用途：该技能用于创建有效的数据可视化，核心是依据数据特征与受众，选择合适的可视化库、图表类型和交互程度。适用场景包括：为项目挑选可视化库、在探索性数据分析（EDA）中绘制图表、构建交互式仪表盘、产出出版级图形，以及理解各库之间的取舍。
主要能力：提供库选择指南（2026），对比 Matplotlib（出版级静态图、精细控制）、Seaborn（统计可视化、快速 EDA）、Plotly（交互式网页图表与仪表盘）、Altair（声明式统计图表、大数据集）、hvPlot/HoloViz（大数据、联动刷选、地理空间）、Bokeh（自定义交互式 Web 应用）在交互性与学习曲线上的差异。给出快速决策树：静态出版图选 Matplotlib 或 Seaborn；交互式网页/仪表盘选 Plotly、Dash、Panel/HoloViz 或 Bokeh；十万级以上数据点选 hvPlot + Datashader 或 Altair；偏好声明式语法选 Altair 或 Plotly Express；已用 Pandas 可用 df.plot()、df.hvplot()、px.scatter(df)。还总结核心原则：图表匹配数据与问题（分布、关系、构成、比较、时间趋势、地理）、最大化数据墨水比、按受众选择交互级别。
使用方式：资料给出各库的简短代码示例，如 Matplotlib 的 fig, ax = plt.subplots(...) 与 ax.scatter(...)；Seaborn 的 sns.histplot、sns.heatmap、sns.boxplot；Plotly Express 的 px.scatter、px.line；Altair 的 alt.Chart(...).mark_circle().encode(...).interactive() 与 chart.save('chart.html')；hvPlot 的 df.hvplot.scatter 配合 panel 布局；Bokeh 的 figure、ColumnDataSource 与 HoverTool。
限制与注意事项：资料列出反模式，包括多切片饼图、双 Y 轴、3D 图表、彩虹色图、缺少标签标题单位、未处理过度绘制。常见问题与解决方案涵盖过度绘制（Datashader、hexbin、二维直方图）、交互缓慢（减少数据点、WebGL、预聚合）、文件过大（JSON 或静态图）、色盲友好调色板。另提供进阶参考文件（Matplotlib 高级、Seaborn 统计、Plotly Dash、Altair 语法、HoloViz/Datashader、Bokeh Server）及相关技能。具体安装命令与收费信息暂未提供。