(update=True) import json with open("friends.json", "w", encoding="utf-8") as f: json.dump(friends, f, ensure_ascii=False, indent=2)

这里需要强调合规边界：你只能分析自己账号下的好友字段数据，不能去获取好友的好友，也不能批量给好友打标签发消息。这类分析一旦转向"利用数据做骚扰性营销"，性质就完全变了。我这次项目全部停留在"描述性统计"的层面，用自己账号的数据画图、分词、做词云，不涉及任何对外操作。

3.2 字段解析：能从好友列表挖出什么

itchat.get_friends()返回的数据其实是微信在登录态下返回的好友元信息，核心字段大概这些：

这里的Sex字段有个细节，微信的好友数据里Sex为0的通常代表"未填写性别"，不一定是未知性别，也可能是公众号或文件传输助手这类非真实好友。清洗时最好把Sex为0的记录单独拎出来看，而不是直接删掉。

3.3 数据清洗与文本预处理

拿到friends列表之后，先转成DataFrame，然后执行四步清洗：去掉自己（列表第一条通常是登录账号本人）、去掉公众号（头像是非好友标识、UserName带@开头的特殊标记）、去掉重复昵称、处理缺失字段。

import pandas as pd friends_df = pd.DataFrame(friends) # 第一条是登录账号自己，去掉 friends_df = friends_df.iloc[1:].copy() # 去除可能的重复头像标记、公众号等特殊条目 friends_df = friends_df[~friends_df["UserName"].str.startswith("@", na=False)] # 重点字段缺失过滤 friends_df = friends_df.dropna(subset=["NickName"])

签名文本是最难处理的。个性签名里混着大量emoji、URL、换行符和空签名，直接分词会得到一堆噪声。我的处理流程是：先删掉非文字内容，再做分词和去停用词。这里有个re正则的处理技巧，可以一次性把URL、@符号、emoji（通过匹配常见emoji的Unicode区间或借助emoji库）清理掉。

import re import jieba def clean_signature(text): if not isinstance(text, str): return "" # 去掉URL text = re.sub(r"http\S+|www\.\S+", "", text) # 去掉@和多余空白 text = re.sub(r"@\S+", "", text) text = re.sub(r"\s+", " ", text).strip() # 去掉emoji try: import emoji text = emoji.replace_emoji(text, "") except ImportError: pass return text friends_df["clean_signature"] = friends_df["Signature"].apply(clean_signature)

clean_signature这段代码是把非结构化数据转成可分析文本的关键。清洗完之后，再用jieba对每条签名分词，并过滤掉停用词表（比如"的""了""在"这类词），最后汇总成一个词频DataFrame，供词云使用。

4. 可视化呈现：从画图到讲一个好故事

4.1 学生分析的交互相式实现

前面的静态图表适合放在报告里，但要是班主任想自己点点看看，交互式图表更合适。pyecharts生成了HTML文件，可以直接在浏览器打开。我通常做三个交互图：班级总分分布柱状图、男女各科均分对比图、学科相关性热力图。

from pyecharts.charts import Bar from pyecharts import options as opts # 班级总分分布交互柱状图 hist_data = df["total_score"].value_counts().sort_index() bar = Bar() bar.add_xaxis(hist_data.index.astype(str).tolist()) bar.add_yaxis("人数", hist_data.values.tolist()) bar.set_global_opts( title_opts=opts.TitleOpts(title="班级总分分布"), xaxis_opts=opts.AxisOpts(name="总分"), yaxis_opts=opts.AxisOpts(name="人数"), ) bar.render("total_score_dist.html")

pyecharts的好处是鼠标悬停能看到精确值、可以缩放、颜色可以配成品牌色系，这些是静态图做不到的。但我的经验是：交互图不要滥用，一页PPT里放一两个就好，太多反而让人不知道看哪里。静态图适合做深度分析，交互图适合做展示汇报，两者分工明确。

4.2 好友画像：性别、地域、签名三大图

好友画像的可视化我做了三张图：性别分布饼图、地域Top10条形图、签名关键词词云。

性别分布用饼图最直观，但要注意把Sex=0的未知性别单独标出来，不要并进"未知"一类就完事。在pyecharts里面，饼图的标签格式化可以同时显示人数和百分比，这一点比matplotlib默认效果好很多。

地域分布要先做字段拆分。Province和City是分开的字段，省份可以直接计数，城市则需要拼接后计数。我有一个心得：地域数据里常常混着"未知"和空值，一定要在画图前过滤掉，否则Top榜会被"未知"霸占，图就废了。

签名关键词词云是全项目效果最好也最出片的一张图。用清洗后的签名文本做jieba分词，统计词频，再喂给wordcloud生成词云。

from wordcloud import WordCloud import matplotlib.pyplot as plt # 统计词频 word_freq = {} for text in friends_df["clean_signature"]: words = jieba.lcut(text) for word in words: if len(word.strip()) < 2: continue word_freq[word] = word_freq.get(word, 0) + 1 # 生成词云 wc = WordCloud( font_path="C:/Windows/Fonts/simhei.ttf", # 中文字体，按需替换 background_color="white", width=800, height=600, max_words=200, ).generate_from_frequencies(word_freq) plt.figure(figsize=(10, 8)) plt.imshow(wc, interpolation="bilinear") plt.axis("off") plt.show()

这里有个极其容易踩的坑：WordCloud默认字体不支持中文，生成的全是方框。务必要指定font_path，Windows系统可以直接用simhei.ttf，macOS用/System/Library/Fonts/PingFang.ttc，找不到字体就去网上下一个开源中文字体。

4.3 可视化设计心得：让图表不廉价

做了这么多张图之后，我对"怎么把图做得不廉价"有几点体会，这是网上的教程很少教的。

第一，不要默认matplotlib的配色。seaborn的darkgrid风格和husl配色能让图表瞬间专业一个档次，用set_theme一行搞定。pyecharts默认主题偏蓝绿色，也可以换成"white"主题加自定义色系。

第二，标签信息密度要高但别拥挤。柱状图顶上的数值标签、图表标题里带结论性文字，都能帮读者快速抓重点。但一张图里如果堆了超过六个系列，信息量就过载了，不如拆成多张子图。

第三，中文排版是一门学问。中文标签在坐标轴上很容易重叠，尤其是bar图的横轴。解决方法是plt.xticks(rotation=45)旋转标签，并配合plt.tight_layout()自动调整布局，否则中文字符串会让图表边缘被截断。

第四，保存图片时用dpi=300，否则嵌入PPT会糊。这个细节虽然小，但决定了你交付的图表能不能直接上PPT。

5. 常见问题与排查技巧实录

5.1 问题速查表

这次实战运行下来，我把遇到过的典型问题整理成了一张速查表，后面做类似项目时可以少走弯路：

5.2 我踩过的三个大坑

第一个坑是在清洗前就画了第一张图。我当时拿到数据就急着看分布，结果画出来一团乱，才发现里面有大量异常值。之后我给自己定了一条铁律：任何可视化之前必须先通过info()和describe()做数据体检。数据质量不过关，再漂亮的图也是骗自己。

第二个坑是性别比例被0值污染。微信好友里Sex字段为0的记录非常多，如果你不单独清洗，饼图上"未知"会占掉一大部分，让男女比例完全失真。正确处理是先看Sex=0的数量是否合理，再把未知性别单列出来展示，或者干脆在分析中排除，并在结论里注明。

第三个坑是jieba分词太粗糙。签名文本分词后经常出现"人生""现在"这种大词，词频很高但信息量低。我试过加一个自定义停用词表，把所有超过五个字的大词都过滤掉，词云才变得有辨识度。词汇清洗是个需要反复调参的过程，不要指望一次到位。

5.3 数据分析的隐形工作量

做完这两个项目我最大的感受是：数据可视化项目的隐形工作量至少有六成花在清洗和指标设计上，真正画图只占四成。很多初学者觉得可视化就是调API画图，实际上pandas的清洗逻辑、异常值的判断标准、指标的粒度定义，才是决定一个项目质量的关键。

比如学生总分分布，坐标轴的bin宽度不同，呈现出来的分布形态可能完全不同。bin太细显得杂乱，bin太宽会掩盖尖峰。这里没有绝对正确的答案，只能根据数据量反复调整。我会在histplot里传入bins=15，但看到分布形态不佳时改成12或20再对比，直到故事最清楚为止。

微信好友的地域分析也类似。省份字段有大把的"未知"、空值和重复值（比如北京既可能出现在省份也可能出现在城市字段），如果清洗逻辑不够细致，Top榜就会失真。我的办法是统一先拼接省份和城市，在拼接前去掉非内地省份的脏值，再单独统计一次"省份Top10"和"城市Top10"，两个维度分开讲。

6. 一些真实感触与后续扩展建议

这次项目做完，我自己印象最深的一点是：同样的数据，换一个可视化角度，讲出来的故事完全不同。学生成绩表用柱状图看的是整体排名，用直方图看的是分布形态，用相关性热力图看的是学科迁移规律。微信好友列表用饼图讲性别结构，用地图讲地域网络，用词云讲群体情绪。数据可视化不是把数字变成图的机械劳动，而是不断追问"这张图到底想让读者看到什么"的思考过程。

如果你也想照着做一遍，我有一条很实际的建议：先从模拟数据开始，跑通整条流程，再换真实数据。用模拟数据的好处是你知道"正确答案"在哪里，清洗时能验证自己的判断对不对。真实数据一旦出了问题，因为你不掌握真实分布，排查起来会有很多盲区。

后续想往深了扩展的话，可以走这几个方向：给好友数据加上备注名和标签信息，做社群关系网络分析（用NetworkX画关系图）；给学生成绩加上多次月考的时间维度，做成绩趋势线；把两个数据源结合，比如分析"好友中同班同学的比例"或者"好友昵称长度与活跃度的关系"。这些都是从这次实战延伸出去的升级版玩法，核心方法论没有变，变的是你提问的角度。

最后分享一个小技巧：所有分析脚本都应该加一个开关，控制是否输出中间清洗结果。比如清洗完每个步骤后打印前5行，方便随时检查数据变化。这个习惯帮我省下了大量排错时间，你以后做更大的项目时也会体会到它的价值。