Phi-3 Forest Laboratory：用自然语言生成图表代码，数据可视化从未如此简单

还在为画一张图表，反复查阅Matplotlib或Seaborn的文档吗？还在因为记不清某个参数，而在搜索引擎和代码编辑器之间来回切换吗？如果你有过类似的经历，那么今天展示的这个工具，可能会让你眼前一亮。

想象一下，你只需要用大白话说出你的需求：“帮我画一个过去五年、按季度统计、用不同颜色区分产品线的销售额折线图”，然后一段可以直接运行的、格式规范的Python代码就出现在你面前。这不是幻想，而是Phi-3 Forest Laboratory在数据可视化领域展现出的惊人辅助能力。它就像一个懂你心思的编程助手，将你的自然语言描述，精准地翻译成专业的图表代码。接下来，我们就通过一系列真实案例，看看它是如何让数据可视化变得像说话一样简单的。

1. 它能做什么？核心能力一览

简单来说，Phi-3 Forest Laboratory是一个专门针对数据可视化代码生成的智能模型。你不需要是Matplotlib或Seaborn的专家，甚至不需要完全记住那些复杂的函数名和参数，你只需要清晰地描述你想要什么样的图表。

它的核心能力可以概括为三点：

• 听懂人话：理解你用自然语言描述的图表需求，包括图表类型、数据维度、样式风格等。
• 写出代码：生成结构清晰、注释完整、可直接运行的Python代码，主要基于Matplotlib和Seaborn这两个最流行的可视化库。
• 考虑周全：不仅生成绘图主体代码，还会考虑到数据准备、图表美化（如标题、标签、图例、颜色）、布局调整等细节，提供“开箱即用”的解决方案。

这尤其适合数据分析师、科研工作者、商业分析师以及任何需要频繁与图表打交道的人。它能将你从繁琐的语法记忆中解放出来，让你更专注于数据本身和想要传达的信息。

2. 效果展示：从描述到图表的魔法

光说不练假把式。我们直接来看几个具体的例子，从简单的图表到相对复杂的需求，感受一下Phi-3 Forest Laboratory的代码生成效果。

2.1 基础图表：快速上手

我们从一个最经典的需求开始。

你的描述：“画一个柱状图，展示苹果、香蕉、橙子三种水果的销量，苹果是150，香蕉是200，橙子是120。柱子用绿色，加上数据标签。”

模型生成的代码：

import matplotlib.pyplot as plt
import numpy as np

# 数据准备
fruits = ['苹果', '香蕉', '橙子']
sales = [150, 200, 120]
colors = ['lightgreen', 'limegreen', 'mediumseagreen']

# 创建图形和坐标轴
fig, ax = plt.subplots(figsize=(8, 6))

# 绘制柱状图
bars = ax.bar(fruits, sales, color=colors, edgecolor='black', linewidth=1.2)

# 添加数据标签
for bar in bars:
    height = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2., height + 3,
            f'{int(height)}', ha='center', va='bottom', fontsize=11)

# 设置图表标题和坐标轴标签
ax.set_title('水果销量柱状图', fontsize=14, fontweight='bold', pad=15)
ax.set_xlabel('水果种类', fontsize=12)
ax.set_ylabel('销量', fontsize=12)

# 设置y轴范围，为数据标签留出空间
ax.set_ylim(0, max(sales) * 1.15)

# 美化：设置网格线（只在y轴方向）
ax.grid(axis='y', alpha=0.3, linestyle='--')

# 自动调整布局并显示图表
plt.tight_layout()
plt.show()

效果点评： 这段代码完全理解了你的意图。它不仅用绿色系画出了柱状图，还精准地添加了顶部的数据标签。代码结构非常清晰，从数据准备、绘图、美化到显示，每一步都有条不紊。注释虽然简洁，但恰到好处地说明了每个代码块的作用。生成的图表专业且美观，直接就能用在报告里。

2.2 进阶需求：多系列与子图

现在，我们来个复杂点的，涉及时间序列和多系列数据对比。

你的描述：“帮我生成代码，画两张子图并排显示。左边是折线图，展示公司A和公司B在过去6个月的收入趋势，月份做x轴。右边是堆叠面积图，展示同一时期内，公司A市场费用的构成，比如广告、促销、人工。”

模型生成的代码：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 模拟数据
months = ['一月', '二月', '三月', '四月', '五月', '六月']
revenue_A = [120, 135, 150, 165, 180, 210]
revenue_B = [100, 115, 130, 140, 160, 190]

# 公司A市场费用构成数据
expense_categories = ['广告', '促销', '人工']
expense_data = np.array([
    [30, 32, 35, 38, 40, 42],  # 广告
    [20, 22, 25, 28, 30, 33],  # 促销
    [25, 26, 28, 30, 32, 35]   # 人工
])

# 创建图形，设置1行2列的子图布局
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# --- 子图1：双公司收入折线图 ---
ax1 = axes[0]
ax1.plot(months, revenue_A, marker='o', linewidth=2, label='公司A', color='#2E86AB')
ax1.plot(months, revenue_B, marker='s', linewidth=2, label='公司B', color='#A23B72')

ax1.set_title('公司A与公司B月度收入趋势', fontsize=13, fontweight='bold')
ax1.set_xlabel('月份', fontsize=11)
ax1.set_ylabel('收入（万元）', fontsize=11)
ax1.legend(loc='upper left')
ax1.grid(True, alpha=0.3)
# 在每个数据点上标注数值
for i, (ra, rb) in enumerate(zip(revenue_A, revenue_B)):
    ax1.text(i, ra+3, str(ra), ha='center', fontsize=9)
    ax1.text(i, rb+3, str(rb), ha='center', fontsize=9)

# --- 子图2：公司A市场费用堆叠面积图 ---
ax2 = axes[1]
# 计算堆叠的底部位置
cumulative = np.zeros(len(months))
colors = ['#FF9A8B', '#FFC6A5', '#73C6B6']  # 为每个类别设置颜色

for idx, (category, color) in enumerate(zip(expense_categories, colors)):
    ax2.fill_between(months, cumulative, cumulative + expense_data[idx],
                     label=category, color=color, alpha=0.7, edgecolor='white', linewidth=0.5)
    cumulative += expense_data[idx]

ax2.set_title('公司A月度市场费用构成（堆叠面积图）', fontsize=13, fontweight='bold')
ax2.set_xlabel('月份', fontsize=11)
ax2.set_ylabel('费用（万元）', fontsize=11)
ax2.legend(loc='upper left')
ax2.grid(True, alpha=0.3, axis='y')

# 自动调整子图间距
plt.tight_layout()
plt.show()

效果点评： 这个需求包含了多个指令：子图、两种不同的图表类型、多系列数据、数据标签。模型生成的代码完美地响应了所有要求。它自动模拟了数据，用清晰的逻辑绘制了左右两个子图。左边的折线图用不同颜色和标记区分了两个公司，并添加了数据标签；右边的堆叠面积图颜色柔和，层次分明。整个代码的模块化做得很好，注释清晰地划分了不同部分，即使是不熟悉Matplotlib子图功能的人，也能轻松看懂。

2.3 风格化图表：Seaborn的优雅

如果你想追求更统计、更优雅的风格，Seaborn是更好的选择。看看模型如何处理这类需求。

你的描述：“用Seaborn画一个鸢尾花数据集里，花瓣长度和花瓣宽度的散点图，并且按花的种类用不同颜色区分。再加上一个回归趋势线。”

模型生成的代码：

import seaborn as sns
import matplotlib.pyplot as plt

# 加载内置的鸢尾花数据集
iris = sns.load_dataset('iris')

# 设置Seaborn的整体风格
sns.set_style("whitegrid")
sns.set_palette("husl")  # 设置一个漂亮的颜色板

# 创建图形
plt.figure(figsize=(10, 7))

# 使用lmplot的底层函数regplot来绘制带回归线的散点图，并通过scatter_kws和line_kws精细控制样式
scatter_plot = sns.regplot(data=iris, x='petal_length', y='petal_width',
                           scatter=False, label='回归线')  # 先画回归线（不画散点）

# 再单独绘制散点图，并按种类着色
sns.scatterplot(data=iris, x='petal_length', y='petal_width',
                hue='species', style='species', s=100, edgecolor='w', linewidth=0.8)

# 获取当前坐标轴，用于添加图例和调整
ax = plt.gca()
# 手动为回归线添加图例句柄
from matplotlib.lines import Line2D
reg_line = Line2D([0], [0], color='gray', linestyle='-', linewidth=2, label='线性回归趋势')
handles, labels = ax.get_legend_handles_labels()
ax.legend(handles=handles + [reg_line], title='图例', title_fontsize=12, fontsize=10)

# 设置标题和坐标轴标签
plt.title('鸢尾花数据集：花瓣长度与宽度的关系（按种类区分）', fontsize=15, fontweight='bold', pad=15)
plt.xlabel('花瓣长度 (cm)', fontsize=12)
plt.ylabel('花瓣宽度 (cm)', fontsize=12)

# 自动调整布局并显示
plt.tight_layout()
plt.show()

效果点评： 这段代码展示了模型对Seaborn库的熟练运用。它没有使用简单的lmplot，而是组合了regplot和scatterplot来实现“带分类着色散点+统一回归线”这个稍复杂的效果，这说明它理解需求背后的统计含义。代码设置了美观的网格风格和调色板，对点的大小、边缘、图例都做了细致处理，生成的图表具有出版物级别的美观度。注释也解释了为什么选择这样的绘图组合。

3. 优势与特点：为什么它值得一试？

通过上面的案例，我们可以总结出Phi-3 Forest Laboratory在生成可视化代码方面的几个突出特点：

第一，意图理解精准。 它不仅仅是在匹配关键词。当你提到“按产品线区分颜色”，它能理解这需要在代码中设置hue参数或循环绘制；当你提到“子图”，它能正确地构建subplots。它抓住了描述中的核心实体（数据、维度、图表类型）和修饰词（颜色、标签、趋势线）。

第二，代码实用性强。 生成的代码不是简单的plt.plot(x, y)。它包含了数据模拟、图形美化（标题、标签、图例、网格、颜色）、布局调整（tight_layout）等工程化细节，复制粘贴后稍作修改（主要是替换真实数据）就能直接运行出令人满意的结果，大大降低了使用门槛。

第三，注释清晰到位。 代码中的注释不是敷衍了事，它们准确地解释了关键步骤，比如“计算堆叠的底部位置”、“手动添加回归线图例”。这对于学习者理解代码逻辑，或者开发者后续修改维护，都非常有帮助。

第四，支持复杂场景。 从单一线图到多子图组合，从Matplotlib的基础API到Seaborn的高级封装，模型都能较好地处理。它能够协调多个指令，生成逻辑连贯、结构完整的代码块。

4. 使用体验与场景展望

实际使用下来，感觉它就像一个经验丰富的搭档。当你有一个明确的图表想法，但不确定如何用代码实现时，向它描述是最快的路径。它能极大地优化工作流：你先用自然语言快速生成代码框架和主体，然后只需要将精力集中在导入和整理你自己的真实数据上，替换掉代码中的模拟数据部分即可。

它适用的场景非常广泛：

• 数据分析报告：快速为报告生成各种分析图表代码原型。
• 探索性数据分析：在Jupyter Notebook中，快速尝试多种不同的图表来观察数据关系。
• 教学与学习：初学者可以通过描述来学习某种图表的标准画法，并研究生成的代码。
• 原型开发：在开发数据看板或可视化功能时，快速获得基础代码片段。

当然，它目前可能还无法处理极其复杂、定制化程度极高的可视化需求（比如需要大量交互或特殊动画），但对于涵盖日常工作中80%的图表需求来说，它的能力和效率已经足够惊艳。

---

整体体验下来，Phi-3 Forest Laboratory在数据可视化代码生成方面的表现确实让人印象深刻。它把“所想即所得”向前推进了一步，变成了“所说即所得”。对于经常和Python图表打交道的人来说，这无疑是一个能提升效率的利器。它减少的是查找文档、记忆语法的时间成本，让你能更专注于数据分析和故事讲述本身。如果你正在寻找一种更智能、更自然的方式来创建图表，不妨亲自尝试一下，从一句简单的描述开始，看看它能为你带来怎样的代码。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。