使用Python制作Excel组合图表的完整指南

这一篇主要解决一个很常见的问题：单独看柱形图只能看数量，单独看折线图只能看趋势，但真实汇报往往需要同时看“量”和“变化”。比如桌面支持月报里，既要看每个月工单数量，又要看解决率、满意度、平均处理时长，如果分成多张图，读者就要来回对照；如果强行塞进同一个坐标轴，又很容易因为量级不同导致折线贴地爬行。

组合图的价值就在这里：柱形图负责表达数量，折线图负责表达趋势，一张图把多个维度的信息放到同一个分析场景里。

这张图展示了组合图表的核心主题：用柱形图看数量，用折线图看趋势。

从这张图中可以看出，组合图并不是为了“把图做得更复杂”，而是为了让一张图同时承载数量、趋势、比例、变化方向等信息。这里要注意，组合图只有在数据关系明确时才有价值，不能为了炫技硬组合。

读完这篇文章，至少要带走三件事：

1. 知道什么时候应该使用组合图，而不是柱形图或折线图；
2. 理解同坐标轴组合图和双 y 轴组合图的区别；
3. 能用 Python 从 Excel 读取数据，生成一张可用于报告的组合图 PNG。

2. 绘制组合图：同坐标轴适合量级相近的数据

组合图最简单的做法，就是把柱形图和折线图直接画在同一个坐标轴上。这个方法适合两组数据的数值范围差不多，比如“工单数量”和“处理时长评分”、“销售额”和“订单数量指数”这类相对接近的数据。

但这里有一个硬前提：两组数据的量级必须接近。如果一组数据是 0～10000，另一组数据是 0～100，强行放在同一个 y 轴上，小的那条线基本看不清——这种图表不是在做分析，而是在制造误读。

这张图展示了同坐标轴组合图的效果，适合把量级相近的数据放在一起观察。

从这张图中可以看出，柱形图和折线图共享同一个 y 轴，读者可以直接比较两组数据的变化节奏。它的优点是简单直观，缺点也明显：一旦两组数据量级差异过大，图表就会失真。

下面是同坐标轴组合图的最小可用代码：

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

months = ["1月", "2月", "3月", "4月", "5月", "6月"]
tickets = [120, 98, 135, 110, 150, 160]      # 柱形：工单数量
a vg_time = [80, 75, 90, 82, 88, 95]          # 折线：处理效率评分

x = np.arange(len(months))

plt.figure(figsize=(9, 6))

plt.bar(x, tickets, width=0.6, label="工单数量", alpha=0.75)
plt.plot(x, a vg_time, marker="o", linewidth=2, label="处理效率评分")

plt.xticks(x, months)
plt.title("组合图：工单数量 + 处理效率评分")
plt.xlabel("月份")
plt.ylabel("数值")
plt.grid(axis="y", linestyle="--", alpha=0.4)
plt.legend()
plt.tight_layout()
plt.show()

推荐做法：同坐标轴组合图适合用在“两个指标都能放到同一个数值尺度下解释”的场景。只要你发现其中一条线被压得几乎看不见，就不要硬撑，应该改用双 y 轴。

3. 设置不同坐标轴：双 y 轴组合图解决量级差异

真实工作里更常见的是另一种情况：柱形图表示数量，折线图表示百分比。比如“工单数量”可能是几千单，“解决率”却是 0～100%。这两个指标如果放在同一个 y 轴上，解决率折线会被压扁，看起来几乎没有变化。

这时候就要用 Matplotlib 的 twinx() 创建第二个 y 轴。左边 y 轴给柱形图，右边 y 轴给折线图。

这张图展示了双 y 轴组合图的典型用法：左轴看工单量，右轴看解决率。

从这张图中可以看出，双 y 轴最大的价值就是解决“单位不同、量级不同”的问题。左侧 y 轴承载数量，右侧 y 轴承载百分比，读者既能看到业务量变化，也能看到质量指标是否跟得上。

下面是双 y 轴组合图的代码模板：

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

months = ["1月", "2月", "3月", "4月", "5月", "6月"]
tickets = [120, 98, 135, 110, 150, 160]      # 柱形：工单数量
solve_rate = [92, 88, 95, 90, 96, 97]        # 折线：解决率

x = np.arange(len(months))

fig, ax1 = plt.subplots(figsize=(9, 6))

# 左轴：柱形图
ax1.bar(x, tickets, width=0.6, alpha=0.75, label="工单数量")
ax1.set_xlabel("月份")
ax1.set_ylabel("工单数量（单）")
ax1.set_xticks(x)
ax1.set_xticklabels(months)
ax1.grid(axis="y", linestyle="--", alpha=0.4)

# 右轴：折线图
ax2 = ax1.twinx()
ax2.plot(x, solve_rate, marker="o", linewidth=2, linestyle="--", label="解决率（%）")
ax2.set_ylabel("解决率（%）")
ax2.set_ylim(0, 100)

# 合并图例
h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left")

plt.title("组合图：工单数量（柱） + 解决率（折线）")
plt.tight_layout()
plt.show()

注意：双 y 轴不是万能方案。它能提高可读性，也可能制造误解。尤其是右轴范围如果随意缩放，会让一条折线看起来“波动很大”，实际可能只是 1%～2% 的变化。

4. 组合图的核心判断：不是能不能画，而是该不该画

很多人学图表时容易进入一个误区：只要代码能画出来，就觉得图表是合理的。但在真实汇报里，图表首先是表达工具，不是代码炫技。组合图尤其如此，因为它把两个甚至多个指标放在一起，如果没有清晰的业务关系，读者反而更难理解。

判断一张组合图是否应该使用，通常看三个问题：

1. 两组数据是否有业务关联；
2. 两组数据是否需要放在同一时间维度下观察；
3. 读者是否能通过一张图得出更清晰的判断。

举个桌面运维的例子：

推荐做法：组合图应该服务于一个明确判断，例如“业务量增加后，服务质量有没有下降？”、“工单减少后，处理效率有没有提升？”。如果没有这种判断目标，就不建议强行做组合图。

5. 企业可交付版：从 Excel 读取数据，一键生成组合图并保存 PNG

如果只是手写几组列表画图，学习意义有，但工作价值有限。真正能落地的做法，是从 Excel 读取数据，然后自动生成 PNG。这样每次月报、周报、数据复盘，只需要更新 Excel 数据，脚本就能重新输出图表。

这张图展示了从 Excel 数据读取、Python 生成组合图、最终保存 PNG 的完整流程。

从这张图中可以看出，自动化出图的关键不在于单个绘图函数，而在于形成一条完整链路：读取数据 → 清洗字段 → 生成图表 → 保存文件 → 用于报告。这才是办公自动化的实际价值。

假设 Excel 中有三列：

可以使用下面这段代码生成组合图：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

def excel_to_combo_chart(
    xlsx_path: str,
    sheet: str,
    x_col: str,
    bar_col: str,
    line_col: str,
    out_png: str = "out/combo.jpg",
    line_is_percent: bool = True
):
    df = pd.read_excel(xlsx_path, sheet_name=sheet)

    # 读取并清洗数据
    x_labels = df[x_col].astype(str).tolist()
    bar = pd.to_numeric(df[bar_col], errors="coerce").fillna(0).tolist()
    line = pd.to_numeric(df[line_col], errors="coerce").fillna(0).tolist()

    x = np.arange(len(x_labels))

    fig, ax1 = plt.subplots(figsize=(10, 6))

    # 左轴：柱形图
    ax1.bar(x, bar, width=0.6, alpha=0.75, label=bar_col)
    ax1.set_xlabel(x_col)
    ax1.set_ylabel(bar_col)
    ax1.set_xticks(x)
    ax1.set_xticklabels(x_labels)
    ax1.grid(axis="y", linestyle="--", alpha=0.4)

    # 给柱形图加数据标签
    for i, v in enumerate(bar):
        ax1.text(i, v, str(int(v)), ha="center", va="bottom")

    # 右轴：折线图
    ax2 = ax1.twinx()
    ax2.plot(x, line, marker="o", linewidth=2, linestyle="--", label=line_col)
    ax2.set_ylabel(line_col)

    if line_is_percent:
        ax2.set_ylim(0, 100)

    # 合并图例
    h1, l1 = ax1.get_legend_handles_labels()
    h2, l2 = ax2.get_legend_handles_labels()
    ax1.legend(h1 + h2, l1 + l2, loc="upper left")

    plt.title(f"组合图：{bar_col}（柱） + {line_col}（折线）")
    plt.tight_layout()

    out_png = Path(out_png)
    out_png.parent.mkdir(parents=True, exist_ok=True)
    plt.sa vefig(out_png, dpi=200)
    plt.close()

    return str(out_png)

if __name__ == "__main__":
    png = excel_to_combo_chart(
        xlsx_path="report.xlsx",
        sheet="数据",
        x_col="月份",
        bar_col="工单数量",
        line_col="解决率",
        out_png="out/组合图_工单数量_解决率.jpg",
        line_is_percent=True
    )
    print("已输出：", png)

这段代码的关键点有三个：第一，使用 pandas 从 Excel 读取数据；第二，使用 twinx() 创建双 y 轴；第三，将图表保存为 PNG，方便插入 Word、PPT、Excel 或后续报告文档。

不要只看脚本有没有报错。生成图片以后，一定要打开 PNG 检查标题、图例、单位、数据范围是否合理。图能生成，不代表图就是对的。

6. 常见坑：组合图最容易“看着对，其实错”

组合图最危险的地方，不是代码写不出来，而是图表看起来很专业，实际表达却有问题。尤其是双 y 轴组合图，如果坐标范围、单位、图例没有处理好，读者很容易被误导。

这张图展示了组合图常见坑与规范，包括单位清楚、标签清晰、范围锁定、图例合并等关键点。

从这张图中可以看出，一张可交付的组合图不只是“柱形 + 折线”这么简单，还要保证单位清楚、标签不拥挤、图例能看懂、百分比范围合理。否则图表越复杂，误导风险越高。

6.1 右轴不锁范围，趋势可能被夸大

如果折线表示百分比，比如解决率、满意度、达成率，建议右轴固定为 0～100。否则 Matplotlib 自动缩放后，95% 到 97% 的变化可能被画得像大幅波动。

ax2.set_ylim(0, 100)

推荐做法：百分比指标优先锁定 0～100，除非你明确告诉读者这是局部放大图。

6.2 两边单位不写清楚，图表就没有交付价值

左轴是“单”，右轴是“%”，必须写在轴标题里。否则读者只能靠猜，这对技术文章和工作汇报都不合格。

ax1.set_ylabel("工单数量（单）")
ax2.set_ylabel("解决率（%）")

6.3 图例只显示一边，会导致读者看不懂

双 y 轴图表有两个坐标轴对象，分别是 ax1 和 ax2。如果只调用一边的 legend()，图例可能只显示柱形图，不显示折线图。

h1, l1 = ax1.get_legend_handles_labels()
h2, l2 = ax2.get_legend_handles_labels()
ax1.legend(h1 + h2, l1 + l2, loc="upper left")

这个问题很隐蔽。因为图已经画出来了，但读者不知道每条线代表什么，最终会降低整张图的可信度。

7. 效果验证：一张组合图是否合格，看这 5 点

脚本执行完成以后，不要只看 PNG 文件是否生成。更建议从“交付视角”检查图表，因为组合图最终是给人看的，不是给 Python 自己看的。

通常按下面 5 点验收：

1. 标题是否说明图表主题：例如“工单数量 + 解决率趋势”；
2. 左右 y 轴单位是否明确：一个是数量，一个是百分比；
3. 图例是否完整：柱形和折线都能对应上；
4. 数据标签是否影响阅读：标签不能挤在一起；
5. 坐标范围是否合理：百分比是否锁定 0～100，数量是否留有顶部空间。

真正的验证不是“有没有生成图”，而是“图能不能支持你要表达的判断”。比如你要说明“工单量增长但解决率没有下降”，那读者应该能从图里一眼看出来。

8. 本节小结：组合图是一张图讲完“量 + 趋势 + 质量”

这节内容真正需要掌握的不是某一行代码，而是组合图背后的表达逻辑。柱形图适合表达数量，折线图适合表达趋势，双 y 轴适合处理不同单位和不同量级的数据。

把核心内容总结成四句话：

• 同量级数据：可以使用同坐标轴组合图；
• 不同量级数据：优先考虑双 y 轴组合图；
• 百分比指标：建议锁定 0～100，避免视觉误导；
• 自动化交付：从 Excel 读取数据，生成 PNG，才是真正可复用的办公自动化流程。

组合图不是为了让图表“看起来高级”，而是为了让读者在一张图里同时看清：业务量有没有变化，趋势有没有变化，质量有没有跟上。

9. 总结提升

这一篇的核心，不是简单记住“制作组合图表展示多维信息”这个小节名称，而是要把它放到 Python + Excel 办公自动化的完整路径里理解。

真正有价值的实践，应该做到三点：

1. 知道它解决什么问题：不是为了画图而画图，而是为了让数据表达更清楚；
2. 知道代码为什么这样写：尤其是 twinx()、图例合并、坐标范围锁定这些关键点；
3. 知道如何验证结果：图表生成以后，要检查单位、范围、图例和业务结论是否一致。

如果只会复制代码，但不能判断图表是否误导读者，这类图表反而会降低汇报质量。

所以建议把组合图当成一个“汇报表达工具”，而不是单纯的 Matplotlib 练习。后续写周报、月报、工单统计、镜像上线效果评估时，这类图非常实用。