一文了解 Matplotlib：功能与使用基础

数据是现代世界的基石，而数据可视化则是解读数据、发现洞察、进行有效沟通的关键工具。在 Python 的数据科学生态系统中，Matplotlib 无疑是最核心、最基础、也是最强大的数据可视化库之一。无论你是数据分析新手，还是经验丰富的数据科学家，掌握 Matplotlib 都是必不可少的技能。

本文将带你深入了解 Matplotlib 的核心功能，从最基本的概念到常用的图表类型和定制方法，帮助你建立坚实的使用基础。

1. 为什么选择 Matplotlib？

在 Python 中有许多优秀的可视化库，如 Seaborn、Plotly、Bokeh 等。它们各自有其特点和优势。那么，为什么我们还要学习 Matplotlib 呢？

基石地位： Matplotlib 是许多其他高级可视化库（如 Seaborn）的底层依赖。理解 Matplotlib 的工作原理，能让你更好地使用这些库，并在需要时进行更精细的控制。
强大与灵活： Matplotlib 提供了极其丰富的图表类型和几乎无限的定制选项。从简单的折线图到复杂的 3D 绘图，从调整线条粗细到精确定位图例和文本，Matplotlib 都能满足你的需求。
控制力： Matplotlib 提供了两种主要的接口：Pyplot 接口和面向对象接口。面向对象接口允许你对图表的每一个元素进行精细控制，这在创建复杂或高度定制化的图表时尤为重要。
成熟与稳定： Matplotlib 拥有悠久的历史和庞大的用户社区，这意味着它文档齐全、稳定可靠，遇到问题时很容易找到解决方案。
与 NumPy/Pandas 完美集成： Matplotlib 与 Python 的数值计算库 NumPy 和数据处理库 Pandas 无缝集成，可以直接绘制 NumPy 数组或 Pandas DataFrames/Series 中的数据。

总而言之，Matplotlib 是 Python 数据可视化领域的“瑞士军刀”，它为你提供了创建几乎任何静态、交互式或动画图表的能力。

2. 安装 Matplotlib

安装 Matplotlib 非常简单，通常使用 pip 或 conda 包管理器。

使用 pip 安装：

bash pip install matplotlib

如果你使用 Anaconda 发行版，Matplotlib 通常已经预装好了。如果没有，可以使用 conda 安装：

bash conda install matplotlib

安装完成后，你就可以在 Python 脚本或 Jupyter Notebook 中导入它并开始使用了。最常用的导入方式是导入 pyplot 模块，并为其设置别名 plt：

python import matplotlib.pyplot as plt

3. Matplotlib 的“解剖学”：核心概念 (Figure 和 Axes)

理解 Matplotlib 的核心组件是掌握其使用的关键。最基本的两个组件是 Figure 和 Axes。

Figure (画布/窗口):
Figure 是容纳所有图表元素的顶层容器。可以把它想象成一个空白的画布或者一个弹出式的图形窗口。一个 Figure 对象可以包含一个或多个 Axes 对象。它还包含 Figure 级别的元素，如图形标题 (suptitle)。
Axes (坐标系/绘图区域):
Axes 是图表中实际绘制数据的区域。它是一个带有 x 轴、y 轴（对于 2D 图表）或 x、y、z 轴（对于 3D 图表）的坐标系。你可以把 Axes 想象成画布上的一个特定的绘图区域。大多数 Matplotlib 的绘图函数（如 plot(), scatter(), bar(), hist() 等）都属于 Axes 对象的方法。一个 Figure 可以有多个 Axes，这些 Axes 可以排列成子图（subplots）。

简而言之： Figure 是你作画的纸张或窗口，而 Axes 是你在纸张上画的各个独立的图（带坐标轴）。

理解 Pyplot 接口和面向对象接口：

Matplotlib 提供了两种主要的使用接口：

Pyplot 接口 (plt): 这是一种基于状态的接口，模仿 MATLAB 的绘图方式。它会自动创建 Figure 和 Axes，并在当前活跃的 Axes 上进行绘图。对于快速创建简单图表非常方便。例如：
python import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) # Pyplot 自动创建 Figure 和 Axes 并绘图 plt.xlabel('X轴') plt.ylabel('Y轴') plt.title('简单折线图') plt.show() # 显示 Figure
虽然方便，但在处理多个子图或进行复杂定制时，Pyplot 接口有时会让人感到混乱，因为它隐藏了 Figure 和 Axes 对象的管理细节。
面向对象 (OO) 接口: 这是 Matplotlib 的核心。你显式地创建 Figure 和 Axes 对象，然后调用 Axes 对象的方法来绘制数据和设置图表元素。这提供了对图表的完全控制。这是推荐的接口，特别是在创建复杂图表或需要在一个 Figure 中包含多个图表时。例如：
“`python
import matplotlib.pyplot as plt

显式创建 Figure 和 Axes 对象

fig, ax = plt.subplots() # 创建一个 Figure 和一个 Axes

在 Axes 对象上绘图和设置属性

ax.plot([1, 2, 3], [4, 5, 6])
ax.set_xlabel(‘X轴’)
ax.set_ylabel(‘Y轴’)
ax.set_title(‘面向对象接口折线图’)

plt.show() # 显示 Figure
“`
在本文后续的示例中，我们将尽量使用面向对象接口，因为它更能体现 Matplotlib 的结构，也更利于学习和掌握。

4. 基本图表类型及绘制

掌握了一些基础概念后，我们来看看如何使用 Matplotlib 绘制一些常见的图表。我们将使用 NumPy 生成一些示例数据。

“`python
import matplotlib.pyplot as plt
import numpy as np

为了中文显示正常

plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 指定默认字体
plt.rcParams[‘axes.unicode_minus’] = False # 解决保存图像时负号’-‘显示为方块的问题

生成示例数据

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
categories = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’]
values = np.random.rand(5) * 10
data_hist = np.random.randn(1000)
sizes = [15, 30, 45, 10]
labels = [‘类别1’, ‘类别2’, ‘类别3’, ‘类别4’]
“`

4.1 折线图 (Line Plot)

折线图常用于表示数据随时间或其他连续变量的变化趋势。

“`python

OO 接口绘制折线图

fig, ax = plt.subplots(figsize=(8, 4)) # 设置 Figure 大小

ax.plot(x, y1, label=’sin(x)’, color=’blue’, linestyle=’-‘) # 绘制第一条线
ax.plot(x, y2, label=’cos(x)’, color=’red’, linestyle=’–‘) # 绘制第二条线

ax.set_xlabel(‘X轴’)
ax.set_ylabel(‘Y轴’)
ax.set_title(‘正弦与余弦函数图’)
ax.legend() # 显示图例
ax.grid(True) # 添加网格线

plt.show()
`` *plt.subplots(): 创建一个 Figure 和一个 Axes。 *ax.plot(): 在 Axes 对象ax上绘制数据。可以传入x,y坐标。label用于图例，color设置颜色，linestyle设置线型。 *ax.set_xlabel(),ax.set_ylabel(),ax.set_title(): 设置轴标签和标题。 *ax.legend(): 显示图例，它会读取plot中设置的label。 *ax.grid(): 添加网格线。 *plt.show()`: 显示图形窗口。

4.2 散点图 (Scatter Plot)

散点图用于展示两个数值变量之间的关系。

“`python

生成更多随机数据用于散点图

np.random.seed(42)
x_scatter = np.random.rand(50) * 10
y_scatter = np.random.rand(50) * 10
colors = np.random.rand(50) # 用颜色表示第三个维度
sizes_scatter = np.random.rand(50) * 200 # 用大小表示第四个维度

fig, ax = plt.subplots(figsize=(8, 6))

scatter = ax.scatter(x_scatter, y_scatter, c=colors, s=sizes_scatter, alpha=0.7, cmap=’viridis’)

c: 颜色数组, s: 大小数组, alpha: 透明度, cmap: 颜色映射

ax.set_xlabel(‘X轴’)
ax.set_ylabel(‘Y轴’)
ax.set_title(‘随机散点图 (颜色和大小表示额外维度)’)

添加颜色条 (可选，如果使用颜色映射)

fig.colorbar(scatter, label=’颜色维度’)

plt.show()
`` *ax.scatter(): 绘制散点图。c参数可以是一个颜色列表，也可以是一个数值数组，此时需要通过cmap参数指定颜色映射。s参数控制点的大小。alpha控制透明度。 *fig.colorbar()`: 为使用颜色映射的散点图添加颜色条，用于解释颜色对应的数值范围。

4.3 柱状图 (Bar Plot)

柱状图用于比较不同类别的数据。

“`python
fig, ax = plt.subplots(figsize=(8, 5))

bar_container = ax.bar(categories, values, color=[‘skyblue’, ‘lightcoral’, ‘lightgreen’, ‘gold’, ‘plum’])

ax.bar() 返回一个容器对象，可以用来进一步操作柱子

ax.set_xlabel(‘类别’)
ax.set_ylabel(‘值’)
ax.set_title(‘各类别值比较’)

ax.set_xticklabels(categories) # 也可以这样设置 x 轴标签

在柱子上方显示数值 (可选)

ax.bar_label(bar_container, fmt=’%.2f’) # 显示数值，格式化为小数点后两位

plt.show()
`` *ax.bar(): 绘制垂直柱状图。第一个参数是类别标签（x 坐标），第二个参数是对应的高度（y 坐标）。color可以是一个颜色列表。 *ax.bar_label()`: 一个方便的函数，用于在每个柱子顶部添加文本标签，通常是柱子的高度值。

4.4 直方图 (Histogram)

直方图用于显示一组数据的分布情况。它将数据分成若干个“bin”（区间），然后计算每个 bin 中数据的数量。

“`python
fig, ax = plt.subplots(figsize=(8, 5))

ax.hist(data_hist, bins=30, color=’teal’, edgecolor=’black’, alpha=0.7)

bins: 区间的数量或边界, edgecolor: 柱子边缘颜色, alpha: 透明度

ax.set_xlabel(‘值’)
ax.set_ylabel(‘频数’)
ax.set_title(‘随机数据直方图’)

plt.show()
`` *ax.hist(): 绘制直方图。第一个参数是数据数组，bins` 参数是关键，它决定了分组的方式。

4.5 饼图 (Pie Chart)

饼图用于显示各部分在整体中所占的比例。

“`python
fig, ax = plt.subplots(figsize=(6, 6)) # 饼图通常需要等比例的 Figure 大小

explode = (0, 0.1, 0, 0) # 突出显示第二个类别 (可选)

ax.pie(sizes, explode=explode, labels=labels, autopct=’%1.1f%%’, shadow=True, startangle=90)

explode: 突出显示设置, labels: 标签, autopct: 显示比例的格式, shadow: 阴影, startangle: 起始角度

ax.set_title(‘各类别比例’)
ax.axis(‘equal’) # 保证饼图是圆的

plt.show()
`` *ax.pie(): 绘制饼图。sizes是每个部分的数值，labels是对应的标签。autopct参数用于设置百分比文本的格式。explode参数可以让某些扇形突出显示。 *ax.axis(‘equal’)`: 确保 x 和 y 轴的比例相等，使得饼图显示为圆形而不是椭圆。

注意： 饼图在分类过多或各部分比例相似时，不易于解读，应谨慎使用。

5. 图表元素的定制与美化

Matplotlib 提供了丰富的选项来定制图表的每一个细节，使其更具可读性和吸引力。

5.1 设置标题和轴标签

前面已经看到过，使用 ax.set_title(), ax.set_xlabel(), ax.set_ylabel() 方法。

python fig, ax = plt.subplots() ax.plot([1, 2, 3], [1, 4, 9]) ax.set_title('平方函数', fontsize=16, color='darkblue') # 可以设置字体大小和颜色 ax.set_xlabel('输入值', fontsize=12) ax.set_ylabel('平方值', fontsize=12) plt.show()

5.2 设置轴的范围和刻度

使用 ax.set_xlim(), ax.set_ylim() 设置轴的显示范围。
使用 ax.set_xticks(), ax.set_yticks() 设置刻度的位置。
使用 ax.set_xticklabels(), ax.set_yticklabels() 设置刻度的文本标签。

“`python
fig, ax = plt.subplots()
ax.plot(x, y1)

ax.set_xlim(0, 5) # 只显示 x 从 0 到 5 的部分
ax.set_ylim(-1.2, 1.2) # 设置 y 轴范围

设置 x 轴特定刻度

ax.set_xticks([0, np.pi/2, np.pi, 3np.pi/2, 2np.pi])

设置 x 轴刻度对应的文本标签 (使用 LaTeX 格式表示数学符号)

ax.set_xticklabels([‘0′, r’$\pi/2$’, r’$\pi$’, r’$3\pi/2$’, r’$2\pi$’])

plt.show()
`` *r’$\pi$’: 在 Matplotlib 中，可以在字符串前加上r并使用$` 符号将文本格式化为 LaTeX 表达式，用于显示数学符号。

5.3 自定义线条和标记

在 ax.plot() 或 ax.scatter() 方法中，可以使用参数控制外观：
* color: 线条或标记的颜色 (如 'red', 'blue', '#FF5733')
* linestyle: 线型 (如 '-' 实线, '--' 虚线, '-.' 点划线, ':' 点线)
* linewidth: 线条宽度
* marker: 标记样式 (如 'o' 圆点, 'x' 叉, '*' 星号, 's' 正方形)
* markersize: 标记大小
* alpha: 透明度 (0.0 完全透明到 1.0 完全不透明)

python fig, ax = plt.subplots() ax.plot(x[::10], y1[::10], color='purple', linestyle='-.', linewidth=2, marker='o', markersize=8, label='带有标记的曲线') ax.legend() plt.show()
* [::10]: 使用切片每隔 10 个点取一个，用于减少标记的数量，使图表更清晰。

5.4 添加文本和注释

可以使用 ax.text() 在图表中的任意位置添加文本，使用 ax.annotate() 添加带箭头的注释。

“`python
fig, ax = plt.subplots()
ax.plot(x, y1)
ax.set_ylim(-1.2, 1.2)

添加文本

ax.text(5, 1, ‘这是峰值附近’, fontsize=10, color=’green’)

添加注释 (指向特定点)

peak_x = np.pi/2
peak_y = np.sin(peak_x)
ax.annotate(‘局部最高点’, # 注释文本
xy=(peak_x, peak_y), # 被注释点的坐标
xytext=(peak_x + 1, peak_y + 0.5), # 注释文本的坐标
arrowprops=dict(facecolor=’black’, shrink=0.05)) # 箭头样式

plt.show()
`` *ax.annotate():xy参数是被注释点的位置，xytext是注释文本的位置。arrowprops` 是一个字典，用于定义箭头的样式。

5.5 添加图例 (Legend)

前面已经用过了 ax.legend()。确保在绘制每条线或散点系列时设置了 label 参数。ax.legend() 还有很多参数可以控制图例的位置、列数、边框等。

“`python
fig, ax = plt.subplots()
ax.plot(x, y1, label=’Sine’)
ax.plot(x, y2, label=’Cosine’)

自定义图例位置和样式

ax.legend(loc=’upper right’, # 位置，如 ‘upper left’, ‘lower right’, ‘best’ (自动选择最佳位置)
ncol=1, # 列数
fancybox=True, # 圆角边框
shadow=True, # 阴影
fontsize=’small’) # 字体大小

plt.show()
“`

6. 子图 (Subplots)

在一个 Figure 中创建多个 Axes（即子图）是非常常见的需求，用于比较不同数据集或展示同一数据从不同角度的视图。

前面介绍 OO 接口时，我们使用了 plt.subplots()。这是创建子图最推荐的方式。

plt.subplots(nrows=1, ncols=1, ..., sharex=False, sharey=False):
* nrows: 子图的行数。
* ncols: 子图的列数。
* 返回值：一个 Figure 对象和一个 Axes 或 Axes 对象的 NumPy 数组。
* 如果 nrows=1 且 ncols=1 (默认)，ax 返回一个 Axes 对象。
* 如果 nrows > 1 或 ncols > 1，ax 返回一个 NumPy 数组，其中包含所有 Axes 对象。你需要使用索引（如 ax[0, 0], ax[1]) 来访问每个子图。

6.1 创建 2×2 的子图

“`python
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

axes 是一个 2×2 的 NumPy 数组

访问每个子图：axes[行索引, 列索引]

左上角子图 (axes[0, 0])

axes[0, 0].plot(x, y1)
axes[0, 0].set_title(‘Sin(x)’)

右上角子图 (axes[0, 1])

axes[0, 1].plot(x, y2, color=’orange’)
axes[0, 1].set_title(‘Cos(x)’)

左下角子图 (axes[1, 0])

axes[1, 0].scatter(x_scatter[:20], y_scatter[:20]) # 只取前20个点
axes[1, 0].set_title(‘部分散点图’)

右下角子图 (axes[1, 1])

axes[1, 1].hist(data_hist[::50], bins=10, color=’green’) # 只取部分数据，少些 bins
axes[1, 1].set_title(‘部分直方图’)

调整子图之间的间距，防止重叠

fig.tight_layout()

plt.show()
`` *fig, axes = plt.subplots(2, 2, …)返回一个 Figure 对象fig和一个 2x2 的 Axes 对象数组axes。 * 我们通过axes[0, 0],axes[0, 1],axes[1, 0],axes[1, 1]分别访问并绘制在不同的子图上。 *fig.tight_layout()` 尝试自动调整子图参数，以使它们紧凑排列。

6.2 共享轴 (Sharing Axes)

有时你希望某些子图共享 x 轴或 y 轴，这在比较数据或节省空间时很有用。可以在 plt.subplots() 中使用 sharex 或 sharey 参数。

“`python

共享 x 轴的两个子图

fig, axes = plt.subplots(nrows=2, ncols=1, sharex=True, figsize=(8, 6))

上面子图

axes[0].plot(x, y1, label=’Sin(x)’)
axes[0].set_title(‘共享 X 轴的两个图’)
axes[0].set_ylabel(‘值 1’)
axes[0].legend()
axes[0].grid(True) # 单独为这个子图添加网格

下面子图

axes[1].plot(x, y2, color=’orange’, label=’Cos(x)’)
axes[1].set_xlabel(‘X轴’) # x 轴标签只在最下面的子图显示
axes[1].set_ylabel(‘值 2’)
axes[1].legend()
axes[1].grid(True) # 单独为这个子图添加网格

fig.tight_layout() # 调整布局
plt.show()
`` *sharex=True`: 所有子图共享 x 轴的范围和刻度。y 轴同理。

7. 保存图表

绘制好的图表通常需要保存到文件中。使用 Figure 对象的 savefig() 方法。

“`python
fig, ax = plt.subplots()
ax.plot(x, y1)
ax.set_title(‘要保存的图’)
ax.set_xlabel(‘X’)
ax.set_ylabel(‘Y’)

保存图表

fig.savefig(‘my_plot.png’) # 保存为 PNG 格式，默认分辨率

保存为其他格式，设置分辨率，去掉白边

fig.savefig(‘my_plot.pdf’, format=’pdf’, dpi=300, bbox_inches=’tight’)
fig.savefig(‘my_plot.svg’, format=’svg’) # 矢量图格式，放大不失真

plt.show() # 显示图表 (savefig 不会自动显示)
`` *fig.savefig(filename, format=None, dpi=None, bbox_inches=None, …): *filename: 保存的文件名 (后缀决定格式，也可以通过format指定)。 *format: 文件格式，如‘png’,‘pdf’,‘svg’,‘jpg’,‘eps’等。 *dpi: 分辨率 (每英寸点数)，提高 DPI 可以获得更清晰的图像，特别适用于打印。矢量图 (如 pdf, svg) 不受 DPI 影响。 *bbox_inches=’tight’`: 尝试去除图表周围多余的空白区域。

8. 进一步探索 (Beyond Basics)

Matplotlib 的功能远不止这些基础内容。一旦掌握了核心概念和基本用法，你可以进一步探索：

图表样式 (Styles): Matplotlib 提供了一些预设的图表样式，可以快速改变图表的整体外观，例如 plt.style.use('ggplot') 或 plt.style.use('seaborn-v0_8')。
文本和数学公式： 更高级的文本处理和完整的 LaTeX 支持。
颜色映射 (Colormaps): 如何使用颜色梯度来表示数据，例如在热力图或散点图中。
三维绘图 (3D Plotting): 使用 mpl_toolkits.mplot3d 工具包绘制三维图表。
图像处理： Matplotlib 可以加载、显示和处理图像。
动画 (Animation): 创建动态图表。
嵌入到 GUI 应用： 将 Matplotlib 图表嵌入到 PyQt, Tkinter 或 wxPython 等图形用户界面应用中。
自定义对象： 创建自定义的 Axes、Artist 等，实现更高级的定制。

9. 总结

Matplotlib 是 Python 数据可视化领域的基石。掌握它的核心概念——Figure（画布）和 Axes（坐标系/绘图区域），以及面向对象的接口，将为你打开数据可视化的大门。

本文详细介绍了：
* Matplotlib 的重要性。
* 安装方法。
* 核心组件 Figure 和 Axes 的区别与联系，以及 Pyplot 接口和面向对象接口。
* 如何绘制常见的图表类型：折线图、散点图、柱状图、直方图、饼图，并使用了面向对象接口进行演示。
* 图表元素的定制与美化方法，包括标题、标签、轴范围、刻度、线条样式、标记、文本注释和图例。
* 如何在 Figure 中创建多个子图，并进行布局调整和轴共享。
* 如何将绘制好的图表保存到文件。

虽然 Matplotlib 的参数众多，可能初学时会感到有些复杂，但其逻辑是清晰的。通过理解 Figure 和 Axes 的层级关系，以及大多数定制选项都作为 Axes 对象的方法来调用，你就能更好地组织代码和控制图表。

最好的学习方法是实践。尝试用 Matplotlib 绘制你自己的数据，不断查阅官方文档（非常详细且有大量示例），你会发现它强大的功能和无限的可能性。

希望通过本文，你对 Matplotlib 的功能和基础使用有了全面而深入的了解，并能充满信心地开启你的 Python 数据可视化之旅！祝你学习愉快，绘图顺利！

一文了解 Matplotlib：功能与使用基础

1. 为什么选择 Matplotlib？

2. 安装 Matplotlib

3. Matplotlib 的“解剖学”：核心概念 (Figure 和 Axes)

显式创建 Figure 和 Axes 对象

在 Axes 对象上绘图和设置属性

4. 基本图表类型及绘制

为了中文显示正常

生成示例数据

4.1 折线图 (Line Plot)

OO 接口绘制折线图

4.2 散点图 (Scatter Plot)

生成更多随机数据用于散点图

c: 颜色数组, s: 大小数组, alpha: 透明度, cmap: 颜色映射

添加颜色条 (可选，如果使用颜色映射)

4.3 柱状图 (Bar Plot)

ax.bar() 返回一个容器对象，可以用来进一步操作柱子

ax.set_xticklabels(categories) # 也可以这样设置 x 轴标签

在柱子上方显示数值 (可选)

4.4 直方图 (Histogram)

bins: 区间的数量或边界, edgecolor: 柱子边缘颜色, alpha: 透明度

4.5 饼图 (Pie Chart)

explode: 突出显示设置, labels: 标签, autopct: 显示比例的格式, shadow: 阴影, startangle: 起始角度

5. 图表元素的定制与美化

5.1 设置标题和轴标签

5.2 设置轴的范围和刻度

设置 x 轴特定刻度

设置 x 轴刻度对应的文本标签 (使用 LaTeX 格式表示数学符号)

5.3 自定义线条和标记

5.4 添加文本和注释

添加文本

添加注释 (指向特定点)

5.5 添加图例 (Legend)

自定义图例位置和样式

6. 子图 (Subplots)

6.1 创建 2×2 的子图

axes 是一个 2×2 的 NumPy 数组

访问每个子图：axes[行索引, 列索引]

左上角子图 (axes[0, 0])

右上角子图 (axes[0, 1])

左下角子图 (axes[1, 0])

右下角子图 (axes[1, 1])

调整子图之间的间距，防止重叠

6.2 共享轴 (Sharing Axes)

共享 x 轴的两个子图

上面子图

下面子图

7. 保存图表

保存图表

保存为其他格式，设置分辨率，去掉白边

8. 进一步探索 (Beyond Basics)

9. 总结

发表评论 取消回复

发表评论取消回复