快速了解 Matplotlib：Python 可视化库介绍

数据是现代科学、商业和日常决策的基础。然而，冰冷的数据本身往往难以直观理解和发现规律。这时，数据可视化就显得尤为重要。它能将复杂的数据转化为直观的图表和图形，帮助我们洞察数据背后的故事、趋势和异常。在 Python 的数据科学生态系统中，Matplotlib 扮演着核心的可视化角色。

本文将带你快速而详细地了解 Matplotlib 这个强大的 Python 可视化库，从基础概念到常用功能，帮助你快速上手并绘制出令人信服的图表。

文章目录

初识 Matplotlib：Python 可视化的基石
为什么选择 Matplotlib？
安装与准备
Matplotlib 的核心概念：Figure 和 Axes
两种接口风格：Pyplot 与面向对象
- Pyplot 接口：快速便捷
- 面向对象接口：精细控制
- 何时选择哪种接口？
基础绘图类型：绘制你的第一张图
- 线图 (Line Plot)
- 散点图 (Scatter Plot)
- 柱状图 (Bar Plot)
- 直方图 (Histogram)
- 饼图 (Pie Chart)
图表元素的定制与美化
- 添加标题和轴标签
- 设置轴的范围和刻度
- 添加图例 (Legend)
- 控制颜色、线型和标记
- 添加网格线
- 文本标注 (Annotations)
多子图的布局：subplots 的使用
保存你的图表
进阶探索：更多可能性
学习资源与社区
总结

1. 初识 Matplotlib：Python 可视化的基石

Matplotlib 是一个用于创建静态、动态和交互式可视化的综合库，在 Python 中拥有极其广泛的应用。它最初设计用于模仿 MATLAB 的绘图功能，因此对于熟悉 MATLAB 的用户来说，上手会相对容易。

自诞生以来，Matplotlib 凭借其强大的功能、极高的灵活性和庞大的用户社区，迅速成为 Python 数据可视化的事实标准。无论是简单的数据趋势展示，还是复杂的科学数据可视化，Matplotlib 都能胜任。许多其他高级可视化库（如 Seaborn、Pandas 的内置绘图功能）也都是基于 Matplotlib 构建的，进一步巩固了它在 Python 数据可视化领域的地位。

2. 为什么选择 Matplotlib？

选择 Matplotlib 的理由有很多：

功能强大且全面： Matplotlib 支持绘制各种类型的图表，从基础的线图、散点图、柱状图到复杂的等高线图、三维图、矢量场图等，几乎涵盖了所有常见的可视化需求。
极高的灵活性和定制性： Matplotlib 提供了对图表元素的精细控制能力。你可以调整图表的每一个细节，包括标题、轴标签、刻度、颜色、线型、标记、图例、网格线，甚至单个元素的样式。这使得你可以根据具体需求创建高度定制化的专业图表。
与 Python 生态系统的无缝集成： Matplotlib 与 NumPy、Pandas 等科学计算库紧密集成。你可以直接使用 NumPy 数组或 Pandas 的 DataFrame/Series 数据结构进行绘图，极大地方便了数据分析与可视化的流程。
成熟且活跃的社区： Matplotlib 拥有庞大且活跃的用户和开发者社区。当你遇到问题时，很容易在文档、教程、论坛（如 Stack Overflow）中找到解决方案。
多样的后端支持： Matplotlib 支持多种图形后端，可以将图表输出到不同的交互式环境（如 Jupyter Notebook、各种 GUI 框架）或文件格式（如 PNG, JPG, PDF, SVG）。
良好的文档： 官方文档详细且包含了大量的示例，是学习和查阅的重要资源。

虽然 Matplotlib 的语法有时可能显得相对底层和繁琐（尤其是与 Seaborn 等高级库相比），但正是这种底层控制能力，赋予了它无与伦比的灵活性。掌握 Matplotlib 的基础是深入学习 Python 数据可视化的重要一步。

3. 安装与准备

安装 Matplotlib 非常简单，只需使用 Python 的包管理器 pip 即可：

bash pip install matplotlib

如果你使用 Anaconda 发行版，Matplotlib 通常已经预装。如果需要更新，可以使用：

bash conda update matplotlib

通常，你还需要安装 NumPy，因为 Matplotlib 经常与 NumPy 一起使用：

bash pip install numpy

在 Python 脚本或交互式环境中开始使用 Matplotlib 时，习惯上会导入 matplotlib.pyplot 模块，并为其设置一个别名 plt：

python import matplotlib.pyplot as plt import numpy as np # 也常需要导入 numpy

matplotlib.pyplot 是 Matplotlib 中最常用的模块，它提供了一个类似于 MATLAB 的函数式绘图接口，非常适合快速生成图表。

4. Matplotlib 的核心概念：Figure 和 Axes

理解 Matplotlib 的核心概念对于高效使用它至关重要。最重要的两个概念是 Figure (图) 和 Axes (轴/子图)。

可以把 Figure 理解为一张画布或一个窗口。它是所有图表元素的顶层容器。一张 Figure 可以包含一个或多个 Axes。当你保存图表文件时，实际上就是保存整个 Figure。

Axes 是你真正进行绘图的绘图区域。每个 Axes 对象都代表图表中的一个子图，它包含了数据坐标系以及与之相关的元素，如 x 轴、y 轴、刻度、标签、标题等。一个 Figure 对象可以包含多个 Axes 对象，这使得在一张图上展示多个子图成为可能。

用一个简单的类比：

Figure 就像一张纸或者一个画框。
Axes 就像你在纸上划分出来用于画画的区域。你可以在一张纸上画好几个独立的画，每个画都是一个 Axes。

除了 Figure 和 Axes，还有一个重要的概念是 Artist。Artist 是 Figure 中所有可见元素的基类，包括 Figure、Axes、Line2D、Text、Legend 等等。你通过调用 Artist 对象的方法来控制图表的各个方面。虽然你通常不会直接操作 Artist 对象（而是通过 Axes 或 Figure 的方法间接操作），但理解它的存在有助于理解 Matplotlib 的内部结构。

5. 两种接口风格：Pyplot 与面向对象

Matplotlib 提供了两种主要的接口风格来创建图表：

Pyplot 接口： 这是一个基于状态的接口，通过一系列函数的调用来隐式地创建 Figure 和 Axes，并在当前的 Axes 上进行绘制。它模仿了 MATLAB 的绘图方式，非常简洁，适合快速生成简单图表。
面向对象 (Object-Oriented, OO) 接口： 这是一个更显式的接口，你需要先创建 Figure 和 Axes 对象，然后调用这些对象的方法来添加数据和定制图表。这种方式更灵活，尤其适合绘制包含多个子图的复杂图表，或者将 Matplotlib 图表嵌入到 GUI 应用程序中。

理解并掌握这两种接口的使用是 Matplotlib 学习的关键。

Pyplot 接口：快速便捷

使用 Pyplot 接口时，你主要依赖 matplotlib.pyplot 模块中的函数。这些函数会自动管理当前的 Figure 和 Axes。例如，plt.plot() 函数会找到当前的 Axes 并在上面绘制一条线；plt.xlabel() 会设置当前 Axes 的 x 轴标签。

示例：

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

生成一些数据

x = np.linspace(0, 10, 100)
y = np.sin(x)

使用 pyplot 绘制线图

plt.plot(x, y)

添加标题和标签

plt.title(“Sin Wave”)
plt.xlabel(“X-axis”)
plt.ylabel(“Y-axis”)

显示图表

plt.show()
“`

优点：

代码简洁，上手快速。
适合快速生成简单的单个图表。

缺点：

难以精细控制多个 Axes 或 Figure 对象。
在绘制复杂图表时，状态管理可能变得混乱。

面向对象接口：精细控制

面向对象接口是 Matplotlib 推荐的更高级、更灵活的使用方式。你需要明确创建 Figure 对象和 Axes 对象，然后调用 Axes 对象的方法进行绘图和定制。

通常，创建 Figure 和 Axes 的推荐方法是使用 plt.subplots() 函数。它可以一次性创建 Figure 和一个或多个 Axes，并返回它们的引用。

示例：

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

生成一些数据

x = np.linspace(0, 10, 100)
y = np.cos(x)

使用面向对象接口：创建 Figure 和 Axes

fig, ax = plt.subplots() # fig 是 Figure 对象，ax 是 Axes 对象

调用 Axes 对象的方法进行绘图

ax.plot(x, y)

调用 Axes 对象的方法添加标题和标签 (注意方法名前缀 ‘set_’)

ax.set_title(“Cos Wave”)
ax.set_xlabel(“X-axis”)
ax.set_ylabel(“Y-axis”)

显示图表

plt.show()
“`

优点：

对 Figure 和 Axes 对象有明确的引用，控制更精细。
更容易管理包含多个子图的复杂图表。
代码更易读、易维护，尤其对于大型项目。

缺点：

相较于 Pyplot，代码量稍多。

何时选择哪种接口？

如果你只是想快速绘制一个简单的图表进行探索性分析，或者脚本运行后立即退出，Pyplot 接口通常足够便捷。
如果你需要创建包含多个子图的复杂布局，需要对图表元素进行精细控制，或者需要将图表嵌入到应用程序中，强烈建议使用面向对象接口。
实际上，许多用户会混用这两种接口的优点，例如使用 plt.subplots() 创建 Figure 和 Axes (OO 风格的开始)，然后在得到的 Axes 对象上使用 Pyplot 风格的函数（尽管这不太推荐，因为有些 Pyplot 函数在 Axes 对象上没有对应方法）。最佳实践是在获得 Axes 对象后，尽量使用其面向对象的方法（如 ax.plot(), ax.set_title() 等）。

本文后续的示例将主要采用面向对象接口，因为它更强大、更灵活，也代表了 Matplotlib 推荐的现代用法。不过，也会适当提及 Pyplot 接口的对应方法。

6. 基础绘图类型：绘制你的第一张图

Matplotlib 支持绘制多种基础图表类型。下面介绍几种最常用的：

线图 (Line Plot)

线图用于展示数据随连续变量（通常是时间或序列）的变化趋势。

“`python

OO 风格

fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
ax.plot(x, y1, label=’sin(x)’)
ax.plot(x, y2, label=’cos(x)’)
ax.set_title(“Sin and Cos Waves”)
ax.set_xlabel(“X”)
ax.set_ylabel(“Y”)
ax.legend() # 添加图例
plt.show()

Pyplot 风格 (简单示例)

plt.plot(x, y1, label=’sin(x)’)

plt.plot(x, y2, label=’cos(x)’)

plt.title(“Sin and Cos Waves”)

plt.xlabel(“X”)

plt.ylabel(“Y”)

plt.legend()

plt.show()

“`

ax.plot() (或 plt.plot()) 是绘制线图的主要函数。它可以接受一对 x 和 y 数据。传入多对 y 数据（或者 y 数据和对应的 x 数据），可以绘制多条线。

散点图 (Scatter Plot)

散点图用于展示两个变量之间的关系，每个点代表一个数据观测。

“`python

OO 风格

fig, ax = plt.subplots()
np.random.seed(0) # 固定随机种子以便重现
x = np.random.rand(50) * 10
y = np.random.rand(50) * 10
sizes = np.random.rand(50) * 100 # 点的大小
colors = np.random.rand(50) # 点的颜色

ax.scatter(x, y, s=sizes, c=colors, alpha=0.7, cmap=’viridis’) # s控制大小，c控制颜色，alpha控制透明度，cmap设置颜色映射
ax.set_title(“Random Scatter Plot”)
ax.set_xlabel(“X Value”)
ax.set_ylabel(“Y Value”)
plt.show()

Pyplot 风格 (简单示例)

plt.scatter(x, y, s=sizes, c=colors, alpha=0.7, cmap=’viridis’)

plt.title(“Random Scatter Plot”)

plt.xlabel(“X Value”)

plt.ylabel(“Y Value”)

plt.show()

“`

ax.scatter() (或 plt.scatter()) 函数用于绘制散点图。它可以额外接受 s (大小) 和 c (颜色) 参数，使得散点图能够展示第三甚至第四个维度的数据。

柱状图 (Bar Plot)

柱状图用于比较不同类别的数据量。

“`python

OO 风格

fig, ax = plt.subplots()
categories = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’]
values = [23, 45, 56, 12, 39]

ax.bar(categories, values, color=[‘red’, ‘blue’, ‘green’, ‘orange’, ‘purple’]) # 可以设置不同颜色
ax.set_title(“Category Values”)
ax.set_xlabel(“Category”)
ax.set_ylabel(“Value”)
plt.show()

Pyplot 风格 (简单示例)

plt.bar(categories, values)

plt.title(“Category Values”)

plt.xlabel(“Category”)

plt.ylabel(“Value”)

plt.show()

“`

ax.bar() (或 plt.bar()) 用于绘制垂直柱状图。ax.barh() (或 plt.barh()) 用于绘制水平柱状图。

直方图 (Histogram)

直方图用于显示连续数据的分布情况，将数据分成若干个“箱子”(bins)，然后计算每个箱子中的数据个数。

“`python

OO 风格

fig, ax = plt.subplots()
data = np.random.randn(1000) # 生成1000个标准正态分布的随机数

ax.hist(data, bins=30, color=’skyblue’, edgecolor=’black’) # bins设置箱子数量，edgecolor设置边界颜色
ax.set_title(“Distribution of Random Data”)
ax.set_xlabel(“Value”)
ax.set_ylabel(“Frequency”)
plt.show()

Pyplot 风格 (简单示例)

plt.hist(data, bins=30)

plt.title(“Distribution of Random Data”)

plt.xlabel(“Value”)

plt.ylabel(“Frequency”)

plt.show()

“`

ax.hist() (或 plt.hist()) 函数用于绘制直方图。关键参数是 bins，它决定了直方图的精细程度。

饼图 (Pie Chart)

饼图用于表示各部分占总体的比例。

“`python

OO 风格

fig, ax = plt.subplots()
sizes = [15, 30, 45, 10]
labels = [‘Apple’, ‘Banana’, ‘Cherry’, ‘Date’]
colors = [‘gold’, ‘yellowgreen’, ‘lightcoral’, ‘lightskyblue’]
explode = (0, 0.1, 0, 0) # ‘Banana’ 分离出来

ax.pie(sizes, explode=explode, labels=labels, colors=colors, autopct=’%1.1f%%’, shadow=True, startangle=140)
ax.axis(‘equal’) # 确保饼图是圆形的
ax.set_title(“Fruit Distribution”)
plt.show()

Pyplot 风格 (简单示例)

plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct=’%1.1f%%’, shadow=True, startangle=140)

plt.axis(‘equal’)

plt.title(“Fruit Distribution”)

plt.show()

“`

ax.pie() (或 plt.pie()) 用于绘制饼图。参数包括 sizes (各部分大小), labels (标签), colors (颜色), explode (分离部分), autopct (显示百分比格式) 等。ax.axis('equal') 是绘制圆形饼图的关键。

7. 图表元素的定制与美化

仅仅绘制出图表是不够的，为了让图表更具信息量和美观度，你需要对图表的各个元素进行定制。Matplotlib 提供了极其丰富的定制选项。以下是一些常用操作：

添加标题和轴标签

无论 Pyplot 还是 OO 接口，都提供了设置标题和轴标签的方法。

“`python

OO 风格

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [4, 5, 6])
ax.set_title(“My Plot Title”)
ax.set_xlabel(“X-axis Label”)
ax.set_ylabel(“Y-axis Label”)
plt.show()

Pyplot 风格

plt.plot([1, 2, 3], [4, 5, 6])

plt.title(“My Plot Title”)

plt.xlabel(“X-axis Label”)

plt.ylabel(“Y-axis Label”)

plt.show()

“`

设置轴的范围和刻度

可以通过设置轴的限制范围 (xlim, ylim) 和刻度 (xticks, yticks) 来调整图表的显示区域和精度。

“`python
fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
y = np.sin(x)
ax.plot(x, y)

设置 x 轴和 y 轴的范围

ax.set_xlim(0, 10)
ax.set_ylim(-1.2, 1.2)

设置 x 轴的刻度位置和标签

x_ticks = np.arange(0, 11, 2)
ax.set_xticks(x_ticks)
ax.set_xticklabels([f’Value {i}’ for i in x_ticks])

plt.show()
“`

添加图例 (Legend)

当图表包含多条线或多个数据系列时，图例用于区分它们。在绘制时为每个系列设置 label 参数，然后调用 legend() 方法即可。

“`python
fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), label=’Sin(x)’, color=’blue’)
ax.plot(x, np.cos(x), label=’Cos(x)’, color=’red’, linestyle=’–‘)

添加图例，可以指定位置 (loc)

ax.legend(loc=’upper right’) # 或 ‘lower left’, ‘best’ (自动选择最佳位置)等
plt.show()
“`

控制颜色、线型和标记

在 plot() 或 scatter() 等绘图函数中，可以通过参数控制线条和点的外观。

“`python
fig, ax = plt.subplots()
x = [1, 2, 3, 4, 5]
y1 = [2, 3, 5, 7, 6]
y2 = [1, 4, 2, 6, 8]

color: 设置颜色 (可以使用颜色名称，如 ‘red’, ‘blue’ 或十六进制码如 ‘#FF5733’)

linestyle: 设置线型 (‘-‘, ‘–‘, ‘:’, ‘-.’, ‘None’)

marker: 设置标记样式 (‘o’ 圆圈, ‘x’ 叉号, ‘*’ 星号, ‘.’ 点等)

linewidth: 设置线宽

markersize: 设置标记大小

ax.plot(x, y1, color=’purple’, linestyle=’-‘, marker=’o’, linewidth=2, markersize=8, label=’Data 1′)
ax.plot(x, y2, color=’#FF5733′, linestyle=’–‘, marker=’x’, linewidth=1, markersize=10, label=’Data 2′)

ax.legend()
plt.show()
“`

添加网格线

网格线有助于读取图表中的数值。

“`python
fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x))

添加网格线

ax.grid(True) # 默认为 True

可以定制网格线样式

ax.grid(color=’gray’, linestyle=’–‘, linewidth=0.5)

plt.show()
“`

文本标注 (Annotations)

在图表中的特定位置添加文本或箭头标注，突出显示重要的数据点或区域。

“`python
fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
y = np.sin(x)
ax.plot(x, y)

找到峰值点

peak_x = x[np.argmax(y)]
peak_y = np.max(y)

添加文本标注

ax.annotate(‘Peak Value’, # 标注的文本
xy=(peak_x, peak_y), # 箭头指向的数据点坐标
xytext=(peak_x + 1, peak_y + 0.5), # 文本框的坐标
arrowprops=dict(facecolor=’black’, shrink=0.05)) # 箭头的样式

plt.show()
“`

ax.annotate() 函数非常强大，可以控制文本位置、箭头样式等。

8. 多子图的布局：subplots 的使用

在一张 Figure 中创建多个 Axes (子图) 是非常常见的需求，用于同时比较多个图表或展示不同方面的数据。plt.subplots() 函数是实现这一目标的推荐方法。

plt.subplots(nrows, ncols) 会创建一个 Figure，并在其中创建一个 nrows 行、ncols 列的网格状 Axes 布局。它返回一个 Figure 对象和一个 Axes 对象的数组（如果只有一个 Axes，则直接返回 Axes 对象）。

“`python
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(8, 6)) # 创建一个 2×2 的子图网格，并设置 Figure 大小

axes 是一个 2×2 的 NumPy 数组，可以通过索引访问每个 Axes

ax1 = axes[0, 0]
ax2 = axes[0, 1]
ax3 = axes[1, 0]
ax4 = axes[1, 1]

在不同的 Axes 上绘制不同的图表

x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x), color=’blue’)
ax1.set_title(‘Sin(x)’)

ax2.plot(x, np.cos(x), color=’red’)
ax2.set_title(‘Cos(x)’)

ax3.scatter(np.random.rand(50), np.random.rand(50), color=’green’)
ax3.set_title(‘Random Scatter’)

data = np.random.randn(1000)
ax4.hist(data, bins=20, color=’purple’)
ax4.set_title(‘Histogram’)

调整子图之间的间距，避免重叠

plt.tight_layout()

显示图表

plt.show()
“`

你也可以使用 plt.subplot(nrows, ncols, index) (注意没有 s) 或 fig.add_subplot(nrows, ncols, index) 来逐个添加子图，但 plt.subplots() 更为便捷。

对于更复杂的布局，例如不同大小的子图或非网格布局，可以使用 matplotlib.gridspec 模块。

9. 保存你的图表

绘制好的图表通常需要保存到文件中以便分享或在其他地方使用。plt.savefig() (或者在 OO 风格中，虽然通常不直接调用 Figure 的 savefig，但 plt.savefig 会保存当前的 Figure) 函数用于保存图表。

“`python
fig, ax = plt.subplots()
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x))
ax.set_title(“Sin Wave”)

保存图表到文件

文件格式由后缀名决定 (.png, .jpg, .pdf, .svg, .eps 等)

plt.savefig(‘sin_wave.png’)

可以设置分辨率 DPI (Dots Per Inch)

plt.savefig(‘sin_wave_high_res.png’, dpi=300)

保存为矢量图 (适合文档和出版)

plt.savefig(‘sin_wave.svg’)

显示图表 (如果不想显示，只保存，可以省略 plt.show())

plt.show()
“`

plt.savefig() 的常用参数包括：

fname: 文件名（包含路径和后缀）。
dpi: 分辨率，控制图片的清晰度（只对位图格式如 PNG, JPG 有效）。
format: 指定文件格式（通常可以从文件名后缀自动推断）。
transparent: 设置背景是否透明 (布尔值)。
bbox_inches: 控制保存的区域，设置为 'tight' 可以去除周围的空白区域。

10. 进阶探索：更多可能性

Matplotlib 的功能远不止于此。一旦掌握了基础，你可以进一步探索：

3D 绘图： 使用 mpl_toolkits.mplot3d 模块绘制三维散点图、曲面图、线框图等。
图像处理： 使用 matplotlib.pyplot.imshow() 显示图像数据。
文本和标注： 对文本和箭头进行更精细的控制，添加数学公式等。
颜色映射 (Colormaps)： 使用颜色映射来表示数据的第三个维度，特别适用于散点图和图像。
自定义刻度和轴： 更灵活地控制轴的刻度、标签和外观。
动画： 创建随时间变化的动态图表。
交互式后端： 在不同的 GUI 框架中嵌入 Matplotlib 图表，实现交互功能。
样式表： 使用样式表 (plt.style.use()) 快速改变图表的整体外观风格。
与 Pandas 集成： Pandas DataFrame 和 Series 对象有内置的 .plot() 方法，它们是基于 Matplotlib 实现的，提供了一种非常便捷的数据可视化方式。

11. 学习资源与社区

学习 Matplotlib 的最佳资源是官方文档和示例：

官方文档： https://matplotlib.org/stable/contents.html (非常详细，包含 API 参考)
官方示例库 (Gallery)： https://matplotlib.org/stable/gallery/index.html (大量各种图表类型的代码示例，是学习不同图表和定制技巧的绝佳途径)
教程： 官方网站提供了不同难度的教程，从入门到高级。
Stack Overflow： 在遇到具体问题时，搜索 Stack Overflow 往往能找到答案。
在线课程和博客： 许多在线教育平台和技术博客提供了 Matplotlib 的课程和教程。

积极动手实践是掌握 Matplotlib 的关键。尝试用自己的数据绘制不同类型的图表，并不断尝试定制各种元素。

12. 总结

Matplotlib 是 Python 数据可视化领域的基石。通过本文的介绍，你应该对 Matplotlib 的核心概念 (Figure, Axes)、两种主要接口 (Pyplot, 面向对象)、基础绘图类型以及图表定制方法有了快速而全面的了解。

虽然 Matplotlib 功能强大且灵活，但其庞大的 API 可能需要一些时间来熟悉。建议从基础开始，先掌握 Pyplot 进行快速绘图，然后逐步过渡到面向对象接口，以便更好地控制图表细节和处理复杂布局。结合官方文档、示例和不断实践，你将能够利用 Matplotlib 绘制出专业、美观且富有洞察力的数据可视化图表。

数据可视化是一个持续学习和探索的领域。掌握 Matplotlib 只是起点，它可以为你打开通向更高级可视化库 (如 Seaborn, Plotly) 和更复杂数据故事讲述的大门。

希望这篇文章能帮助你快速入门 Matplotlib，并激发你使用可视化探索数据的兴趣！开始你的可视化之旅吧！

快速了解 Matplotlib：Python 可视化库介绍

1. 初识 Matplotlib：Python 可视化的基石

2. 为什么选择 Matplotlib？

3. 安装与准备

4. Matplotlib 的核心概念：Figure 和 Axes

5. 两种接口风格：Pyplot 与 面向对象

Pyplot 接口：快速便捷

生成一些数据

使用 pyplot 绘制线图

添加标题和标签

显示图表

面向对象接口：精细控制

生成一些数据

使用面向对象接口：创建 Figure 和 Axes

调用 Axes 对象的方法进行绘图

调用 Axes 对象的方法添加标题和标签 (注意方法名前缀 ‘set_’)

显示图表

6. 基础绘图类型：绘制你的第一张图

线图 (Line Plot)

OO 风格

Pyplot 风格 (简单示例)

plt.plot(x, y1, label=’sin(x)’)

plt.plot(x, y2, label=’cos(x)’)

plt.title(“Sin and Cos Waves”)

plt.xlabel(“X”)

plt.ylabel(“Y”)

plt.legend()

plt.show()

散点图 (Scatter Plot)

OO 风格

Pyplot 风格 (简单示例)

plt.scatter(x, y, s=sizes, c=colors, alpha=0.7, cmap=’viridis’)

plt.title(“Random Scatter Plot”)

plt.xlabel(“X Value”)

plt.ylabel(“Y Value”)

plt.show()

柱状图 (Bar Plot)

OO 风格

Pyplot 风格 (简单示例)

plt.bar(categories, values)

plt.title(“Category Values”)

plt.xlabel(“Category”)

plt.ylabel(“Value”)

plt.show()

直方图 (Histogram)

OO 风格

Pyplot 风格 (简单示例)

plt.hist(data, bins=30)

plt.title(“Distribution of Random Data”)

plt.xlabel(“Value”)

plt.ylabel(“Frequency”)

plt.show()

饼图 (Pie Chart)

OO 风格

Pyplot 风格 (简单示例)

plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct=’%1.1f%%’, shadow=True, startangle=140)

plt.axis(‘equal’)

plt.title(“Fruit Distribution”)

plt.show()

7. 图表元素的定制与美化

添加标题和轴标签

OO 风格

Pyplot 风格

plt.plot([1, 2, 3], [4, 5, 6])

plt.title(“My Plot Title”)

plt.xlabel(“X-axis Label”)

plt.ylabel(“Y-axis Label”)

plt.show()

设置轴的范围和刻度

设置 x 轴和 y 轴的范围

设置 x 轴的刻度位置和标签

添加图例 (Legend)

添加图例，可以指定位置 (loc)

控制颜色、线型和标记

color: 设置颜色 (可以使用颜色名称，如 ‘red’, ‘blue’ 或十六进制码如 ‘#FF5733’)

linestyle: 设置线型 (‘-‘, ‘–‘, ‘:’, ‘-.’, ‘None’)

marker: 设置标记样式 (‘o’ 圆圈, ‘x’ 叉号, ‘*’ 星号, ‘.’ 点等)

linewidth: 设置线宽

markersize: 设置标记大小

添加网格线

5. 两种接口风格：Pyplot 与面向对象

发表评论取消回复