Scan to join WeChat groupsql-dataviz - SQL 数据可视化 Skill
⚠️ 使用前必读
本 Skill 需要 Python 依赖。首次使用前必须安装依赖：
skillhub_install install_skill sql-dataviz
工具会自动检测 Python3 环境、pip 可用性，并安装所有依赖。
依赖安装方式
| 方式 | 命令 | 适用场景 |
|------|------|---------|
| 自动安装（推荐） | skillhub_install install_skill sql-dataviz | 一键安装，自动处理 |
| 手动安装 | pip install -r requirements.txt | 熟悉 Python 环境的用户 |
无依赖使用（受限模式）
如果无法安装依赖，本 Skill 提供以下降级能力：
✅ 可用功能：
- 图表选型建议（基于业务场景推荐图表类型）
- 数据格式规范说明
- 可视化设计原则指导
- 配色方案推荐
❌ 不可用功能：
- 图表生成（PNG/base64 输出）
- 交互式 HTML 图表
- Dashboard 构建
- 与 sql-master / sql-report-generator 联动
🔗 Skill 协作关系
本 Skill 与 sql-master、sql-report-generator 组成完整的数据分析流水线：
┌─────────────┐ ┌──────────────┐ ┌────────────────────────┐
│ sql-master │ ──► │ sql-dataviz │ ──► │ sql-report-generator │
│ (数据层) │ │ (可视化层) │ │ (报告层) │
└─────────────┘ └──────────────┘ └────────────────────────┘
│ │ │
▼ ▼ ▼
SQL 查询 图表生成 HTML 报告
数据获取 PNG/HTML AI 洞察
格式转换 Dashboard 数据表格
协作模式
| 模式 | 组合 | 适用场景 | |------|------|---------| | 单独使用 | sql-dataviz | 已有数据，仅需图表可视化 | | 数据可视化 | sql-master + sql-dataviz | SQL 查询 → 图表输出 | | 可视化报告 | sql-dataviz + sql-report-generator | 图表 → 报告（无 SQL） | | 完整流程 | sql-master + sql-dataviz + sql-report-generator | 完整数据分析报告 |
🥇 最优使用方式：三 Skill 串联
from scripts.unified_pipeline import UnifiedPipeline
result = (
UnifiedPipeline("销售分析")
.from_file("sales.csv") # sql-master: 数据获取
.query("SELECT region, SUM(sales) as total FROM data GROUP BY region")
.interactive_chart("bar", x_col="region", y_col="total") # sql-dataviz: 可视化
.insights(value_cols=["total"]) # AI 洞察
.report(title="销售报告", output="report.html") # sql-report-generator: 报告
)
决策指南
你需要什么？
├─ 仅图表可视化 → sql-dataviz 单独使用
├─ SQL + 图表 → sql-master + sql-dataviz
├─ 图表 + 报告（无 SQL）→ sql-dataviz + sql-report-generator
└─ 完整分析报告 → sql-master + sql-dataviz + sql-report-generator ✅ 推荐
新增功能：交互式 HTML 图表（Plotly）
scripts/interactive_charts.py
基于 Plotly 的 12 种交互式图表，输出自包含 HTML（支持 hover / zoom / pan）：
from scripts.interactive_charts import InteractiveChartFactory, DashboardBuilder
factory = InteractiveChartFactory(theme="powerbi")
# 12 种图表类型
html = factory.create_line(data) # 折线图
html = factory.create_bar(data) # 柱形图
html = factory.create_pie(data) # 饼图（环形）
html = factory.create_scatter(data) # 散点图
html = factory.create_heatmap(data) # 热力图
html = factory.create_funnel(data) # 漏斗图
html = factory.create_area(data) # 面积图
html = factory.create_treemap(data) # 树状图
html = factory.create_gauge(data) # 仪表盘
html = factory.create_combo(data) # 组合图（柱+折线）
html = factory.create_table(data) # 交互式表格
html = factory.create_kpi_cards(data) # KPI 卡片组
factory.save_html(html, "chart.html")
# 多图表 Dashboard
builder = DashboardBuilder(title="销售看板", theme="powerbi")
builder.add_kpi_cards([{"title":"GMV","value":"¥1,234万","change":"+18%"}])
builder.add_chart(factory.create_line(...), title="月度趋势", cols=2)
builder.add_chart(factory.create_bar(...), title="区域对比", cols=1)
builder.build("dashboard.html")
数据格式 与现有 ChartFactory 完全一致（line/bar/pie/scatter/funnel/area/combo/table）。
主题：powerbi / dark / seaborn / ggplot2
概述
将 SQL 查询结果转化为生产级可视化图表。集成 Power BI 原生的 50 种视觉对象，支持对比、趋势、分布、占比、地理、指标监控、AI 智能分析、统计分析等全场景。
所有图表以 base64 编码的 PNG 方式输出，可直接嵌入报告、邮件、Web 应用、Markdown 文档。
核心能力矩阵
1️⃣ 对比与趋势分析（13种）
| 图表 | 场景 | 方法 |
|------|------|------|
| 簇状柱形图 | 多系列分类对比 | create_clustered_column() |
| 堆积柱形图 | 整体+部分占比对比 | create_stacked_column() |
| 100%堆积柱形图 | 统一尺度结构对比 | create_percent_stacked_column() |
| 簇状条形图 | 长分类名称对比 | create_clustered_bar() |
| 堆积条形图 | 区域/渠道层级对比 | create_stacked_bar() |
| 100%堆积条形图 | 横向结构占比 | create_percent_stacked_bar() |
| 折线图 | 连续数据趋势 | create_line() |
| 平滑折线图 | 弱化波动的趋势 | create_smooth_line() |
| 组合图 | 双指标（柱+折线） | create_combo() |
| 面积图 | 累计总量展示 | create_area() |
| 堆积面积图 | 多业务线累计贡献 | create_stacked_area() |
| 瀑布图 | 增减项影响分析 | create_waterfall() |
| 丝带图 | 排名变动追踪 | create_line() |
2️⃣ 部分与整体（4种）
| 图表 | 场景 | 方法 |
|------|------|------|
| 饼图 | 单维度占比 | create_pie() |
| 圆环图 | 中心标签占比 | create_donut() |
| 树状图 | 层级数据展示 | create_treemap() |
| 漏斗图 | 流程转化分析 | create_funnel() |
3️⃣ 分布与关系（4种）
| 图表 | 场景 | 方法 |
|------|------|------|
| 散点图 | 两变量相关性 | create_scatter() |
| 气泡图 | 三变量分析 | create_bubble() |
| 点图 | 分类数据分布 | create_dot() |
| 高密度散点图 | 海量数据聚类 | create_high_density_scatter() |
4️⃣ 地理空间（4种）
| 图表 | 场景 | 方法 |
|------|------|------|
| Azure 地图 | 权威地图底图 | create_azure_map() |
| 填充地图 | 区域数据热力 | create_filled_map() |
| 形状地图 | 自定义边界分析 | create_shape_map() |
| ArcGIS 地图 | 专业空间分析 | create_arcgis_map() |
5️⃣ 指标监控（5种）
| 图表 | 场景 | 方法 |
|------|------|------|
| 卡片图 | 单一关键指标 | create_card() |
| 多行卡片图 | 多指标汇总 | create_multi_card() |
| KPI 视觉对象 | 目标达成率 | create_kpi() |
| 仪表盘图 | 指标健康度 | create_gauge() |
| 目标视觉对象 | 团队绩效看板 | create_target() |
6️⃣ AI 智能分析（4种）
| 图表 | 场景 | 方法 |
|------|------|------|
| 分解树 | 多维度根因分析 | create_decomposition_tree() |
| 关键影响因素 | 驱动因子权重 | create_key_influencers() |
| 异常检测 | 自动异常标注 | create_anomaly_detection() |
| 智能叙事 | 自然语言摘要 | create_smart_narrative() |
7️⃣ 统计与分布（5种）[新增]
| 图表 | 场景 | 方法 |
|------|------|------|
| 盒须图 | 数据分布四分位数 | create_box_plot() |
| 直方图 | 数据频率分布 | create_histogram() |
| 密度图 | 概率密度分布 | create_density_plot() |
| 帕累托图 | 80/20 法则分析 | create_pareto() |
| Q-Q 图 | 正态性检验 | 通过 scipy 实现 |
8️⃣ 关系与网络（2种）[新增]
| 图表 | 场景 | 方法 |
|------|------|------|
| 网络图 | 节点关系展示 | create_network_graph() |
| 桑基图 | 流量/能量流向 | create_sankey() |
9️⃣ 时序与日期（3种）[新增]
| 图表 | 场景 | 方法 |
|------|------|------|
| 甘特图 | 项目进度管理 | create_gantt() |
| 日历热力图 | 时间序列热力 | create_calendar_heatmap() |
| 蜡烛图 | 股票价格走势 | create_candlestick() |
🔟 地理与热力（3种）[新增]
| 图表 | 场景 | 方法 |
|------|------|------|
| 分级地图 | 区域数据热力 | create_choropleth_map() |
| 路径地图 | 物流路径规划 | create_route_map() |
| 点密度地图 | 点分布密度 | create_dot_density_map() |
1️⃣1️⃣ 层级与占比（3种）[新增]
| 图表 | 场景 | 方法 |
|------|------|------|
| 旭日图 | 多层级占比 | create_sunburst() |
| 词云图 | 文本频率可视化 | create_word_cloud() |
| 子弹图 | 目标对比 | create_bullet() |
1️⃣2️⃣ 交互与辅助（4种）
| 图表 | 场景 | 方法 |
|------|------|------|
| 图像视觉对象 | 品牌 logo、产品图片 | create_image_visual() |
| 文本框与形状 | 报表标题、说明描述 | create_text_shape() |
| 小型序列图 | 多个小图表并排 | create_small_multiple() |
| 视觉对象栏 | 自定义布局 | create_visual_canvas() |
快速开始
基础用法
from sql_dataviz.charts import ChartFactory, ChartConfig, Theme
# 1. 创建工厂
factory = ChartFactory()
# 2. 设置主题（可选）
factory.set_theme('powerbi') # 或 'alibaba', 'tencent', 'bytedance'
# 3. 准备数据
data = {
'categories': ['Q1', 'Q2', 'Q3', 'Q4'],
'series': [
{'name': '销售额', 'data': [100, 150, 120, 200]},
{'name': '成本', 'data': [60, 80, 70, 100]}
]
}
# 4. 生成图表（base64 PNG）
chart_b64 = factory.create_clustered_column(data)
# 5. 嵌入到 HTML
html = f'<img src="data:image/png;base64,{chart_b64}" />'
# 6. 或保存为文件
import base64
with open('chart.png', 'wb') as f:
f.write(base64.b64decode(chart_b64))
与 sql-master 协作
from sql_master import SQLMaster
from sql_dataviz.charts import ChartFactory
# 1. 执行 SQL 查询
sql_master = SQLMaster()
result = sql_master.execute_query("""
SELECT quarter, SUM(sales) as total, SUM(cost) as cost
FROM orders
GROUP BY quarter
ORDER BY quarter
""")
# 2. 转换为图表数据格式
data = {
'categories': [row['quarter'] for row in result],
'series': [
{'name': '销售额', 'data': [row['total'] for row in result]},
{'name': '成本', 'data': [row['cost'] for row in result]}
]
}
# 3. 生成可视化
factory = ChartFactory()
chart_b64 = factory.create_clustered_column(data)
与 sql-report-generator 协作
from sql_dataviz.charts import ChartFactory
from sql_report_generator import ReportGenerator
# 1. 生成多个图表
factory = ChartFactory()
charts = {
'sales_trend': factory.create_line(trend_data),
'channel_mix': factory.create_pie(channel_data),
'regional_heatmap': factory.create_filled_map(region_data)
}
# 2. 组织成报告
report = ReportGenerator()
report.add_title('月度业绩报告')
report.add_chart('销售趋势', charts['sales_trend'])
report.add_chart('渠道占比', charts['channel_mix'])
report.add_chart('区域热力', charts['regional_heatmap'])
report.export_html('report.html')
文件结构
sql-dataviz/
├── SKILL.md # 本文件
├── charts/
│ ├── __init__.py # 24种图表实现（base64 PNG）
│ ├── comparison.py # 对比类图表（可选扩展）
│ ├── composition.py # 占比类图表（可选扩展）
│ ├── distribution.py # 分布类图表（可选扩展）
│ ├── geographic.py # 地理类图表（可选扩展）
│ ├── kpi.py # 指标监控（可选扩展）
│ └── ai_analysis.py # AI 智能分析（可选扩展）
├── scripts/
│ ├── install_deps.sh # 依赖安装脚本
│ ├── demo.py # 完整演示脚本
│ └── benchmark.py # 性能基准测试
└── references/
├── POWERBI_CHARTS.md # Power BI 图表参考
├── COLOR_SCHEMES.md # 大厂配色方案
├── DATA_FORMATS.md # 数据格式规范
└── EXAMPLES.md # 完整示例库
配置选项
主题与样式
from sql_dataviz.charts import ChartFactory, ChartConfig, Theme
# 方式1：工厂级设置
factory = ChartFactory()
factory.set_theme('powerbi') # Power BI 官方蓝
factory.set_theme('alibaba') # 阿里巴巴红
factory.set_theme('tencent') # 腾讯蓝
factory.set_theme('bytedance') # 字节跳动黑
factory.set_theme('neutral') # 中性灰
# 方式2：配置对象
config = ChartConfig(
width=1200,
height=600,
dpi=100,
theme=Theme.POWERBI,
title='季度业绩分析',
show_legend=True,
show_grid=True,
font_size=11,
title_size=16
)
factory = ChartFactory(config)
导出格式
# 所有图表都支持 base64 PNG 输出
chart_b64 = factory.create_line(data)
# 嵌入 HTML
html = f'<img src="data:image/png;base64,{chart_b64}" />'
# 嵌入 Markdown
markdown = f''
# 保存为文件
import base64
with open('chart.png', 'wb') as f:
f.write(base64.b64decode(chart_b64))
常见问题
Q: 如何处理超大数据集（>100万行）？
A: 使用高密度散点图或自动聚合：
# 高密度散点图自动处理海量数据
chart = factory.create_high_density_scatter({
'x': large_x_array, # 100万+ 数据点
'y': large_y_array
})
# 或先聚合数据
import pandas as pd
df = pd.read_sql(query, conn)
df_agg = df.groupby('category').agg({'value': 'sum'}).reset_index()
chart = factory.create_pie({
'labels': df_agg['category'],
'values': df_agg['value']
})
Q: 支持实时数据更新吗？
A: 支持。通过定时查询 SQL 并重新生成图表：
import time
from sql_master import SQLMaster
from sql_dataviz.charts import ChartFactory
sql = SQLMaster()
factory = ChartFactory()
while True:
# 每分钟更新一次
result = sql.execute_query("SELECT * FROM metrics WHERE time > NOW() - INTERVAL 1 HOUR")
chart = factory.create_line(transform_data(result))
save_chart(chart)
time.sleep(60)
Q: 能否自定义图表样式？
A: 完全支持。修改 ChartConfig 或直接编辑图表类：
# 自定义配置
config = ChartConfig(
width=1600,
height=800,
theme=Theme.ALIBABA,
font_size=13,
title_size=18,
show_grid=False
)
# 或继承图表类进行深度定制
from sql_dataviz.charts import ClusteredColumnChart
class CustomColumnChart(ClusteredColumnChart):
def create(self, data):
fig, ax = self._setup_figure()
# 自定义绘制逻辑
...
return self._to_base64(fig)
Q: 如何在报告中使用这些图表？
A: 与 sql-report-generator 无缝协作：
from sql_report_generator import ReportGenerator
from sql_dataviz.charts import ChartFactory
report = ReportGenerator()
factory = ChartFactory()
# 添加图表
report.add_chart('销售趋势', factory.create_line(data))
report.add_chart('渠道占比', factory.create_pie(data))
# 导出为 HTML/PDF
report.export_html('report.html')
report.export_pdf('report.pdf')
性能指标
| 操作 | 耗时 | 内存 | |------|------|------| | 生成简单柱形图 | ~50ms | ~5MB | | 生成复杂仪表盘（4图） | ~200ms | ~20MB | | 处理100万数据点散点图 | ~500ms | ~50MB | | 生成完整报告（10图） | ~1s | ~100MB |
与其他 Skill 的协作
sql-master → sql-dataviz → sql-report-generator
SQL 查询 → 数据转换 → 可视化 → 报告生成
完整流程示例：
# 1. sql-master：执行查询
from sql_master import SQLMaster
sql = SQLMaster()
sales_data = sql.execute_query("""
SELECT region, product, SUM(sales) as total
FROM orders
GROUP BY region, product
""")
# 2. sql-dataviz：生成可视化
from sql_dataviz.charts import ChartFactory
factory = ChartFactory()
factory.set_theme('powerbi')
# 按地区对比
regional_chart = factory.create_clustered_column({
'categories': [row['region'] for row in sales_data],
'series': [{'name': 'Sales', 'data': [row['total'] for row in sales_data]}]
})
# 3. sql-report-generator：组织报告
from sql_report_generator import ReportGenerator
report = ReportGenerator()
report.add_title('销售分析报告')
report.add_chart('地区销售对比', regional_chart)
report.export_html('sales_report.html')
最佳实践
1. 选择合适的图表类型
# ✓ 对比分析 → 簇状柱形图
factory.create_clustered_column(data)
# ✓ 趋势分析 → 折线图
factory.create_line(data)
# ✓ 占比分析 → 饼图/圆环图
factory.create_pie(data)
# ✓ 分布分析 → 散点图/气泡图
factory.create_scatter(data)
# ✓ 流程分析 → 漏斗图
factory.create_funnel(data)
2. 数据预处理
import pandas as pd
# 清理数据
df = pd.read_sql(query, conn)
df = df.dropna()
df = df[df['value'] > 0]
# 聚合数据
df_agg = df.groupby('category').agg({
'value': 'sum',
'count': 'count'
}).reset_index()
# 转换为图表格式
data = {
'categories': df_agg['category'].tolist(),
'series': [{'name': 'Value', 'data': df_agg['value'].tolist()}]
}
3. 缓存机制
import hashlib
import json
def get_chart_cached(chart_type, data, cache_dir='./cache'):
# 生成缓存键
key = hashlib.md5(json.dumps(data).encode()).hexdigest()
cache_file = f"{cache_dir}/{chart_type}_{key}.b64"
# 检查缓存
try:
with open(cache_file, 'r') as f:
return f.read()
except FileNotFoundError:
pass
# 生成新图表
factory = ChartFactory()
chart = getattr(factory, f'create_{chart_type}')(data)
# 保存缓存
with open(cache_file, 'w') as f:
f.write(chart)
return chart
许可证
MIT License - 生产级可商用
更新日志
- v1.0.0 (2026-03-26) - 初始版本，支持 24 种图表，base64 PNG 输出
- v1.1.0 (计划) - 支持 SVG 矢量输出、交互式 HTML、实时数据流
- v2.0.0 (计划) - 集成 Plotly 交互式图表、WebGL 高性能渲染
支持与反馈
- 📧 Email: support@example.com
- 💬 Discord: https://discord.gg/example
- 🐛 Issues: https://github.com/example/sql-dataviz/issues s