Matplotlib - 数据可视化基础

官方文档：Matplotlib Docs | Pyplot Tutorial

一、简介

Matplotlib 是 Python 最基础、最经典的 2D 绘图库，几乎所有数据可视化库（Seaborn、Pandas 的 .plot()）底层都在调用它。它的目标是让绘图这件事既能"一行代码画个图"应付快速探索，也能"逐个像素调整"做出发表级图表。

一句话：NumPy 是算数据的，Pandas 是理数据的，Matplotlib 是把数据画出来的。

1.1 安装与导入

pip install matplotlib

import matplotlib.pyplot as plt
import numpy as np

约定俗成把 matplotlib.pyplot 起别名 plt，几乎所有教程和代码都这么写。

1.2 中文与负号显示

Matplotlib 默认字体不支持中文，中文会显示成方框；同时启用中文字体后，坐标轴的负号也会显示异常。开头统一加两行即可：

plt.rcParams['font.sans-serif'] = ['SimHei']   # 用黑体显示中文
plt.rcParams['axes.unicode_minus'] = False     # 正常显示负号

字体按系统换

Windows 用 SimHei（黑体）或 Microsoft YaHei（微软雅黑）；macOS 用 Arial Unicode MS 或 PingFang SC；Linux 需要自己安装中文字体（如 WenQuanYi Zen Hei）。

---

二、核心概念 ⭐⭐⭐

要把 Matplotlib 用明白，最关键的不是记 API，而是先建立三层结构的心智模型：Figure → Axes → Axis。三个词长得像但完全不是一回事，很多新手在这里被绕晕。

2.1 三层结构

一张图从外到内分三层：

• Figure（画布）：整张图片本身，是最外层的容器。可以理解为一张空白画纸，你在上面能画一张图、也能画多张子图。
• Axes（坐标系 / 子图）：一个具体的绘图区域，包含 x 轴、y 轴、标题、图例等。一张 Figure 里可以有多个 Axes（即多个子图）。注意：Axes 不是"轴"，是"一个完整的图"——这是最容易搞混的点。
• Axis（坐标轴）：具体的 x 轴或 y 轴那一根线，管刻度、标签、范围。

说白了：你在 Figure 这张大画纸上，划分出一个或多个 Axes（每个 Axes 是一张独立的图），每个 Axes 里有 Axis（坐标轴）和你画的曲线/柱子/点。

2.2 两种编程接口 ⭐⭐⭐

Matplotlib 有两套写法，很多教程混着用，导致新手一会儿 plt.xxx 一会儿 ax.xxx，越看越乱。

pyplot 接口（状态机风格）面向对象接口（推荐）

直接用 plt. 打头，"当前操作总是作用在当前那张图上"。写起来短，适合快速探索。

plt.figure(figsize=(8, 4))
plt.plot([1, 2, 3], [4, 5, 6])
plt.title('快速画个图')
plt.xlabel('x')
plt.ylabel('y')
plt.show()

显式拿到 fig 和 ax，之后所有操作都在具体的 ax 上。稍微啰嗦一点，但画多子图、复杂图必须用这个——你分得清操作的是哪个子图。

fig, ax = plt.subplots(figsize=(8, 4))
ax.plot([1, 2, 3], [4, 5, 6])
ax.set_title('规范画图')
ax.set_xlabel('x')
ax.set_ylabel('y')
plt.show()

建议：单图快速看结果用 pyplot，正式代码、多子图统一用面向对象接口。本笔记后面优先用面向对象写法。

目的	pyplot 写法	面向对象写法
创建画布	plt.figure()	fig, ax = plt.subplots()
设置标题	plt.title('x')	ax.set_title('x')
设置 x 轴标签	plt.xlabel('x')	ax.set_xlabel('x')
设置轴范围	plt.xlim(0, 10)	ax.set_xlim(0, 10)
显示图例	plt.legend()	ax.legend()

规律：plt.xxx() 对应 ax.set_xxx() 或 ax.xxx()。

---

三、基础绘图 ⭐⭐⭐

3.1 折线图 plot

最常用，画连续变化趋势。

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('sin(x)')
plt.show()

一图多线 + 常用参数：

fig, ax = plt.subplots()
ax.plot(x, np.sin(x), color='red',   linestyle='-',  linewidth=2, label='sin')
ax.plot(x, np.cos(x), color='blue',  linestyle='--', linewidth=2, label='cos')
ax.legend()   # 显示图例（必须先指定 label 才有内容）
plt.show()

常用参数速查：

参数	简写	说明	常用取值
color	c	线条颜色	'red'、'#FF0000'、'r'
linestyle	ls	线型	'-' 实线、'--' 虚线、':' 点线、'-.' 点划线
linewidth	lw	线宽	数字，默认 1.5
marker	—	数据点标记	'o' 圆点、's' 方块、'^' 三角、'*' 星号
label	—	图例文本	字符串，配合 ax.legend() 使用
alpha	—	透明度	0-1，0 全透明 1 不透明

格式字符串简写

ax.plot(x, y, 'r--o') 等价于 color='red', linestyle='--', marker='o'。字符顺序不限，颜色+线型+标记的组合。

3.2 散点图 scatter

看两个变量的分布关系。

x = np.random.randn(200)
y = np.random.randn(200)

fig, ax = plt.subplots()
ax.scatter(x, y, s=30, c='steelblue', alpha=0.6, edgecolors='white')
ax.set_title('随机散点')
plt.show()

• s：点的大小（可传数组，让每个点大小不同）
• c：颜色（可传数组，配合 cmap 做颜色映射）
• alpha：透明度，点多时开小一点避免糊成一团

3.3 柱状图 bar / barh

看分类数据的数值对比。

categories = ['苹果', '香蕉', '橘子', '葡萄']
values = [23, 45, 17, 35]

fig, ax = plt.subplots()
ax.bar(categories, values, color=['#e74c3c', '#f1c40f', '#e67e22', '#8e44ad'])
ax.set_ylabel('销量')
ax.set_title('水果销量')
plt.show()

• ax.bar() 垂直柱状图
• ax.barh() 水平柱状图（类目多、名字长时更好看）

3.4 直方图 hist

看一组数据的分布——注意和柱状图区分：柱状图是分类对比，直方图是数值分箱。

data = np.random.randn(1000)

fig, ax = plt.subplots()
ax.hist(data, bins=30, color='steelblue', edgecolor='white')
ax.set_title('标准正态分布')
plt.show()

• bins：分几个桶，越大越细
• density=True：y 轴从"频数"变成"频率密度"

3.5 饼图 pie

饼图用得少（数据一多就没法看），常用于展示占比结构。

sizes = [30, 25, 20, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']

fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
ax.axis('equal')   # 让饼图是正圆
plt.show()

• autopct='%1.1f%%' 显示百分比
• startangle 从哪个角度开始画（90 表示 12 点方向）

---

四、图形定制

4.1 标题、标签、图例

fig, ax = plt.subplots()
ax.plot(x, y, label='sin(x)')

ax.set_title('三角函数', fontsize=14, fontweight='bold')
ax.set_xlabel('弧度', fontsize=12)
ax.set_ylabel('值', fontsize=12)
ax.legend(loc='upper right')   # loc 控制图例位置

legend 的 loc 常用值：'best'（自动）、'upper right'、'lower left'、'center' 等。

4.2 坐标轴范围与刻度

ax.set_xlim(0, 10)              # x 轴范围
ax.set_ylim(-1.5, 1.5)          # y 轴范围

ax.set_xticks([0, 2, 4, 6, 8])  # 手动指定刻度位置
ax.set_xticklabels(['零', '二', '四', '六', '八'])  # 手动指定刻度文本

ax.tick_params(axis='x', rotation=45)  # x 轴刻度旋转 45 度

4.3 网格与背景

ax.grid(True, linestyle='--', alpha=0.5)  # 显示虚线网格
ax.set_facecolor('#f5f5f5')                # 子图背景色

4.4 添加文本与注释

ax.text(0.5, 0.9, '这是文本', transform=ax.transAxes)  # 相对坐标 (0-1)
ax.annotate('最大值',
            xy=(np.pi/2, 1),           # 指向哪个点
            xytext=(np.pi/2 + 1, 1.2), # 文字放哪
            arrowprops=dict(arrowstyle='->'))

transform=ax.transAxes 用的是"相对子图"的坐标（左下 0,0，右上 1,1），不受数据范围影响，放标题、水印很方便。

---

五、子图 ⭐⭐

一张 Figure 里放多个 Axes，是 Matplotlib 的常规操作。

5.1 subplots 快速创建网格

plt.subplots(nrows, ncols) 一次创建 m×n 个子图，返回 Figure 和 Axes 数组。

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
# axes 是 2x2 的 ndarray

axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title('sin')

axes[0, 1].plot(x, np.cos(x))
axes[0, 1].set_title('cos')

axes[1, 0].scatter(np.random.randn(50), np.random.randn(50))
axes[1, 0].set_title('散点')

axes[1, 1].hist(np.random.randn(1000), bins=30)
axes[1, 1].set_title('直方图')

fig.tight_layout()   # 自动调整子图间距，避免标题重叠
plt.show()

只有一行/一列时

• plt.subplots(1, 3) 返回的 axes 是一维数组，用 axes[0]、axes[1]、axes[2]
• plt.subplots(2, 3) 返回二维数组，用 axes[0, 0] 这种下标
• plt.subplots(1, 1) 返回单个 Axes（不是数组），直接 ax.xxx

5.2 subplot（pyplot 风格）

单个添加子图，编号从 1 开始：

plt.figure(figsize=(10, 4))

plt.subplot(1, 2, 1)   # 1 行 2 列的第 1 个
plt.plot(x, np.sin(x))
plt.title('sin')

plt.subplot(1, 2, 2)   # 1 行 2 列的第 2 个
plt.plot(x, np.cos(x))
plt.title('cos')

plt.tight_layout()
plt.show()

plt.subplot(121) 是 plt.subplot(1, 2, 1) 的简写。

---

六、保存与显示

6.1 保存图片

fig.savefig('output.png', dpi=300, bbox_inches='tight')

• dpi：分辨率，屏幕看 100 够用，打印/PPT 建议 300
• bbox_inches='tight'：自动裁掉白边（强烈建议加上，不然图周围留一大圈空白）
• 支持后缀：.png、.jpg、.pdf、.svg（矢量图，放大不糊）

先 savefig 再 show

plt.show() 在某些后端下会清空当前图，之后再 savefig 就是空白。稳妥的顺序：先 savefig 再 show。

6.2 显示

plt.show()

在 Jupyter Notebook 里不需要调用 plt.show()，图会自动嵌在单元格下方（前提是加了 %matplotlib inline，新版 Jupyter 默认已开启）。

---

七、和 Pandas 联动

Pandas 的 DataFrame / Series 有 .plot() 方法，底层就是调 Matplotlib，日常探索性分析用它一句就够了：

import pandas as pd

df = pd.DataFrame({
    'A': np.random.randn(100).cumsum(),
    'B': np.random.randn(100).cumsum()
})

df.plot(figsize=(8, 4), title='累积和')
plt.show()

• df.plot(kind='bar') 柱状图
• df.plot(kind='hist') 直方图
• df.plot(kind='scatter', x='A', y='B') 散点图
• df['A'].plot.box() 箱线图

想进一步定制，可以拿到 ax 再改：

ax = df.plot()
ax.set_ylabel('值')
ax.grid(True)
plt.show()

---

八、常用速查

颜色的几种写法

'red'           # 英文名
'r'             # 单字母简写：r/g/b/c/m/y/k/w
'#FF5733'       # 十六进制
(0.1, 0.2, 0.5) # RGB 元组（0-1）
'C0'、'C1'      # 使用主题第 N 个颜色（Matplotlib 默认调色板）

常用 marker 一览

marker	形状	marker	形状
'.'	小点	'o'	圆圈
'v'	下三角	'^'	上三角
's'	正方形	'D'	菱形
'*'	星形	'+'	加号
'x'	叉号	'p'	五边形

内置样式表

Matplotlib 自带几种预设风格，一行切换：

plt.style.use('ggplot')       # 类 R 的 ggplot 风格
plt.style.use('seaborn-v0_8') # seaborn 风格
plt.style.use('dark_background')  # 暗色主题
print(plt.style.available)    # 查看全部可选风格

---

九、一个完整例子

把上面的概念串一下：

import matplotlib.pyplot as plt
import numpy as np

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

x = np.linspace(0, 2 * np.pi, 100)

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

# 左图：折线
axes[0].plot(x, np.sin(x), 'r-',  label='sin', linewidth=2)
axes[0].plot(x, np.cos(x), 'b--', label='cos', linewidth=2)
axes[0].set_title('三角函数')
axes[0].set_xlabel('x')
axes[0].set_ylabel('y')
axes[0].legend()
axes[0].grid(True, alpha=0.3)

# 右图：直方图
data = np.random.randn(1000)
axes[1].hist(data, bins=30, color='steelblue', edgecolor='white')
axes[1].set_title('标准正态分布')
axes[1].set_xlabel('值')
axes[1].set_ylabel('频数')

fig.suptitle('Matplotlib 示例', fontsize=16, fontweight='bold')
fig.tight_layout()
fig.savefig('demo.png', dpi=150, bbox_inches='tight')
plt.show()

到这里，日常数据探索需要的绘图能力基本都齐了。想画更漂亮的图，可以看 Seaborn —— 它是 Matplotlib 的高级封装，默认样式好看很多，但底层还是这套 Figure/Axes 的概念。