在数据可视化领域，树状图（Tree Diagram）是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构，还是数据挖掘中的决策树模型结果，都需要通过树状图将“父-子”关联关系直观化。matplotlib.pyplot（简称pyplot）作为Python最经典的可视化库，凭借灵活的参数配置和良好的兼容性，成为实现树状图的主流选择。本文将从技术本质、核心价值、实操步骤、进阶优化到业务落地，完整解析pyplot树状图的应用逻辑，附可直接运行的代码案例与场景适配方案。

一、技术定位：Pyplot树状图是什么？

要掌握pyplot树状图，需先明确其技术本质与核心特性——它并非单一“树状图函数”的直接调用，而是通过pyplot的基础绘图函数（如barh、plot）构建层级关系，实现“数据层级→视觉层级”的转化。

1. 核心定义：层级数据的可视化载体

Pyplot树状图是基于matplotlib.pyplot库实现的层级数据可视化组件，核心是将“具有父子关联的结构化数据”（如“大类→中类→小类”的商品分类）转化为“横向/纵向分支结构”的图形，其中：

• “节点”：代表层级中的一个数据单元（如“家电”“智能手机”）；

• “分支”：连接父节点与子节点的线条，体现关联关系；

• “层级深度”：通过节点的缩进、位置或颜色区分（如一级节点左对齐，二级节点缩进20px）。

与专业树状图工具（如Graphviz）相比，pyplot的优势在于“无需额外依赖、可与Python数据生态（Pandas、NumPy）无缝衔接”，尤其适合需要嵌入数据分析流程的场景。

2. 技术核心：基于坐标系统的层级布局

Pyplot本身没有专门的“tree”函数，树状图的实现本质是手动定义节点坐标，通过基础图形组合完成：

• 横向树状图：用barh（水平条形图）绘制节点，用plot绘制连接线条，层级深度通过x轴坐标控制；

• 纵向树状图：用bar（垂直条形图）绘制节点，层级深度通过y轴坐标控制；

• 决策树类树状图：结合Rectangle（矩形）和线条，呈现分支条件与结果节点。

这种“基础函数组合”的特性，让pyplot树状图具备极高的灵活性——可按需定制节点样式、分支颜色、标签字体，完全适配业务可视化需求。

二、核心价值：为什么用Pyplot实现树状图？

在Python可视化生态中，虽有NetworkX、Plotly等库可实现树状图，但pyplot仍占据重要地位，核心价值体现在三个维度：

1. 数据兼容性强：无缝对接Python数据栈

Pyplot树状图可直接读取Pandas DataFrame、NumPy数组等常用数据格式，无需复杂的数据转换。例如，电商商品分类数据（存于DataFrame）可直接提取“父分类、子分类、数值”字段，用于树状图绘制，避免跨工具数据传递的麻烦。

2. 样式定制自由：满足业务可视化规范

企业级可视化常需符合品牌规范（如特定颜色、字体），pyplot支持精细化样式控制：节点颜色可关联业务指标（如销量高的分类用红色，低的用蓝色），标签字体可匹配品牌字体，分支线条可调整粗细与透明度，远超Excel、Tableau等工具的固定样式。

3. 轻量无依赖：嵌入分析流程更高效

Pyplot是matplotlib的核心模块，几乎是Python数据分析环境的“标配”，无需额外安装库。在数据挖掘项目中，可直接在决策树模型训练完成后，用pyplot绘制树状图展示决策路径，形成“数据处理→模型训练→结果可视化”的闭环，提升分析效率。

三、实操指南：Pyplot树状图的实现步骤（从基础到进阶）

基于pyplot的树状图实现，按“数据复杂度”分为“基础层级树”“进阶样式树”“决策树可视化”三类场景，以下附完整代码与步骤解析。

场景1：基础横向树状图（企业组织架构）

核心需求：展示“公司→部门→小组”的三级架构，清晰区分层级，标注各小组人数。

步骤1：数据准备（层级结构定义）

用字典定义层级关系，键为“父节点”，值为“子节点列表+对应数值”：

import matplotlib.pyplot as plt
import numpy as np

# 1. 定义组织架构数据（三级层级：公司→部门→小组）
org_data = {
    "某科技公司": [  # 一级节点
        ("技术部", [("算法组", 15), ("开发组", 20), ("测试组", 10)]),  # 二级节点+三级节点
        ("业务部", [("电商组", 25), ("金融组", 18)]),
        ("职能部", [("人力组", 8), ("财务组", 6)])
    ]
}

步骤2：计算节点坐标（核心逻辑）

通过递归遍历层级数据，计算每个节点的x（层级深度）、y（垂直位置）坐标，确保节点不重叠：

def calculate_coords(data, x_base=0, y_base=0, level=1, coords=None):
    """
    递归计算节点坐标
    x_base: 一级节点x坐标
    y_base: 初始y坐标
    level: 层级（1=一级，2=二级，3=三级）
    coords: 存储坐标的字典
    """
    if coords is None:
        coords = {"nodes": [], "connections": []}  # nodes: (x, y, label, value); connections: (x1,y1,x2,y2)
    x = x_base + (level - 1) * 1.5  # 层级越深，x越大（横向树状图）
    child_count = sum([len(children) if isinstance(children[0], tuple) else 1 for _, children in data.items()])
    y_step = 8 / child_count  # 垂直方向步长，避免节点重叠
    current_y = y_base - 4  # 初始y位置（居中）
    
    for parent, children in data.items():
        # 处理父节点（一级/二级）
        if level == 1:
            parent_value = sum([v for _, sub_children in children for _, v in sub_children])
        else:
            parent_value = sum([v for _, v in children])
        coords["nodes"].append((x, current_y, parent, parent_value))
        
        # 处理子节点
        for child in children:
            if level == 2:  # 二级节点的子节点是三级节点
                child_label, child_value = child
                child_x = x + 1.5
                child_y = current_y
                coords["nodes"].append((child_x, child_y, child_label, child_value))
                # 记录父-子连接关系
                coords["connections"].append((x, current_y, child_x, child_y))
                current_y += y_step
            else:  # 一级节点的子节点是二级节点，递归处理
                child_label, child_grand = child
                child_x = x + 1.5
                child_y = current_y
                coords["nodes"].append((child_x, child_y, child_label, sum([v for _, v in child_grand])))
                coords["connections"].append((x, current_y, child_x, child_y))
                # 递归计算三级节点坐标
                calculate_coords({child_label: child_grand}, x_base, current_y, level+1, coords)
                current_y += y_step * len(child_grand)
    return coords

# 计算坐标
coords = calculate_coords(org_data)

步骤3：用Pyplot绘制树状图

用barh绘制节点（水平条形图），用plot绘制连接线条，添加标签与数值：

# 设置画布大小
plt.figure(figsize=(12, 8))
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题

# 1. 绘制连接线条（先画线条，避免覆盖节点）
for (x1, y1, x2, y2) in coords["connections"]:
    plt.plot([x1+0.4, x2-0.4], [y1, y2], color='#999999', linewidth=1)  # 线条连接节点边缘

# 2. 绘制节点（按层级区分颜色）
colors = {1: '#4A90E2', 2: '#50E3C2', 3: '#F5A623'}  # 一级=蓝，二级=绿，三级=橙
for (x, y, label, value) in coords["nodes"]:
    level = int((x - 0) / 1.5) + 1  # 根据x坐标判断层级
    # 绘制水平条形节点
    bar = plt.barh(y, width=0.8, left=x, height=0.6, color=colors[level], alpha=0.8)
    # 添加标签（节点名称+人数）
    plt.text(x + 0.4, y, f"{label}n({value}人)", ha='center', va='center', fontsize=10, fontweight='bold')

# 3. 调整图形样式
plt.xlim(0, 6)  # x轴范围
plt.ylim(-5, 5)  # y轴范围
plt.axis('off')  # 隐藏坐标轴
plt.title("某科技公司组织架构树状图", fontsize=16, fontweight='bold', pad=20)

# 保存图片
plt.tight_layout()
plt.savefig("org_tree.png", dpi=300, bbox_inches='tight')
plt.show()

结果说明：

生成的横向树状图中，一级节点（公司）、二级节点（部门）、三级节点（小组）通过颜色和位置区分，线条清晰连接父子关系，标签标注了小组人数，完全满足组织架构展示需求。

场景2：进阶决策树可视化（数据挖掘结果）

核心需求：将sklearn训练的决策树模型（预测用户购买意愿）用pyplot树状图展示，标注分支条件与预测结果。

核心代码（模型训练+树状图绘制）：

from sklearn.tree import DecisionTreeClassifier, export_text
import matplotlib.pyplot as plt
import pandas as pd

# 1. 准备数据并训练决策树
data = pd.DataFrame({
    "浏览时长(分)": [10, 5, 20, 3, 25, 8, 15, 2],
    "是否加购": [1, 0, 1, 0, 1, 1, 0, 0],
    "是否购买": [1, 0, 1, 0, 1, 0, 1, 0]
})
X = data[["浏览时长(分)", "是否加购"]]
y = data["是否购买"]
dt = DecisionTreeClassifier(max_depth=2)  # 限制树深度为2，便于可视化
dt.fit(X, y)

# 2. 提取决策树结构（节点信息）
tree_structure = export_text(dt, feature_names=list(X.columns))
print("决策树结构：n", tree_structure)

# 3. 定义决策树节点坐标与绘制函数
def plot_decision_tree(dt, feature_names, class_names):
    plt.figure(figsize=(10, 6))
    plt.rcParams['font.sans-serif'] = ['SimHei']
    
    # 递归绘制树节点
    def recurse(node, x, y, width):
        # 节点信息
        if dt.tree_.children_left[node] == dt.tree_.children_right[node]:  # 叶子节点
            class_idx = dt.tree_.value[node].argmax()
            plt.rectangle((x-width/2, y-0.2), x+width/2, y+0.2, 
                          facecolor='#F5A623', edgecolor='black')
            plt.text(x, y, f"预测：{'购买' if class_names[class_idx] == 1 else '不购买'}n样本数：{dt.tree_.n_node_samples[node]}", 
                     ha='center', va='center', fontsize=9)
            return
        # 内部节点（分支条件）
        feature_idx = dt.tree_.feature[node]
        threshold = dt.tree_.threshold[node]
        plt.rectangle((x-width/2, y-0.2), x+width/2, y+0.2, 
                      facecolor='#4A90E2', edgecolor='black')
        plt.text(x, y, f"{feature_names[feature_idx]}≤{threshold:.1f}?n样本数：{dt.tree_.n_node_samples[node]}", 
                 ha='center', va='center', fontsize=9, fontweight='bold')
        
        # 绘制左分支（满足条件）
        left_node = dt.tree_.children_left[node]
        plt.plot([x, x-width/2], [y-0.2, y-0.8], color='black', linewidth=1)
        plt.text(x-width/4, y-0.5, "是", ha='center', va='center')
        recurse(left_node, x-width/2, y-1, width/2)
        
        # 绘制右分支（不满足条件）
        right_node = dt.tree_.children_right[node]
        plt.plot([x, x+width/2], [y-0.2, y-0.8], color='black', linewidth=1)
        plt.text(x+width/4, y-0.5, "否", ha='center', va='center')
        recurse(right_node, x+width/2, y-1, width/2)
    
    # 开始绘制（根节点在顶部）
    recurse(0, 0.5, 0.9, 0.8)
    plt.xlim(0, 1)
    plt.ylim(-1.5, 1.2)
    plt.axis('off')
    plt.title("用户购买意愿预测决策树", fontsize=14, fontweight='bold')
    plt.savefig("decision_tree.png", dpi=300, bbox_inches='tight')
    plt.show()

# 4. 绘制决策树
plot_decision_tree(dt, feature_names=list(X.columns), class_names=[0, 1])

结果说明：

树状图清晰展示了决策树的分支逻辑——以“浏览时长≤12.5分？”“是否加购≤0.5？”为条件，最终输出“购买”或“不购买”的预测结果，节点标注了样本数量，帮助业务人员快速理解用户购买的判断依据。

四、业务应用场景：Pyplot树状图的落地价值

Pyplot树状图的核心优势是“适配层级数据的多样化场景”，在电商、金融、企业管理等领域均有广泛应用，典型场景如下：

1. 电商零售：商品分类与销量展示

将“大类→中类→小类”的商品结构与销量结合，用树状图展示：一级节点为“家电”“服饰”等大类，二级为“智能手机”“连衣裙”等中类，三级为具体商品；节点颜色深度对应销量高低，帮助运营快速识别高销量商品所在层级，优化库存分配。

2. 金融风控：客户分层与风险等级

基于客户“资产规模→信用评分→历史违约记录”构建层级树，节点标注风险等级（低/中/高），用红色标注高风险客户所在分支，为风控人员提供直观的客户风险画像，辅助贷款审批决策。

3. 数据挖掘：模型结果解释

除决策树外，pyplot树状图还可用于展示聚类结果的层级关系（如层次聚类的树状图）、关联规则的推导路径，帮助数据分析师向非技术人员解释模型逻辑，降低沟通成本。

4. 项目管理：任务分解与进度跟踪

将“项目→阶段→任务→子任务”用树状图展示，节点标注完成率（如“80%”），用绿色表示已完成、黄色表示进行中、红色表示延期，让项目负责人清晰掌握任务推进情况。

五、避坑指南：Pyplot树状图的常见问题与解决方案

1. 问题1：节点重叠或位置混乱

• 原因：坐标计算未考虑节点数量，垂直/水平步长设置不合理；

• 解决方案：根据子节点数量动态调整步长（如“总高度/子节点数”），层级越深步长越小；用递归函数统一管理坐标计算，避免手动赋值误差。

2. 问题2：中文标签显示乱码

• 原因：pyplot默认字体不支持中文；

• 解决方案：添加字体配置代码：plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']，同时设置英文备用字体。

3. 问题3：复杂层级（≥4级）展示模糊

• 原因：层级过深导致横向/纵向空间不足，节点挤压；

• 解决方案：① 采用“折叠树”逻辑，默认展示前3级，点击展开深层节点（需结合交互库如mpl_toolkits）；② 调整画布大小（如figsize=(15, 10)），缩小节点高度/宽度，增加层级间距。

4. 问题4：数据更新后树状图需重复修改代码

• 原因：坐标计算与数据强耦合，未封装通用函数；

• 解决方案：将坐标计算、绘图逻辑封装为通用函数（如plot_tree(data, direction='horizontal')），数据更新时仅需传入新的层级数据，无需修改绘图代码。

六、总结：Pyplot树状图的核心优势与未来拓展

Pyplot树状图并非“开箱即用”的工具，但其“基础函数组合+高度定制化”的特性，使其成为Python生态中处理层级数据可视化的核心选择。其核心优势可概括为：

• 灵活可控：从节点样式到分支线条，全流程可定制，适配各类业务规范；

• 生态融合：与Pandas、sklearn等工具无缝衔接，嵌入数据分析流程更高效；

• 成本极低：无需额外安装依赖，Python数据分析环境默认支持。

未来拓展方向：结合交互库（如mpl_toolkits.mplot3d实现3D树状图、ipywidgets实现节点点击展开），提升树状图的交互性；结合颜色映射（cmap）实现节点与业务指标的深度关联，让可视化不仅“好看”更“有用”。

对于数据可视化从业者而言，掌握pyplot树状图的核心是“理解层级数据的坐标映射逻辑”——只要能将数据层级转化为合理的坐标系统，就能通过基础函数组合出满足业务需求的树状图，成为数据分析结果呈现的有力工具。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0