
# 代码5-13
# 导库
from matplotlib import pyplot as plt
import pandas as pd
import seaborn as sns
import warnings
# 忽略所有警告
warnings.filterwarnings("ignore")


# 设置中文字体
from matplotlib import font_manager as fm
import matplotlib as mpl
font_path = '/System/Library/Fonts/STHeiti Medium.ttc'
my_font = fm.FontProperties(fname=font_path)
mpl.rcParams['font.family'] = my_font.get_name()
mpl.rcParams['axes.unicode_minus'] = False


# 加载数据
hr = pd.read_csv('./data/hr.csv', encoding='gbk')
hr.head(3)


# 从 hr 数据集中选取前 100 条记录，用作绘图样本数据
data = hr.head(100)
# 为每个唯一的薪资水平指定一种颜色，并构造映射字典
# zip 将 ['高', '中', '低'] 与 ['b', 'y', 'r'] 一一对应
color_map = dict(zip(data['薪资'].unique(), ['b', 'y', 'r']))
# 遍历每一个薪资等级的数据子集，分别绘制散点图
for species, group in data.groupby('薪资'):
    plt.scatter(
        group['每月平均工作小时数（小时）'],  # x：横坐标为每月工作时长
        group['满意度'],                   # y：纵坐标为满意度
        color=color_map[species],         # color：根据薪资映射的颜色
        alpha=0.4,                        # alpha：点的透明度，值越小越透明
        edgecolors=None,                  # edgecolors：点边缘颜色，None 表示无边
        label=species                     # label：图例中显示的分类名称
    )
# 添加图例，显示每种薪资等级对应的颜色
# frameon=True 表示图例带有边框；title 设置图例标题为“薪资”
plt.legend(frameon=True, title='薪资')
# 设置横轴标签文本
plt.xlabel('平均每个月工作时长（小时）')
# 设置纵轴标签文本
plt.ylabel('满意度水平')
# 设置图表的主标题
plt.title('满意度水平与平均每个月工作小时')
# 展示最终绘图结果
plt.show()


# 使用 seaborn 的 lmplot 方法绘制散点图，展示“满意度”与“每月平均工作时长”的关系
sns.lmplot(
    '每月平均工作小时数（小时）',  # 第一个参数：x 轴变量，表示每月工作时长
    '满意度',                   # 第二个参数：y 轴变量，表示员工满意度
    data,                       # data：传入的数据集（前面应定义为包含这些字段的 DataFrame）
    hue='薪资',                 # hue：根据“薪资”列的值分类着色
    fit_reg=False,              # fit_reg：是否绘制回归拟合线，False 表示不绘制，仅显示散点
    height=4                    # height：图像高度（单位为英寸），控制图表整体大小
)
# 设置 x 轴的标签文本
plt.xlabel('平均每个月工作时长（小时）')  # 表示横轴单位与含义
# 设置 y 轴的标签文本
plt.ylabel('满意度水平')  # 表示纵轴的单位与含义
# 设置图表的标题
plt.title('满意度水平与平均每个月工作小时')
# 显示图表窗口
plt.show()


# 导入 numpy 数组处理库
import numpy as np
# 设置图形显示参数，使负号正常显示（避免出现乱码或方块）
plt.rcParams['axes.unicode_minus'] = False
# 创建一个从 1 到 9，步长为 2 的数组，作为 x 轴数据
x = np.arange(1, 10, 2)  # 输出: array([1, 3, 5, 7, 9])
# 构造三条直线的 y 值：分别为 x+1, x+3, x+5
y1 = x + 1
y2 = x + 3
y3 = x + 5
# 设置图表标题为“Matplotlib库的绘图风格”
plt.title('Matplotlib库的绘图风格')
# 绘制第一条直线（x, y1）
plt.plot(x, y1)
# 绘制第二条直线（x, y2）
plt.plot(x, y2)
# 绘制第三条直线（x, y3）
plt.plot(x, y3)
# 显示图表
plt.show()


# 设置 seaborn 的绘图风格为 darkgrid（背景为深色网格）
# sns.set_style('darkgrid')
# 设置字体为黑体（simhei）和 Arial，保证中英文均能显示
# font.sans-serif 是设置无衬线字体优先级的参数
# sns.set_style({'font.sans-serif': ['simhei', 'Arial']})
# 设置图表主标题为“seaborn库的绘图风格”
plt.title('seaborn库的绘图风格')
# 使用 seaborn 绘制第一条折线图（x 对 y1）
sns.lineplot(x, y1)
# 使用 seaborn 绘制第二条折线图（x 对 y2）
sns.lineplot(x, y2)
# 使用 seaborn 绘制第三条折线图（x 对 y3）
sns.lineplot(x, y3)
# 显示图表
plt.show()


# 创建 x 序列：从 1 到 9，步长为 2
x = np.arange(1, 10, 2)
# 构造三条折线的数据
y1 = x + 1
y2 = x + 3
y3 = x + 5
# 封装绘图函数，绘制三条折线
def showLine(flip=1):
    sns.lineplot(x, y1)  # 绘制第一条线
    sns.lineplot(x, y2)  # 绘制第二条线
    sns.lineplot(x, y3)  # 绘制第三条线
# 创建一个图像对象，设置整体图像大小为 12x8 英寸
pic = plt.figure(figsize=(12, 8))
# 使用 Seaborn 的 darkgrid 风格
with sns.axes_style('darkgrid'):
    pic.add_subplot(2, 3, 1)  # 添加第一个子图（第1行第1列）
    showLine()
    plt.title('darkgrid')
# 使用 Seaborn 的 whitegrid 风格
with sns.axes_style('whitegrid'):
    pic.add_subplot(2, 3, 2)  # 添加第二个子图（第1行第2列）
    showLine()
    plt.title('whitegrid')
# 使用 Seaborn 的 dark 风格
with sns.axes_style('dark'):
    pic.add_subplot(2, 3, 3)  # 添加第三个子图（第1行第3列）
    showLine()
    plt.title('dark')
# 使用 Seaborn 的 white 风格
with sns.axes_style('white'):
    pic.add_subplot(2, 3, 4)  # 添加第四个子图（第2行第1列）
    showLine()
    plt.title('white')
# 使用 Seaborn 的 ticks 风格
with sns.axes_style('ticks'):
    pic.add_subplot(2, 3, 5)  # 添加第五个子图（第2行第2列）
    showLine()
    plt.title('ticks')
# 设置整体风格并修改字体和网格颜色等参数
sns.set_style(
    style='darkgrid',
    rc={
        'font.sans-serif': ['MicrosoftYaHei', 'SimHei'],  # 设置中文字体优先级
        'grid.color': 'black'  # 修改网格线颜色为黑色
    }
)
# 重设代码字体
mpl.rcParams['font.family'] = my_font.get_name()

# 添加第六个子图（第2行第3列）用于显示自定义风格效果
pic.add_subplot(2, 3, 6)
showLine()
plt.title('修改参数')
# 显示所有子图
plt.show()

findfont: Font family ['sans-serif'] not found. Falling back to DejaVu Sans.
findfont: Generic family 'sans-serif' not found because none of the following families were found: MicrosoftYaHei, SimHei
findfont: Font family ['sans-serif'] not found. Falling back to DejaVu Sans.
findfont: Generic family 'sans-serif' not found because none of the following families were found: MicrosoftYaHei, SimHei


# 设置 seaborn 的默认样式（包括颜色、网格等），等同于 sns.set_theme()
sns.set()
# 构造横轴数据（x），以及三条纵轴数据（y1, y2, y3）
x = np.arange(1, 10, 2)
y1 = x + 1
y2 = x + 3
y3 = x + 5
# 定义绘图函数，绘制三条折线图
def showLine(flip=1):
    sns.lineplot(x, y1)  # 第 1 条折线
    sns.lineplot(x, y2)  # 第 2 条折线
    sns.lineplot(x, y3)  # 第 3 条折线
# 创建一个图形窗口，大小为 8x8 英寸，DPI 为 100
pic = plt.figure(figsize=(8, 8), dpi=100)
# 使用 paper 上下文样式（适用于论文，元素尺寸最小）
with sns.plotting_context('paper'):
    pic.add_subplot(2, 2, 1)  # 添加第 1 个子图（左上）
    showLine()
    plt.title('paper')  # 设置标题
# 使用 notebook 上下文样式（默认值，适用于常规交互笔记本）
with sns.plotting_context('notebook'):
    pic.add_subplot(2, 2, 2)  # 添加第 2 个子图（右上）
    showLine()
    plt.title('notebook')
# 使用 talk 上下文样式（适合展示或汇报，字体和线条更大）
with sns.plotting_context('talk'):
    pic.add_subplot(2, 2, 3)  # 添加第 3 个子图（左下）
    showLine()
    plt.title('talk')
# 使用 poster 上下文样式（适合海报展示，元素最大）
with sns.plotting_context('poster'):
    pic.add_subplot(2, 2, 4)  # 添加第 4 个子图（右下）
    showLine()
    plt.title('poster')
# 显示所有子图
plt.show()


with sns.axes_style('white'):  # 设置 seaborn 风格为白色背景
    showLine()  # 调用自定义函数绘制三条折线图
    sns.despine()  # 默认移除上边框和右边框，提升图形简洁度
    plt.title('控制图形边框',fontproperties=my_font)  # 设置图标题
    # 重设代码字体
plt.show()  # 显示图形

with sns.axes_style('white'):  # 设置为白色背景
    data = np.random.normal(size=(20, 6)) + np.arange(6) / 2  # 生成模拟数据：正态分布 + 偏移量
    sns.boxplot(data=data)  # 绘制箱线图
    sns.despine(offset=10, left=False, bottom=False)  # 控制边框显示，保留左边和下边，并设置偏移量
        # 重设代码字体
    plt.title('控制图形边框',fontproperties=my_font)  # 设置图标题

plt.show()  # 显示图形


# 代码5-18
sns.palplot(sns.color_palette())  # 显示当前 seaborn 默认的颜色调色板，每种颜色以色块形式排列展示


# 代码5-19
palette = sns.color_palette('muted')  # 获取 seaborn 内置的 muted 柔和风格调色板
sns.palplot(palette)  # 将调色板绘制为色块序列，便于视觉预览


# 代码5-20
sns.palplot(sns.color_palette('hls', 8))  # 使用 HLS 色彩空间生成 8 种颜色，并绘制为色块用于预览


# 代码5-21
sns.palplot(sns.hls_palette(8, l=.3, s=.8))  # 生成一个包含 8 种颜色的 HLS 调色板，亮度为 0.3，饱和度为 0.8，并绘制色块


#代码5-22
sns.palplot(sns.color_palette('husl', 8))  # 使用 HUSL 色彩空间生成 8 种颜色，并绘制为色块展示


# 代码5-23
plt.plot(x, y1, sns.xkcd_rgb['pale red'], lw=3)  # 使用 XKCD 命名的浅红色绘制第一条线，线宽为3
plt.plot(x, y2, sns.xkcd_rgb['medium green'], lw=3)  # 使用中绿色绘制第二条线
plt.plot(x, y3, sns.xkcd_rgb['denim blue'], lw=3)  # 使用牛仔蓝色绘制第三条线
plt.title('线条颜色示例',fontproperties=my_font)  # 设置图表标题
plt.show()  # 显示折线图

colors = ['windows blue', 'amber', 'greyish', 'faded green', 'dusty purple']  # 自定义颜色名称列表（基于 XKCD 词典）
sns.palplot(sns.xkcd_palette(colors))  # 使用自定义颜色列表生成调色板并以色块形式展示


# 代码5-24
sns.palplot(sns.color_palette('Greens'))  # 显示“Greens”连续型调色板（浅绿 → 深绿）
sns.palplot(sns.color_palette('YlOrRd_r'))  # 显示“YlOrRd”调色板的反转版本（红 → 橙 → 黄）
sns.palplot(sns.color_palette('YlOrRd_d'))  # 显示“YlOrRd”调色板的离散版本，适合分类变量使用


# 代码5-25
sns.palplot(sns.cubehelix_palette(8, start=1, rot=0))  # 显示 Cubehelix 调色板（起点色调为1，无旋转）
x, y = np.random.multivariate_normal([0, 0], [[1, -.5], [-.5, 1]], size=300).T  # 生成二维正态分布数据，包含负相关

cmap = sns.cubehelix_palette(as_cmap=True)  # 将 Cubehelix 调色板转换为可连续使用的 cmap 对象
sns.kdeplot(x, y, cmap=cmap, shade=True)  # 绘制二维 KDE 密度图，应用连续颜色映射并填充阴影
plt.title('连续调色板')  # 设置图表标题
plt.show()  # 显示图形


# 代码5-26
sns.palplot(sns.light_palette('blue'))  # 创建以 blue 为基色的亮色渐变调色板，并以色块形式展示
sns.palplot(sns.dark_palette('yellow'))  # 创建以 yellow 为基色的暗色渐变调色板并展示
# 创建以 HUSL 色值为种子色的暗色调色板，反转顺序，作为 cmap 使用
pal = sns.dark_palette((200, 80, 60), input='husl', reverse=True, as_cmap=True)
sns.kdeplot(x, y, cmap=pal)  # 绘制 KDE 密度图，应用自定义 cmap 色带
plt.title('自定义连续调色板')  # 设置图标题
plt.show()  # 显示图形


# 代码5-27
sns.palplot(sns.color_palette('BrBG', 7))  # 显示“BrBG”分级调色板（棕 → 中性 → 绿，7色）
sns.palplot(sns.color_palette('RdBu_r', 7))  # 显示“RdBu”调色板的反转版本（蓝 → 白 → 红，7色）


# 代码5-28
sns.palplot(sns.color_palette('coolwarm', 7))  # 显示 coolwarm 分级调色板（蓝 → 白 → 红，7色）


# 代码5-29
sns.palplot(sns.diverging_palette(240, 10, n=7))  # 生成默认的蓝-红型分级调色板（7种颜色）
sns.palplot(sns.diverging_palette(150, 275, s=80, l=55, n=7))  # 自定义色相、饱和度和亮度的绿色-紫色分级调色板
sns.palplot(sns.diverging_palette(250, 15, s=75, l=40, n=7, center='dark'))  # 生成以暗色为中心的调色板，适合深色背景
sns.palplot(sns.diverging_palette(150, 275, s=80, l=55, n=7, sep=80))  # 使用 sep 参数控制中间区域宽度，使渐变更平滑


# 代码5-30
x = np.arange(1, 10, 2)  # 创建横轴数据
y1 = x + 1  # 第1条折线的y轴数据
y2 = x + 3  # 第2条折线的y轴数据
y3 = x + 5  # 第3条折线的y轴数据

def showLine(flip=1):  # 封装绘图函数
    sns.lineplot(x, y1)
    sns.lineplot(x, y2)
    sns.lineplot(x, y3)

mpl.rcParams['font.family'] = my_font.get_name()

showLine()  # 使用默认调色板绘图
plt.title('默认调色板')
plt.show()

sns.set_palette('YlOrRd_d')  # 设置全局调色板为“黄色-红色”渐变（离散）
showLine()
plt.title('使用set_palette设置调色板')
plt.show()

sns.set()  # 恢复所有默认设置
# 重设代码字体
mpl.rcParams['font.family'] = my_font.get_name()

pic = plt.figure(figsize=(8, 4))  # 创建画布，设置尺寸

with sns.color_palette('PuBuGn_d'):  # 临时设置调色板为蓝绿色离散色带
    pic.add_subplot(1, 2, 1)
    showLine()
    plt.title('使用color_palette设置调色板')

pic.add_subplot(1, 2, 2)  # 块外恢复默认调色板
showLine()
plt.title('默认调色板')

plt.show()


# 代码5-31
boston = pd.read_csv('./data/boston_house_prices.csv', encoding='gbk')  # 读取波士顿房价数据，支持中文列名
plt.rcParams['axes.unicode_minus'] = False  # 显示负号正常
corr = boston.corr()  # 计算各特征之间的相关系数矩阵
sns.heatmap(corr)  # 使用 Seaborn 绘制热力图展示相关性
plt.title('特征矩阵热力图')  # 设置图表标题
plt.show()  # 显示图表


# 代码5-32
plt.figure(figsize=(10, 10))  # 设置图像尺寸为10x10英寸，避免标签重叠
sns.heatmap(corr, annot=True, fmt='.2f')  # 绘制相关系数热力图，annot显示数值，fmt保留两位小数
plt.title('特征矩阵热力图')  # 设置图表标题
plt.show()  # 显示图表


# 代码5-33
# 提取部门为销售部、离职为1的数据
sale = hr.iloc[(hr['部门'].values=='销售部') & (hr['离职'].values==1), :]  # 提取“销售部”且已离职的员工数据子集
sns.stripplot(x=sale['每月平均工作小时数（小时）'])  # 绘制工作时长的水平分布散点图
plt.title('简单水平分布散点图')  # 设置图表标题
plt.show()  # 显示图表


# 代码5-34
hr1 = hr.iloc[hr['离职'].values==1, :]  # 提取所有已离职员工的数据
plt.figure(figsize=(10, 5))  # 设置画布大小为10x5英寸

plt.subplot(121)  # 创建第一个子图（左侧）
plt.xticks(rotation=70)  # X轴标签旋转70度，防止部门名重叠
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', data=hr1)  # 默认启用随机抖动，展示散点分布
plt.title('默认随机噪声抖动')  # 设置子图标题

plt.subplot(122)  # 创建第二个子图（右侧）
plt.xticks(rotation=70)
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', data=hr1, jitter=False)  # 禁用抖动，点严格对齐
plt.title('无随机噪声抖动')  # 设置子图标题

plt.show()  # 显示两个子图


# 代码5-35
# 提取高薪在职的数据
hr2 = hr.iloc[(hr['薪资'].values=='高') & (hr['离职'].values==0), :]  # 筛选高薪且仍在职的员工数据
sns.stripplot(x='5年内升职', y='每月平均工作小时数（小时）', hue='部门', data=hr2, jitter=True)  # 绘制按部门分类的工作时长散点图
plt.title('前5年是否晋升与平均每月工作时长')  # 设置图表标题
plt.show()  # 显示图形


# 代码5-36
plt.figure(figsize=(10, 13))  # 设置整个图像的大小为10x13英寸

plt.subplot(211)  # 创建第一个子图（堆叠显示）
plt.xticks(rotation=70)  # 部门名称旋转，防止重叠
plt.title('不同部门的平均每月工作时长')  # 设置子图标题
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr2)  # 不同晋升状态在同一位置显示（默认堆叠）

plt.subplot(212)  # 创建第二个子图（横向分离显示）
plt.xticks(rotation=70)
sns.stripplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr2, dodge=True)  # 设置dodge=True，横向错开显示

plt.show()  # 展示完整图像


# 代码5-37
sns.swarmplot(x='部门', y='每月平均工作小时数（小时）', data=hr2)  # 绘制不同部门的工作时长分布（无重叠散点图）
plt.xticks(rotation=70)  # X轴标签旋转，防止重叠
plt.title('不同部门的平均每月工作时长')  # 设置图表标题
plt.show()  # 显示图表


# 代码5-38
sns.swarmplot(x='部门', y='每月平均工作小时数（小时）', hue='5年内升职', data=hr2)  # 绘制部门与晋升状态分组的工作时长分布图
plt.xticks(rotation=30)  # X轴标签旋转 30 度，避免重叠
plt.title('不同部门的平均每月工作时长')  # 设置图表标题
plt.show()  # 显示图表


# 代码5-39
fig, axes = plt.subplots(1, 2, figsize=(8, 4))  # 创建 1 行 2 列的子图布局，图像大小为 8x4 英寸
axes[0].set_title('修改前的线性回归拟合图')  # 设置第一个子图的标题
axes[1].set_title('修改后的线性回归拟合图')  # 设置第二个子图的标题
sns.regplot(x='房间数（间）', y='房屋价格（美元）', data=boston, ax=axes[0])  # 绘制默认置信区间（95%）的线性回归图
sns.regplot(x='房间数（间）', y='房屋价格（美元）', data=boston, ci=50, ax=axes[1])  # 绘制置信区间为 50% 的回归图
plt.show()  # 显示图像

	用户编号	满意度	评分	总项目数	每月平均工作小时数（小时）	工龄（年）	离职	部门	薪资
0	1	0.38	0.53	2	157	3	1	销售部	低
1	2	0.80	0.86	5	242	6	1	销售部	中
2	3	0.11	0.88	7	242	4	1	销售部	中

📊 分析员工满意度与平均每月工作时长的关系¶

📊 员工满意度与平均每月工作时长的可视化流程说明¶

📊 使用 Matplotlib 绘制多条直线图¶

📊 使用 Seaborn 绘制多条折线图并设置绘图风格¶

📊 使用 Seaborn 的多种绘图风格进行对比展示¶

📊 使用 Seaborn 的不同绘图上下文（plotting context）展示图表尺寸变化¶

📐 使用 `sns.despine()` 控制图形边框的显示¶

🎨 显示当前 Seaborn 默认调色板¶

🎨 使用 `muted` 调色板展示 Seaborn 的配色风格¶

🌈 使用 HLS 色彩空间生成的调色板¶

🎨 使用 `hls_palette()` 自定义亮度和饱和度的配色方案¶

🌈 使用 HUSL 色彩空间生成调色板¶

🎨 使用 XKCD 命名颜色与自定义调色板¶

🌗 展示连续型与离散型调色板的使用差异¶

🌈 使用 Cubehelix 生成连续调色板并应用于密度图¶

🎨 使用 light_palette 和 dark_palette 创建连续调色板¶

🔄 使用分级调色板（diverging palette）可视化中性到极端值的配色¶

🌡️ 使用 `coolwarm` 分级调色板进行可视化¶

🔄 使用 `diverging_palette()` 构造自定义分级调色板¶

🎨 设置 Seaborn 调色板的多种方式¶

🔥 使用热力图展示特征之间的相关性¶

🧊 显示带数值标签的特征相关性热力图¶

📌 使用 Stripplot 绘制销售部离职员工的工作时长分布¶

🎯 比较 Stripplot 的默认随机抖动与无抖动效果¶

💼 高薪在职员工的晋升与工作时长可视化¶

📊 比较分组堆叠与分离显示效果的 Stripplot 图¶

🐝 使用 Swarmplot 显示分组数据的真实分布¶

🐝 Swarmplot 分组对比展示晋升与工作时长关系¶

📈 使用 regplot 展示房间数与房价之间的线性关系¶

📊 分析员工满意度与平均每月工作时长的关系¶

📊 员工满意度与平均每月工作时长的可视化流程说明¶

📊 使用 Matplotlib 绘制多条直线图¶

📊 使用 Seaborn 绘制多条折线图并设置绘图风格¶

📊 使用 Seaborn 的多种绘图风格进行对比展示¶

📊 使用 Seaborn 的不同绘图上下文（plotting context）展示图表尺寸变化¶

📐 使用 sns.despine() 控制图形边框的显示¶

🎨 显示当前 Seaborn 默认调色板¶

🎨 使用 muted 调色板展示 Seaborn 的配色风格¶

🌈 使用 HLS 色彩空间生成的调色板¶

🎨 使用 hls_palette() 自定义亮度和饱和度的配色方案¶

🌈 使用 HUSL 色彩空间生成调色板¶

🎨 使用 XKCD 命名颜色与自定义调色板¶

🌗 展示连续型与离散型调色板的使用差异¶

🌈 使用 Cubehelix 生成连续调色板并应用于密度图¶

🎨 使用 light_palette 和 dark_palette 创建连续调色板¶

🔄 使用分级调色板（diverging palette）可视化中性到极端值的配色¶

🌡️ 使用 coolwarm 分级调色板进行可视化¶

🔄 使用 diverging_palette() 构造自定义分级调色板¶

🎨 设置 Seaborn 调色板的多种方式¶

🔥 使用热力图展示特征之间的相关性¶

🧊 显示带数值标签的特征相关性热力图¶

📌 使用 Stripplot 绘制销售部离职员工的工作时长分布¶

🎯 比较 Stripplot 的默认随机抖动与无抖动效果¶

💼 高薪在职员工的晋升与工作时长可视化¶

📊 比较分组堆叠与分离显示效果的 Stripplot 图¶

🐝 使用 Swarmplot 显示分组数据的真实分布¶

🐝 Swarmplot 分组对比展示晋升与工作时长关系¶

📈 使用 regplot 展示房间数与房价之间的线性关系¶

📐 使用 `sns.despine()` 控制图形边框的显示¶

🎨 使用 `muted` 调色板展示 Seaborn 的配色风格¶

🎨 使用 `hls_palette()` 自定义亮度和饱和度的配色方案¶

🌡️ 使用 `coolwarm` 分级调色板进行可视化¶

🔄 使用 `diverging_palette()` 构造自定义分级调色板¶