编程图形化资料的准备需要遵循以下步骤：
数据收集
确定数据来源，如数据库、API接口、文件等。
明确数据的类型和格式，确保数据的质量和可靠性。
数据处理
数据清洗：去除重复项、处理缺失值、标准化数据格式等，以确保数据的准确性和一致性。
数据转换：根据需要对数据进行转换，如时间格式转换、数值格式调整等。
特征提取：从原始数据中提取有用的特征，以便于后续的分析和可视化。
选择合适的工具
根据具体需求和技能选择合适的编程语言和可视化库。
常用的编程语言和库包括：
Python：Matplotlib、Seaborn、Plotly等。
R语言：ggplot2。
商业智能工具：FineBI、FineReport、FineVis等。
图表生成
根据数据类型和分析目的选择合适的图表类型，如柱状图、折线图、饼图、散点图等。
使用所选工具生成图表，并设置合适的样式和属性，以提高图表的可读性和美观度。
交互功能设计
如果需要，为图表添加交互功能，如数据筛选、缩放、悬停提示等，以提高用户体验。
优化与发布
对生成的图表进行优化，确保在不同设备和屏幕上的显示效果。
将图表集成到报告、仪表板或Web应用中，便于分享和展示。
示例代码
```python
import matplotlib.pyplot as plt
数据
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 40]
创建图表
plt.plot（x, y）
plt.xlabel（'X轴标签'）
plt.ylabel（'Y轴标签'）
plt.title（'折线图示例'）
显示图表
plt.show（）
```
建议
选择合适的工具：根据具体需求和技能选择合适的编程语言和可视化库，可以提高工作效率和图表质量。
注重数据清洗：确保数据的准确性和一致性，是数据可视化的基础。
交互性：根据需求为图表添加交互功能，可以提升用户体验和分析效率。
持续优化：不断学习和尝试新的工具和方法，优化图表的显示效果和交互体验。