Qwen2.5-Coder-1.5B效果展示：自动生成数据可视化代码

大一一新生

334人浏览 · 2026-02-12 11:06:10

大一一新生 · 2026-02-12 11:06:10 发布

Qwen2.5-Coder-1.5B效果展示：自动生成数据可视化代码

你是不是也遇到过这种情况？手头有一堆数据，想做个图表看看趋势，结果光是写画图的代码就折腾半天。从导入库、处理数据，到调用绘图函数、调整样式，每个步骤都得查文档、调参数，一个简单的折线图可能就得花上半小时。

最近我试了试Qwen2.5-Coder-1.5B这个专门写代码的模型，发现它生成数据可视化代码的能力相当不错。这个模型只有15亿参数，但写出来的代码质量却让人眼前一亮。今天我就带大家看看，它到底能生成什么样的图表代码，效果到底怎么样。

1. 先看看它能做什么

Qwen2.5-Coder-1.5B是个专门为写代码设计的模型，属于Qwen2.5-Coder系列里比较小的一个版本。别看它参数不多，但在代码生成、代码推理这些任务上表现还挺突出的。

我主要测试了它在数据可视化方面的能力，就是让它根据我的描述，自动生成Python代码来画各种图表。比如我说“帮我画个折线图，展示过去一周的销售额变化”，它就能给我一段完整的代码，我直接运行就能看到图表。

这个模型支持超过40种编程语言，不过我们今天主要看Python。它还有个特点，就是上下文长度能达到32768个token，这意味着它能记住比较长的对话历史，对于连续修改代码的场景很有帮助。

2. 效果展示：从简单到复杂

2.1 基础折线图：一周销售趋势

我先从最简单的开始，让它生成一个展示一周销售额变化的折线图。

我给的提示是：“用Python的matplotlib画一个折线图，展示过去一周每天的销售额，数据是[1200, 1500, 1300, 1700, 1600, 1800, 2000]，x轴是星期一到星期日。”

它生成的代码是这样的：

import matplotlib.pyplot as plt

# 数据
days = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
sales = [1200, 1500, 1300, 1700, 1600, 1800, 2000]

# 创建图表
plt.figure(figsize=(10, 6))
plt.plot(days, sales, marker='o', linewidth=2, color='blue')

# 添加标题和标签
plt.title('Weekly Sales Trend', fontsize=16, fontweight='bold')
plt.xlabel('Day of Week', fontsize=12)
plt.ylabel('Sales ($)', fontsize=12)

# 添加网格
plt.grid(True, linestyle='--', alpha=0.7)

# 调整布局
plt.tight_layout()
plt.show()

运行这段代码，出来的图表挺规范的。该有的元素都有：标题、坐标轴标签、数据点标记、网格线。样式也调得不错，线条粗细、颜色、标记点都设置得比较合理。

让我觉得不错的是，它知道用tight_layout()来调整布局，避免标签被截断。这个细节很多新手可能会忽略。

2.2 分组柱状图：产品类别对比

接下来我试了个稍微复杂点的，分组柱状图。我想看看不同产品类别在不同季度的销售情况。

我的提示是：“生成一个分组柱状图，比较三个产品类别（电子产品、服装、家居）在四个季度的销售额。数据用字典格式提供。”

它给的代码：

import matplotlib.pyplot as plt
import numpy as np

# 数据
categories = ['Electronics', 'Clothing', 'Home']
quarters = ['Q1', 'Q2', 'Q3', 'Q4']

# 每个类别在每个季度的销售额
sales_data = {
    'Electronics': [45000, 52000, 48000, 55000],
    'Clothing': [32000, 38000, 42000, 40000],
    'Home': [28000, 31000, 35000, 33000]
}

# 设置柱状图位置
x = np.arange(len(quarters))  # 季度位置
width = 0.25  # 柱状图宽度
multiplier = 0

# 创建图表
fig, ax = plt.subplots(figsize=(12, 7))

# 为每个类别绘制柱状图
for category, sales in sales_data.items():
    offset = width * multiplier
    rects = ax.bar(x + offset, sales, width, label=category)
    ax.bar_label(rects, padding=3, fmt='${:,.0f}')
    multiplier += 1

# 添加标题和标签
ax.set_title('Quarterly Sales by Product Category', fontsize=16, fontweight='bold')
ax.set_xlabel('Quarter', fontsize=12)
ax.set_ylabel('Sales ($)', fontsize=12)
ax.set_xticks(x + width)
ax.set_xticklabels(quarters)
ax.legend(loc='upper left')
ax.set_ylim(0, 60000)

# 添加网格
ax.grid(True, axis='y', linestyle='--', alpha=0.7)

plt.tight_layout()
plt.show()

这个代码就更有水平了。它用了numpy来精确控制柱状图的位置，确保三个类别的柱子能正确分组显示。每个柱子上还加了数据标签，直接显示具体数值，这个功能很实用。

我注意到它设置了合适的y轴范围（set_ylim），让图表看起来更协调。图例位置也选得不错，放在左上角不影响数据展示。

2.3 热力图：相关性分析

热力图在数据分析中经常用到，特别是看变量之间的相关性。我让模型生成一个展示多个变量相关性的热力图。

提示是：“创建一个相关性热力图，展示5个变量之间的相关系数。使用seaborn库，数据随机生成即可。”

生成的代码：

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

# 生成随机数据
np.random.seed(42)
data = np.random.randn(100, 5)  # 100个样本，5个变量
columns = ['Variable_A', 'Variable_B', 'Variable_C', 'Variable_D', 'Variable_E']
df = pd.DataFrame(data, columns=columns)

# 计算相关系数矩阵
corr_matrix = df.corr()

# 创建热力图
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, 
            annot=True,  # 显示数值
            fmt='.2f',   # 数值格式
            cmap='coolwarm',  # 颜色映射
            center=0,    # 颜色中心点
            square=True, # 保持正方形
            linewidths=0.5,  # 单元格边框
            cbar_kws={"shrink": 0.8})  # 颜色条设置

# 添加标题
plt.title('Correlation Heatmap of Variables', fontsize=16, fontweight='bold', pad=20)

plt.tight_layout()
plt.show()

这段代码用到了seaborn，这是数据可视化中很常用的库。它生成的热力图包含了所有必要的元素：相关系数矩阵计算、数值标注、颜色映射、网格线。

我特别喜欢它选的coolwarm颜色映射，暖色表示正相关，冷色表示负相关，中间是白色，视觉效果很清晰。annot=True这个参数让每个单元格都显示具体的相关系数值，对于分析来说非常有用。

2.4 组合图表：多子图展示

有时候我们需要在一个画布上展示多个相关的图表。我让模型生成一个包含4个子图的组合图表，每个子图展示不同类型的数据。

提示：“创建一个2x2的子图布局，包含折线图、散点图、柱状图和箱线图，使用模拟数据。”

代码是这样的：

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
np.random.seed(123)
x = np.linspace(0, 10, 100)
y_line = np.sin(x) + np.random.normal(0, 0.1, 100)
x_scatter = np.random.randn(50)
y_scatter = x_scatter + np.random.randn(50) * 0.5
categories = ['A', 'B', 'C', 'D', 'E']
values_bar = np.random.randint(10, 50, 5)
data_box = [np.random.normal(i, 1, 100) for i in range(4)]

# 创建2x2子图
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle('Multiple Chart Types Dashboard', fontsize=18, fontweight='bold', y=1.02)

# 1. 折线图
axes[0, 0].plot(x, y_line, color='blue', linewidth=2)
axes[0, 0].set_title('Time Series with Noise', fontsize=12)
axes[0, 0].set_xlabel('Time')
axes[0, 0].set_ylabel('Value')
axes[0, 0].grid(True, alpha=0.3)

# 2. 散点图
axes[0, 1].scatter(x_scatter, y_scatter, alpha=0.6, color='green', edgecolors='black')
axes[0, 1].set_title('Scatter Plot with Correlation', fontsize=12)
axes[0, 1].set_xlabel('X Variable')
axes[0, 1].set_ylabel('Y Variable')
axes[0, 1].grid(True, alpha=0.3)

# 3. 柱状图
axes[1, 0].bar(categories, values_bar, color=['red', 'blue', 'green', 'orange', 'purple'])
axes[1, 0].set_title('Category Comparison', fontsize=12)
axes[1, 0].set_xlabel('Category')
axes[1, 0].set_ylabel('Value')
axes[1, 0].set_ylim(0, 55)

# 4. 箱线图
axes[1, 1].boxplot(data_box, labels=['Group1', 'Group2', 'Group3', 'Group4'])
axes[1, 1].set_title('Distribution Comparison', fontsize=12)
axes[1, 1].set_xlabel('Group')
axes[1, 1].set_ylabel('Value')

# 调整布局
plt.tight_layout()
plt.show()

这个代码展示了模型处理复杂任务的能力。它在一个画布上创建了4个不同类型的图表，每个图表都有合适的数据、标题、标签和样式。

我注意到它给每个子图都设置了合适的标题和坐标轴标签，整体布局用tight_layout()调整得很好。箱线图那里还知道用labels参数给每个箱体命名，这个细节处理得不错。