学习 Matplotlib：从零开始数据可视化

在数据科学、机器学习、统计分析以及任何需要理解和呈现数据的领域，数据可视化都扮演着至关重要的角色。它能将枯燥的数字和复杂的模式转化为直观易懂的图形，帮助我们发现隐藏的洞察、验证假设、并有效地沟通结果。而在 Python 的生态系统中，Matplotlib 无疑是最基础、最强大、也是最广泛使用的数据可视化库之一。

本文将带你从零开始学习 Matplotlib，从安装到基础概念，再到绘制各种常见图表及进行精细化定制，帮助你掌握这一核心工具，为你的数据分析之旅打下坚实的基础。

1. 数据可视化的重要性

在深入 Matplotlib 之前，我们先快速回顾一下数据可视化的重要性：

洞察发现: 通过图形，我们可以更容易地识别数据的趋势、模式、异常点和关联性，这些在原始表格数据中很难直接看出来。
故事讲述: 可视化是向他人（无论是非技术人员还是技术人员）传达数据故事的强大工具。一个好的图表往往比一页纸的数字更具说服力。
模型诊断: 在机器学习中，可视化常用于诊断模型的性能、理解特征的重要性或检查模型输出。
探索性数据分析 (EDA): 在分析的早期阶段，可视化是探索数据集、理解其结构和内容、并形成初步假设的关键步骤。

Matplotlib 提供了创建各种静态、动态甚至交互式图表的能力，是实现这些目标的多面手。

2. Matplotlib 的安装与基本使用

2.1 安装

安装 Matplotlib 非常简单，通常使用 pip 包管理器即可：

bash pip install matplotlib

如果你使用的是 Anaconda 或 Miniconda 环境，Matplotlib 通常已经预装。如果没有，可以使用 conda 进行安装：

bash conda install matplotlib

2.2 导入

安装完成后，在 Python 脚本或 Jupyter Notebook 中，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 import numpy as np # 通常会与 NumPy 一起使用生成数据

pyplot 模块提供了一个类似 MATLAB 的绘图接口，它会自动创建图形和坐标系，使得快速绘制图表变得非常便捷。这是 Matplotlib 两种主要接口之一（另一种是面向对象的接口，我们稍后会详细介绍）。

2.3 第一个简单的例子

让我们用 pyplot 绘制一个简单的线图：

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

生成一些示例数据

x = np.linspace(0, 10, 100) # 在0到10之间生成100个点
y = np.sin(x) # 计算这些点的正弦值

绘制线图

plt.plot(x, y)

添加标题和轴标签

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

显示图表

plt.show()
“`

运行这段代码，你应该会看到一个绘制了正弦曲线的窗口或在 Jupyter Notebook 中显示图表。

plt.plot(x, y): 这是核心的绘图命令，它接收 x 轴和 y 轴的数据，并绘制一条连接数据点的线。
plt.title(), plt.xlabel(), plt.ylabel(): 这些函数用于添加图表的标题和轴标签，使图表更具可读性。
plt.show(): 这个命令在非交互式环境（如 Python 脚本）中是必需的，它会显示当前创建的所有图表窗口。在 Jupyter Notebook 中，通常不需要显式调用 plt.show()，图表会自动显示。

3. Matplotlib 的核心组件：Figure 和 Axes

理解 Matplotlib 的核心概念是掌握其灵活性的关键。主要有两个核心组件：Figure 和 Axes。

3.1 Figure（图形）

Figure 是最高层级的容器，你可以将其想象成一个画布或者一个窗口。所有的图表元素（比如一个或多个 Axes、标题、图例、颜色条等）都放置在 Figure 中。

你可以使用 plt.figure() 函数创建一个 Figure 对象：

python fig = plt.figure()

你可以在创建 Figure 时指定其大小（英寸）：

python fig = plt.figure(figsize=(8, 6)) # 创建一个宽8英寸，高6英寸的Figure

3.2 Axes（坐标系/子图）

Axes 是实际绘制数据的地方。它包含数据空间（x轴和y轴）、刻度线（ticks）、刻度标签（tick labels）以及轴标签（axis labels）等等。一个 Figure 可以包含一个或多个 Axes 对象。

将 Axes 添加到 Figure 的常见方法有几种：

使用 fig.add_subplot():

“`python
fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1) # 将Figure分割成2×2的网格，并在第一个位置创建Axes
ax2 = fig.add_subplot(2, 2, 2) # 在第二个位置创建Axes

… 依此类推

`` 这里的参数(2, 2, 1)表示将 Figure 分成 2 行 2 列的网格，并在第 1 个位置（从左到右，从上到下计数）创建一个Axes`。
使用 plt.subplots() (推荐方式): 这是创建 Figure 和一个或多个 Axes 的更方便、更现代的方式。它直接返回一个 Figure 对象和一个或一组 Axes 对象。

“`python

创建一个Figure和一个Axes

fig, ax = plt.subplots()

创建一个Figure和多个Axes (例如 2×2 的网格)

fig, axs = plt.subplots(2, 2, figsize=(8, 6))

此时 axs 是一个 NumPy 数组，包含了四个 Axes 对象

axs[0, 0], axs[0, 1], axs[1, 0], axs[1, 1]

“`

plt.subplots() 的优点在于它同时创建了 Figure 和 Axes，并且在使用多个子图时，它返回的 Axes 对象组织得非常方便（通常是一个 NumPy 数组）。

3.3 Pyplot 接口 vs. 面向对象 (OO) 接口

现在我们可以更好地理解 Matplotlib 的两种接口：

pyplot 接口: 状态机式的接口，它隐式地创建和管理 Figure 和 Axes。当你调用 plt.plot()、plt.title() 等函数时，它们操作的是“当前的” Figure 和 Axes。这种接口对于快速创建简单的图表非常方便。

python plt.plot([1, 2, 3], [4, 5, 6]) # 隐式创建 Figure 和 Axes plt.title("Quick Plot") plt.show()
面向对象 (OO) 接口: 显式地创建 Figure 和 Axes 对象，然后调用这些对象的方法来绘制和定制图表（例如 ax.plot(), ax.set_title()）。这种方式提供了更多的控制，特别是在处理多个子图或进行复杂定制时，代码更清晰、更易于维护。

python fig, ax = plt.subplots() # 显式创建 Figure 和 Axes ax.plot([1, 2, 3], [4, 5, 6]) ax.set_title("OO Plot") ax.set_xlabel("X") ax.set_ylabel("Y") plt.show()

建议: 对于初学者，使用 pyplot 接口快速入门是很好的选择。但随着你的需求变得更复杂，强烈推荐转向使用面向对象接口，因为它提供了更清晰的代码结构和更强大的控制能力。在本文的后续示例中，我们将尽量同时展示两种接口的使用方法，但更倾向于使用 OO 接口进行定制。

4. 绘制常见图表类型

掌握了基本概念后，我们来看看如何使用 Matplotlib 绘制几种最常见的图表类型。

4.1 线图 (Line Plot)

线图用于展示数据随某一连续变量（通常是时间或顺序）的变化趋势。

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

生成数据

x = np.linspace(0, 10, 50)
y1 = np.sin(x)
y2 = np.cos(x)

— 使用 pyplot 接口 —

plt.figure(figsize=(8, 4)) # 可选：创建新的Figure并指定大小
plt.plot(x, y1, label=’sin(x)’, color=’blue’, linestyle=’-‘)
plt.plot(x, y2, label=’cos(x)’, color=’red’, linestyle=’–‘)
plt.title(“Sine and Cosine Waves (Pyplot)”)
plt.xlabel(“X”)
plt.ylabel(“Amplitude”)
plt.legend() # 显示图例
plt.grid(True) # 添加网格线
plt.show()

— 使用 OO 接口 —

fig, ax = plt.subplots(figsize=(8, 4)) # 创建Figure和Axes
ax.plot(x, y1, label=’sin(x)’, color=’blue’, linestyle=’-‘)
ax.plot(x, y2, label=’cos(x)’, color=’red’, linestyle=’–‘)
ax.set_title(“Sine and Cosine Waves (OO)”)
ax.set_xlabel(“X”)
ax.set_ylabel(“Amplitude”)
ax.legend() # 显示图例
ax.grid(True) # 添加网格线
plt.show() # 注意这里还是用 plt.show() 来显示 fig
“`

关键参数:

color: 设置线条颜色 (例如 ‘blue’, ‘red’, ‘green’, ‘k’/’black’, ‘#FF0000’)
linestyle: 设置线条样式 (例如 ‘-‘, ‘–‘, ‘:’, ‘-.’)
marker: 设置数据点的标记 (例如 ‘o’/’circle’, ‘x’, ‘*’/’star’, ‘.’/’point’)
label: 为该线条设置标签，用于图例

4.2 散点图 (Scatter Plot)

散点图用于展示两个变量之间的关系或相关性。每个数据点由其 x 和 y 坐标确定。

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

生成随机数据

np.random.seed(0) # 设置随机种子以便结果可复现
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 (映射到颜色图)

— 使用 OO 接口 —

fig, ax = plt.subplots(figsize=(7, 6))
scatter = ax.scatter(x, y, s=sizes, c=colors, alpha=0.7, cmap=’viridis’) # c参数可以使用颜色列表或映射到颜色图
ax.set_title(“Scatter Plot Example”)
ax.set_xlabel(“Variable A”)
ax.set_ylabel(“Variable B”)

添加颜色条 (对于 c 是连续值时很有用)

fig.colorbar(scatter, label=”Color Value”)

plt.show()
“`

关键参数:

s: 设置点的大小（可以是单一数值，也可以是与数据点数量相同的列表/数组）
c: 设置点的颜色（可以是单一颜色字符串，颜色列表，也可以是与数据点数量相同的数值列表，此时数值会映射到颜色图 cmap）
alpha: 设置点的透明度 (0.0 完全透明到 1.0 完全不透明)
cmap: 指定颜色图 (例如 ‘viridis’, ‘plasma’, ‘Blues’)

4.3 柱状图 (Bar Plot)

柱状图用于比较不同类别的数据大小。

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

数据

categories = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’]
values = [25, 60, 35, 50, 40]

— 使用 OO 接口 —

fig, ax = plt.subplots(figsize=(7, 5))
bars = ax.bar(categories, values, color=’skyblue’)

ax.set_title(“Bar Plot of Categories”)
ax.set_xlabel(“Category”)
ax.set_ylabel(“Value”)
ax.set_ylim(0, 70) # 设置Y轴范围

在每个柱子上方添加数值标签 (可选)

for bar in bars:
yval = bar.get_height()
ax.text(bar.get_x() + bar.get_width()/2, yval + 2, round(yval, 1), ha=’center’, va=’bottom’)

plt.show()

水平柱状图

fig, ax = plt.subplots(figsize=(7, 5))
ax.barh(categories, values, color=’lightgreen’)
ax.set_title(“Horizontal Bar Plot”)
ax.set_xlabel(“Value”)
ax.set_ylabel(“Category”)
plt.show()
“`

关键参数:

width: 设置柱子的宽度 (默认 0.8)
color: 设置柱子的颜色
edgecolor: 设置柱子边框颜色
barh(): 绘制水平柱状图

5. 定制化图表：让图表更具表现力

创建基本图表只是第一步，为了让图表更清晰、更美观、更能有效地传达信息，我们需要进行各种定制。Matplotlib 提供了丰富的选项。

5.1 添加标题和轴标签

我们已经在前面的例子中看到了 plt.title(), plt.xlabel(), plt.ylabel() (pyplot) 和 ax.set_title(), ax.set_xlabel(), ax.set_ylabel() (OO) 的用法。

你可以进一步定制字体、大小、颜色等：

python fig, ax = plt.subplots() ax.plot([1, 2, 3], [4, 5, 6]) ax.set_title("Customized Title", fontsize=16, color='darkproxy') ax.set_xlabel("X Value", fontsize=12, color='gray') ax.set_ylabel("Y Value", fontsize=12, color='gray') plt.show()

5.2 图例 (Legend)

图例用于解释图中不同线条或标记代表的含义。在绘制时，通过 label 参数为每个元素设置标签，然后调用 plt.legend() 或 ax.legend() 来显示图例。

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

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots()

ax.plot(x, np.sin(x), label=’Sine Function’, color=’blue’)
ax.plot(x, np.cos(x), label=’Cosine Function’, color=’red’, linestyle=’–‘)

ax.set_title(“Plot with Legend”)
ax.set_xlabel(“X”)
ax.set_ylabel(“Y”)

显示图例

ax.legend(loc=’upper right’, shadow=True, fancybox=True) # loc 指定位置，shadow 添加阴影，fancybox 添加圆角边框

plt.show()
“`

loc 参数非常有用，可以指定图例的位置（例如 ‘upper left’, ‘upper right’, ‘lower left’, ‘lower right’, ‘best’）。

5.3 颜色、线条样式和标记

在 plot() 和 scatter() 等函数中，你可以使用多种方式指定颜色、线条样式和标记。

颜色:
- 预定义颜色名: ‘red’, ‘blue’, ‘green’, ‘orange’, ‘purple’, ‘brown’, ‘pink’, ‘gray’, ‘olive’, ‘cyan’
- 单字母缩写: ‘b’ (blue), ‘g’ (green), ‘r’ (red), ‘c’ (cyan), ‘m’ (magenta), ‘y’ (yellow), ‘k’ (black), ‘w’ (white)
- Hex 字符串: ‘#FF0000’ (红色), ‘#00FF00’ (绿色)
- RGB 或 RGBA 元组: (1.0, 0.0, 0.0) (红色), (0.0, 1.0, 0.0, 0.5) (半透明绿色)
线条样式 (linestyle 或 ls):
- ‘-‘ 或 ‘solid’: 实线
- ‘–‘ 或 ‘dashed’: 虚线
- ‘-.’ 或 ‘dashdot’: 点划线
- ‘:’ 或 ‘dotted’: 点线
标记 (marker):
- ‘.’ : point marker
- ‘,’ : pixel marker
- ‘o’ : circle marker
- ‘v’ : triangle_down marker
- ‘^’ : triangle_up marker
- ‘<‘ : triangle_left marker
- ‘>’ : triangle_right marker
- ‘s’ : square marker
- ‘p’ : pentagon marker
- ‘*’ : star marker
- ‘h’ : hexagon1 marker
- ‘H’ : hexagon2 marker
- ‘+’ : plus marker
- ‘x’ : x marker
- ‘D’ : diamond marker
- ‘d’ : thin_diamond marker

可以将这些样式字符串组合使用，例如 'r--o' 表示红色虚线带圆圈标记。

5.4 设置轴范围和刻度

控制轴的显示范围和刻度位置及标签是重要的定制步骤。

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

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

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

设置X轴和Y轴的显示范围

ax.set_xlim(0, 10)
ax.set_ylim(-1.5, 1.5) # 让Y轴范围稍微超出数据范围

设置X轴的刻度位置

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

设置X轴的刻度标签 (可以使用LaTeX格式)

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

设置Y轴的刻度位置和标签 (自动)

ax.set_yticks([-1, 0, 1])

ax.set_yticklabels([‘Min’, ‘Zero’, ‘Max’]) # 手动设置标签

ax.set_title(“Custom Axis Limits and Ticks”)
ax.set_xlabel(“Angle”)
ax.set_ylabel(“Sine Value”)

plt.show()
“`

ax.set_xlim(min, max), ax.set_ylim(min, max): 设置轴的最小值和最大值。
ax.set_xticks(list_of_locations), ax.set_yticks(list_of_locations): 精确指定刻度线出现的位置。
ax.set_xticklabels(list_of_labels), ax.set_yticklabels(list_of_labels): 为刻度线设置自定义标签。

5.5 添加文本和标注

可以在图表的任意位置添加文本，或者标注特定的数据点。

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

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

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

添加普通文本

ax.text(5, 0.5, ‘Some Text Here’, fontsize=10, color=’gray’)

标注特定点 (例如第一个波峰)

peak_x = x[np.argmax(y)]
peak_y = np.max(y)
ax.annotate(f’Peak ({peak_x:.2f}, {peak_y:.2f})’, # 标注的文本
xy=(peak_x, peak_y), # 被标注点的坐标
xytext=(peak_x + 1, peak_y + 0.5), # 文本的坐标
arrowprops=dict(facecolor=’black’, shrink=0.05)) # 箭头属性

ax.set_title(“Plot with Text and Annotation”)
ax.set_xlabel(“X”)
ax.set_ylabel(“Y”)
plt.show()
“`

ax.text(x, y, text, **kwargs): 在指定坐标 (x, y) 处添加文本。
ax.annotate(text, xy, xytext, arrowprops, **kwargs): 用于标注，xy 是被标注点的坐标，xytext 是文本框的坐标，arrowprops 是箭头的样式字典。

5.6 网格线

使用 plt.grid(True) 或 ax.grid(True) 可以方便地添加网格线，帮助读取数值。

python fig, ax = plt.subplots() ax.plot([1, 2, 3], [4, 5, 6]) ax.grid(True, linestyle='--', alpha=0.6) # 可以定制线条样式和透明度 plt.show()

5.7 调整布局

当有多个子图时，可能会出现标题或标签重叠的情况。plt.tight_layout() 或 fig.tight_layout() 会自动调整子图参数，使之填充整个 figure 区域，并尽量避免重叠。

“`python
fig, axs = plt.subplots(2, 2, figsize=(8, 6))

axs[0, 0].plot([1, 2, 3], [1, 2, 3])
axs[0, 0].set_title(“Top Left”)

axs[0, 1].plot([1, 2, 3], [3, 2, 1], color=’red’)
axs[0, 1].set_title(“Top Right”)

axs[1, 0].bar([‘A’, ‘B’], [10, 20])
axs[1, 0].set_title(“Bottom Left”)

axs[1, 1].scatter([1, 2, 3], [5, 6, 7])
axs[1, 1].set_title(“Bottom Right”)

plt.tight_layout() # 自动调整子图布局
plt.show()
“`

6. 绘制更多图表类型

Matplotlib 支持绘制多种类型的图表。这里简要介绍几种：

直方图 (Histogram): 用于展示数据的分布。
python data = np.random.randn(1000) # 生成符合标准正态分布的1000个随机数 fig, ax = plt.subplots() ax.hist(data, bins=30, color='skyblue', edgecolor='black') # bins指定分组数量 ax.set_title("Histogram of Random Data") ax.set_xlabel("Value") ax.set_ylabel("Frequency") plt.show()
箱线图 (Box Plot): 用于展示数据的分布、中位数、四分位数、离群点等。常用于比较多组数据的分布。
“`python
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(1, 2, 100)
data3 = np.random.normal(-1, 1.5, 100)

data = [data1, data2, data3]
labels = [‘Group 1’, ‘Group 2’, ‘Group 3’]

fig, ax = plt.subplots()
ax.boxplot(data, labels=labels)
ax.set_title(“Box Plot of Groups”)
ax.set_ylabel(“Value”)
plt.show()
“`
饼图 (Pie Chart): 用于展示各部分占总体的比例。
“`python
sizes = [15, 30, 45, 10]
labels = [‘Apples’, ‘Bananas’, ‘Cherries’, ‘Dates’]
colors = [‘gold’, ‘yellowgreen’, ‘lightcoral’, ‘lightskyblue’]
explode = (0, 0.1, 0, 0) # 突出显示 ‘Bananas’ 部分

fig, ax = plt.subplots()
ax.pie(sizes, explode=explode, labels=labels, colors=colors,
autopct=’%1.1f%%’, shadow=True, startangle=140) # autopct显示百分比
ax.axis(‘equal’) # 使饼图为圆形
ax.set_title(“Fruit Distribution”)
plt.show()
“`

Matplotlib 提供了更多图表类型，你可以查阅官方文档或 Gallery 来探索。

7. 保存图表

创建好图表后，你需要将其保存到文件中。使用 plt.savefig() 方法：

“`python
fig, ax = plt.subplots()
ax.plot([1, 2, 3], [4, 5, 6])
ax.set_title(“Plot to Save”)

保存为PNG文件

plt.savefig(“my_plot.png”)

保存为PDF文件，设置分辨率 (dpi) 和去除边缘空白 (bbox_inches=’tight’)

plt.savefig(“my_plot.pdf”, dpi=300, bbox_inches=’tight’)

保存为SVG矢量图

plt.savefig(“my_plot.svg”)

保存为JPG文件

plt.savefig(“my_plot.jpg”)

plt.show() # show() 在 savefig() 之后调用，这样图表会在保存后才关闭
“`

plt.savefig() 的常用参数：

fname: 文件名（包含路径和扩展名）。扩展名决定了保存的文件格式。
dpi: 分辨率（dots per inch），越高图像越清晰，文件也越大。矢量图（如 PDF, SVG）没有 DPI 的概念。
bbox_inches: 如果设置为 'tight'，会尝试去除图像周围的空白区域。
format: 明确指定文件格式，可以省略如果文件名中有扩展名。

8. 与 Pandas 的结合使用

在实际数据分析中，我们经常使用 Pandas 处理数据。Pandas 的 DataFrame 和 Series 对象内置了方便的 .plot() 方法，它实际上是调用 Matplotlib 来绘制图表。这是非常高效的工作流程。

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

创建一个示例 Pandas DataFrame

data = {
‘categories’: [‘A’, ‘B’, ‘C’, ‘D’, ‘E’],
‘values’: [25, 60, 35, 50, 40],
‘values_2’: [20, 55, 30, 45, 35]
}
df = pd.DataFrame(data)

使用 Pandas 内置的 plot 方法绘制柱状图

df.plot(x=’categories’, y=’values’, kind=’bar’, title=”Pandas Bar Plot”)
plt.ylabel(“Value”) # 可以继续使用 plt 或 ax 进行定制
plt.show()

使用 Pandas 绘制线图

df.plot(x=’categories’, y=[‘values’, ‘values_2′], kind=’line’, marker=’o’, title=”Pandas Line Plot”)
plt.ylabel(“Value”)
plt.show()

使用 Pandas 绘制散点图

df.plot(x=’values’, y=’values_2′, kind=’scatter’, title=”Pandas Scatter Plot”)
plt.show()
“`

Pandas 的 .plot() 方法简化了常见图表的绘制，并且它返回的是 Matplotlib 的 Axes 对象，这意味着你可以在 Pandas 绘图的基础上，继续使用 Matplotlib 的 OO 接口进行更精细的定制。

“`python
fig, ax = plt.subplots() # 先创建Figure和Axes

将 ax 对象传递给 Pandas plot 方法

df.plot(x=’categories’, y=’values’, kind=’bar’, ax=ax, color=’orange’)

ax.set_title(“Pandas Plot on Specific Axes”)
ax.set_ylabel(“Custom Y Label”)
ax.grid(axis=’y’, linestyle=’–‘) # 在指定的ax上添加网格线

plt.show()
“`

这种结合使用 plt.subplots() 和 Pandas .plot(ax=ax) 的方式，是处理多个子图或进行复杂 Pandas 数据可视化时非常推荐的模式。

9. 数据可视化的最佳实践

学习了工具之后，了解如何有效地使用它同样重要。

明确目的: 在绘图前，想清楚你想通过图表传达什么信息。
选择合适的图表类型: 不同类型的图表适合展示不同类型的数据关系（趋势、比较、分布、构成）。选择最能突出你想要展示的洞察的图表。
保持简洁: 避免不必要的图表元素、过多的颜色或复杂的三维效果，以免分散读者的注意力。
清晰的标签和标题: 确保所有轴都有清晰的标签（包含单位如果需要），图表有描述性的标题，图例清晰易懂。
有效使用颜色: 颜色可以用来区分类别或表示数值，但要避免使用过多颜色，并考虑颜色对色盲读者的影响。使用颜色图（Colormaps）来表示连续数值。
不要歪曲数据: 避免通过操纵轴的比例或范围来夸大或隐藏数据中的模式。
添加上下文: 必要时，在图表旁边添加简短的文字解释关键发现或背景信息。

10. 总结与进阶

恭喜你，已经迈出了使用 Matplotlib 进行数据可视化的重要一步！本文带你了解了 Matplotlib 的基本概念、两种接口、常见图表的绘制方法以及详细的定制技巧。

Matplotlib 是一个庞大而灵活的库，本文只是触及了冰山一角。要进一步提升你的可视化技能，你可以：

查阅官方文档和 Gallery: Matplotlib 官方网站有非常详细的文档和大量的示例图库 (Gallery)，是学习和寻找灵感的宝库。
学习 Seaborn: Seaborn 是构建在 Matplotlib 之上的高级统计可视化库，它提供了更美观的默认样式和更多针对统计分析的图表类型，与 Pandas 集成得非常好。通常，先用 Pandas/Seaborn 快速生成图表，再用 Matplotlib 进行精细调整是高效的工作流程。
探索其他可视化库: 根据需求，你可能还会用到 Plotly (交互式图表), Bokeh (交互式图表), Tableau (商业智能工具) 等。
大量练习: 多动手实践，尝试用不同的数据绘制各种图表，并不断尝试定制选项。

数据可视化是一门艺术也是一门科学。掌握 Matplotlib 这样的强大工具，将极大地增强你理解和沟通数据的能力。现在就开始你的可视化实践之旅吧！

学习 Matplotlib：从零开始数据可视化

1. 数据可视化的重要性

2. Matplotlib 的安装与基本使用

2.1 安装

2.2 导入

2.3 第一个简单的例子

生成一些示例数据

绘制线图

添加标题和轴标签

显示图表

3. Matplotlib 的核心组件：Figure 和 Axes

3.1 Figure（图形）

3.2 Axes（坐标系/子图）

… 依此类推

创建一个Figure和一个Axes

创建一个Figure和多个Axes (例如 2×2 的网格)

此时 axs 是一个 NumPy 数组，包含了四个 Axes 对象

axs[0, 0], axs[0, 1], axs[1, 0], axs[1, 1]

3.3 Pyplot 接口 vs. 面向对象 (OO) 接口

4. 绘制常见图表类型

4.1 线图 (Line Plot)

生成数据

— 使用 pyplot 接口 —

— 使用 OO 接口 —

4.2 散点图 (Scatter Plot)

生成随机数据

— 使用 OO 接口 —

添加颜色条 (对于 c 是连续值时很有用)

4.3 柱状图 (Bar Plot)

数据

— 使用 OO 接口 —

在每个柱子上方添加数值标签 (可选)

水平柱状图

5. 定制化图表：让图表更具表现力

5.1 添加标题和轴标签

5.2 图例 (Legend)

显示图例

5.3 颜色、线条样式和标记

5.4 设置轴范围和刻度

设置X轴和Y轴的显示范围

设置X轴的刻度位置

设置X轴的刻度标签 (可以使用LaTeX格式)

设置Y轴的刻度位置和标签 (自动)

ax.set_yticks([-1, 0, 1])

ax.set_yticklabels([‘Min’, ‘Zero’, ‘Max’]) # 手动设置标签

5.5 添加文本和标注

添加普通文本

标注特定点 (例如第一个波峰)

5.6 网格线

5.7 调整布局

6. 绘制更多图表类型

7. 保存图表

保存为PNG文件

保存为PDF文件，设置分辨率 (dpi) 和去除边缘空白 (bbox_inches=’tight’)

保存为SVG矢量图

保存为JPG文件

8. 与 Pandas 的结合使用

创建一个示例 Pandas DataFrame

使用 Pandas 内置的 plot 方法绘制柱状图

使用 Pandas 绘制线图

使用 Pandas 绘制散点图

将 ax 对象传递给 Pandas plot 方法

9. 数据可视化的最佳实践

10. 总结与进阶

发表评论 取消回复

发表评论取消回复