Python 数据可视化库 Matplotlib 基础 – wiki基地

作者： /

Matplotlib基础：从零开始掌握Python数据可视化

引言

在数据科学、机器学习、人工智能等领域，数据可视化是理解数据、发现规律、验证假设以及向他人展示成果的不可或缺的工具。Python 生态系统拥有众多优秀的可视化库，而 Matplotlib 无疑是其中最基础、最经典、也是功能最全面的一个。它诞生于 2003 年，旨在提供一个 MATLAB 风格的绘图接口，但其发展至今已远超最初的目标，成为了 Python 社区最受欢迎的绘图库之一。

Matplotlib 能够创建各种静态、动态甚至交互式的图表。虽然对于某些特定类型的图表（如统计图）可能有更专业的库（如 Seaborn, Plotly）更为便捷，但这些库很多时候底层仍然依赖于 Matplotlib，理解 Matplotlib 的基础对于深入掌握 Python 数据可视化至关重要。

本文将带你从零开始，详细探索 Matplotlib 的基础知识，包括其核心概念、两种主要接口的使用方法，以及如何绘制常见的图表并进行基本的定制。

第一部分：Matplotlib 的安装与基本概念

1. 安装 Matplotlib

安装 Matplotlib 非常简单，使用 pip 包管理器即可完成：

bash
pip install matplotlib

如果你使用的是 Anaconda 发行版，Matplotlib 通常已经预装好了。

2. 导入 Matplotlib

在 Python 脚本或 Jupyter Notebook 中使用 Matplotlib 时，我们通常会导入 pyplot 模块，并按照惯例将其别名为 plt：

python
import matplotlib.pyplot as plt
import numpy as np # 通常会结合 NumPy 使用

matplotlib.pyplot 是 Matplotlib 提供的一个面向过程的接口，它模仿了 MATLAB 的绘图方式，对于快速绘制简单的图表非常方便。

3. Matplotlib 的核心概念：Figure 和 Axes

理解 Matplotlib 的核心概念是掌握其强大功能的关键。Matplotlib 的绘图通常围绕两个主要的面向对象元素展开：Figure (图) 和 Axes (坐标系)。

  • Figure (图): Figure 对象代表整个图形窗口或页面。它是所有绘图元素的容器。你可以把 Figure 想象成一张画布，所有的图表（Axes）都绘制在这张画布上。一个 Figure 可以包含一个或多个 Axes。
  • Axes (坐标系): Axes 对象代表 Figure 上的一个独立的绘图区域，也就是我们通常所说的“一张图”或“一个子图”。它包含了数据坐标系以及构成一个图表的所有元素，例如 x 轴、y 轴、刻度、刻度标签、图例、标题等。虽然名字是 Axes（复数），但它通常指代一个单一的坐标系。

这种 Figure 和 Axes 的层次结构是 Matplotlib 设计的基础，理解这一点对于绘制复杂布局和精细控制图表元素至关重要。

4. 两种绘图接口：Pyplot 和 Object-Oriented (OO)

Matplotlib 提供了两种主要的绘图接口：

  • Pyplot 接口 (State-based): 这是前面提到的 matplotlib.pyplot 模块。它提供了一系列函数（如 plt.plot(), plt.title(), plt.xlabel(), plt.ylabel(), plt.show() 等），这些函数隐式地在当前活动的 Figure 和 Axes 上进行操作。这种接口简单直观，特别适合快速绘制简单的图表，因为它为你管理了 Figure 和 Axes 对象的状态。
  • Object-Oriented (OO) 接口: 这种方法是推荐用于更复杂或需要更多定制的图表。你显式地创建 Figure 和 Axes 对象，然后调用这些对象的方法来绘制和定制图表（如 ax.plot(), ax.set_title(), ax.set_xlabel(), ax.legend() 等）。这种方法提供了更精细的控制力，尤其是在处理多个子图时。

大多数简单的操作在两种接口下都可以实现，但使用 OO 接口通常能写出更清晰、更易维护的代码。在本文中，我们将重点讲解如何使用这两种接口来创建和定制图表。

第二部分：使用 Pyplot 接口绘制基本图表

Pyplot 接口提供了一个快速入门 Matplotlib 的途径。你只需要调用一系列函数，Matplotlib 会帮你管理底层的 Figure 和 Axes。

1. 绘制简单的线条图

最基础的图表是线条图，通常用于展示数据随某个连续变量（如时间、空间）的变化趋势。

“`python

示例 1: 简单的线条图

import matplotlib.pyplot as plt
import numpy as np

准备数据

x = np.linspace(0, 10, 100) # 在 0 到 10 之间生成 100 个点
y = np.sin(x) # 计算对应的 sin 值

使用 plt.plot() 绘制线条

plt.plot(x, y)

添加标题和轴标签

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

显示图表

plt.show()
“`

plt.plot(x, y) 函数接收 x 和 y 坐标的数组作为输入，并连接这些点绘制出线条。如果不提供 x 数组，plt.plot() 会默认使用数据的索引作为 x 轴的值。

2. 绘制多个线条

可以在同一个 Axes（默认情况下就是当前的 Axes）上绘制多条线条，只需要多次调用 plt.plot() 函数即可。

“`python

示例 2: 绘制多个线条

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1) # 绘制 sin 波
plt.plot(x, y2) # 绘制 cos 波

plt.title(“Sine and Cosine Waves”)
plt.xlabel(“X-axis”)
plt.ylabel(“Y-axis”)

添加图例 (非常重要，用于区分不同线条)

plt.legend([“Sin”, “Cos”]) # 按照绘制的顺序指定标签

plt.show()
“`

3. 自定义线条样式、颜色和标记

plt.plot() 函数接收很多参数来控制线条的外观，常用的包括：

  • color 或 c: 线条颜色 (e.g., ‘r’ for red, ‘g’ for green, ‘b’ for blue, ‘k’ for black, ‘#FF5733’ for hex code)
  • linestyle 或 ls: 线条样式 (e.g., ‘-‘, ‘–‘, ‘:’, ‘-.’)
  • linewidth 或 lw: 线条宽度
  • marker: 数据点的标记样式 (e.g., ‘o’ for circle, ‘s’ for square, ‘^’ for triangle, ‘.’ for point)
  • markersize 或 ms: 标记大小
  • label: 用于图例的标签

你也可以使用一个格式字符串来同时指定颜色、标记和线条样式，例如 ‘ro–‘ 表示红色圆点和虚线。

“`python

示例 3: 自定义线条样式

import matplotlib.pyplot as plt
import numpy as np

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

使用参数指定样式

plt.plot(x, y1, color=’blue’, linestyle=’–‘, linewidth=2, label=’Sin (Custom)’)

使用格式字符串指定样式

plt.plot(x, y2, ‘ro-‘, markersize=5, label=’Cos (Format Str)’)

plt.title(“Customized Sine and Cosine Waves”)
plt.xlabel(“X-axis”)
plt.ylabel(“Y-axis”)
plt.legend() # 显示图例 (使用 plot 函数中指定的 label)

plt.show()
“`

4. 设置坐标轴范围

使用 plt.xlim() 和 plt.ylim() 函数可以设置 x 轴和 y 轴的显示范围。

“`python

示例 4: 设置坐标轴范围

import matplotlib.pyplot as plt
import numpy as np

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

plt.plot(x, y)

plt.title(“Sine Wave with limited axes”)
plt.xlabel(“X-axis”)
plt.ylabel(“Y-axis”)

plt.xlim(0, 5) # 设置 x 轴范围从 0 到 5
plt.ylim(-1.2, 1.2) # 设置 y 轴范围从 -1.2 到 1.2

plt.show()
“`

5. 添加网格

使用 plt.grid() 可以添加网格线，帮助读取图表上的数值。

“`python

示例 5: 添加网格

import matplotlib.pyplot as plt
import numpy as np

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

plt.plot(x, y)
plt.title(“Sine Wave with Grid”)
plt.xlabel(“X-axis”)
plt.ylabel(“Y-axis”)
plt.grid(True) # 添加网格线

plt.show()
“`

第三部分：使用 Object-Oriented (OO) 接口绘制图表

虽然 Pyplot 接口方便快捷，但 OO 接口提供了更强的控制力和灵活性，特别是在需要创建复杂图表布局或对单个图表元素进行更精细的调整时。推荐在编写更正式或可复用的代码时使用 OO 接口。

使用 OO 接口的基本模式是：首先创建 Figure 和 Axes 对象，然后调用 Axes 对象的方法来绘制和定制图表。

1. 创建 Figure 和 Axes

最常用的创建 Figure 和 Axes 的方法是使用 plt.subplots() 函数。它可以创建一个 Figure 和一个或多个 Axes，并返回 Figure 对象和 Axes 对象（或 Axes 对象的数组）。

“`python

示例 6: 使用 OO 接口创建 Figure 和 Axes

import matplotlib.pyplot as plt
import numpy as np

创建一个 Figure 和一个 Axes

fig, ax = plt.subplots()

数据

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

使用 Axes 对象的方法绘图

ax.plot(x, y)

使用 Axes 对象的方法设置标题和标签 (注意方法名变化，例如 set_title 代替 plt.title)

ax.set_title(“Sine Wave (OO Interface)”)
ax.set_xlabel(“X-axis”)
ax.set_ylabel(“Y-axis”)

显示图表 (仍然使用 plt.show())

plt.show()
“`

注意，OO 接口的方法名通常是 Pyplot 函数名前加上 set_（对于设置属性的方法，如 set_title, set_xlabel）或者直接是绘图类型（如 plot, scatter, bar）。

2. 使用 OO 接口绘制多个线条并添加图例

“`python

示例 7: OO 接口绘制多个线条和图例

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

使用 ax.plot() 绘制多条线，并指定 label

ax.plot(x, y1, label=’Sin’)
ax.plot(x, y2, label=’Cos’)

ax.set_title(“Sine and Cosine Waves (OO Interface)”)
ax.set_xlabel(“X-axis”)
ax.set_ylabel(“Y-axis”)
ax.legend() # 使用 ax.legend() 显示图例

plt.show()
“`

3. 使用 OO 接口设置轴范围和网格

“`python

示例 8: OO 接口设置轴范围和网格

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()

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

ax.plot(x, y)

ax.set_title(“Sine Wave (OO Interface with limited axes and grid)”)
ax.set_xlabel(“X-axis”)
ax.set_ylabel(“Y-axis”)

ax.set_xlim(0, 5)
ax.set_ylim(-1.2, 1.2)
ax.grid(True) # 使用 ax.grid() 添加网格

plt.show()
“`

为什么推荐 OO 接口？

  • 明确性: 你清楚地知道正在哪个 Axes 对象上进行操作。这在有多个子图时尤为重要。
  • 控制力: OO 接口提供了更多方法来精细控制图表的各个部分（如轴刻度、文本、背景等），例如 ax.get_xticklabels() 可以获取 x 轴的刻度标签对象，然后进一步修改它们的属性。
  • 可维护性: 代码结构更清晰，易于理解和修改，尤其是在大型项目中。

第四部分：绘制其他常见图表类型

除了线条图，Matplotlib 还支持多种其他类型的图表。下面介绍几种常用的。

1. 散点图 (Scatter Plot)

散点图用于展示两个数值变量之间的关系，每个点代表一个观察值。

“`python

示例 9: 散点图

import matplotlib.pyplot as plt
import numpy as np

生成随机数据

np.random.seed(0) # 为了结果可复现
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50) # 用于颜色映射
sizes = 1000 * np.random.rand(50) # 用于大小映射

fig, ax = plt.subplots()

ax.scatter(x, y) # 基本散点图

带颜色和大小映射的散点图

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

ax.set_title(“Scatter Plot with Color and Size Mapping”)
ax.set_xlabel(“Random X”)
ax.set_ylabel(“Random Y”)

添加颜色条 (只对有颜色映射的散点图有意义)

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

plt.show()
“`

ax.scatter() 函数允许通过 c 参数控制点的颜色，通过 s 参数控制点的大小，通过 alpha 控制点的透明度，通过 cmap 设置颜色映射方案。

2. 柱状图 (Bar Plot)

柱状图用于比较不同类别的数据量或频率。

“`python

示例 10: 柱状图

import matplotlib.pyplot as plt
import numpy as np

categories = [‘Category A’, ‘Category B’, ‘Category C’, ‘Category D’, ‘Category E’]
values = [23, 45, 56, 12, 39]

fig, ax = plt.subplots()

绘制柱状图

ax.bar(categories, values)

ax.set_title(“Bar Plot of Categories”)
ax.set_xlabel(“Category”)
ax.set_ylabel(“Value”)

plt.show()
“`

ax.bar() 函数接受类别的名称和对应的值作为输入。对于水平柱状图，可以使用 ax.barh()。

3. 直方图 (Histogram)

直方图用于展示连续变量的分布情况，将数据划分到不同的“箱子”（bins）中，然后绘制每个箱子的频率或计数。

“`python

示例 11: 直方图

import matplotlib.pyplot as plt
import numpy as np

生成符合正态分布的随机数据

data = np.random.randn(1000)

fig, ax = plt.subplots()

绘制直方图

bins 参数决定了分成多少个箱子或箱子的边界

ax.hist(data, bins=30, edgecolor=’black’) # edgecolor=’black’ 使箱子之间有边界线

ax.set_title(“Histogram of Random Data”)
ax.set_xlabel(“Value”)
ax.set_ylabel(“Frequency”)

plt.show()
“`

ax.hist() 函数的 bins 参数非常重要，它会影响直方图的外观和对数据分布的感知。

4. 饼图 (Pie Chart)

饼图用于展示各部分占总体的比例。

“`python

示例 12: 饼图

import matplotlib.pyplot as plt

sizes = [15, 30, 45, 10] # 各部分的比例
labels = [‘Part 1’, ‘Part 2’, ‘Part 3’, ‘Part 4’]
colors = [‘gold’, ‘yellowgreen’, ‘lightcoral’, ‘lightskyblue’]
explode = (0, 0.1, 0, 0) # 突出显示第二部分

fig, ax = plt.subplots()

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

ax.set_title(“Pie Chart Example”)

Equal aspect ratio ensures that pie is drawn as a circle.

ax.axis(‘equal’) # 使饼图呈圆形

plt.show()
“`

ax.pie() 函数的 autopct 参数用于在扇形上显示比例，explode 参数用于将某个扇形“爆炸”出来。

5. 箱线图 (Box Plot)

箱线图用于展示一组数据的分布特征，包括中位数、四分位数、最大值和最小值，以及可能的异常值。

“`python

示例 13: 箱线图

import matplotlib.pyplot as plt
import numpy as np

生成多组随机数据

np.random.seed(0)
data1 = np.random.normal(100, 10, 200) # 均值100，标准差10
data2 = np.random.normal(90, 20, 200) # 均值90，标准差20
data3 = np.random.normal(80, 30, 200) # 均值80，标准差30

data_to_plot = [data1, data2, data3]

fig, ax = plt.subplots()

绘制箱线图

ax.boxplot(data_to_plot, patch_artist=True, labels=[‘Group 1’, ‘Group 2’, ‘Group 3’])

patch_artist=True 可以填充箱子颜色

ax.set_title(“Box Plot of Multiple Groups”)
ax.set_ylabel(“Value”)

plt.show()
“`

ax.boxplot() 函数常用于比较不同组数据的分布。

第五部分：定制图表细节和布局

Matplotlib 提供了丰富的选项来定制图表的每一个细节。

1. 控制多个子图

使用 plt.subplots() 可以方便地创建包含多个子图的 Figure。

“`python

示例 14: 多个子图

import matplotlib.pyplot as plt
import numpy as np

创建一个 2×2 的子图网格

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(8, 6)) # figsize 控制 Figure 大小

axes 是一个二维 NumPy 数组，可以通过索引访问每个子图 (Axes 对象)

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

在每个子图上绘制不同的图表

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

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

ax3.hist(np.random.randn(500), bins=20, color=’green’)
ax3.set_title(‘Histogram’)

ax4.scatter(np.random.rand(50), np.random.rand(50), color=’purple’)
ax4.set_title(‘Scatter Plot’)

调整子图之间的间距，避免重叠

plt.tight_layout()

plt.show()
“`

plt.subplots(nrows, ncols) 返回一个 Figure 对象和 Axes 对象数组。如果只有一个子图 (nrows=1, ncols=1)，axes 就是一个 Axes 对象；如果有多个子图，axes 就是一个 NumPy 数组，你需要通过索引访问特定的 Axes 对象。

2. 设置刻度、刻度标签和网格线

可以对轴的刻度位置、标签以及网格线进行更精细的控制。

“`python

示例 15: 自定义刻度和标签

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()

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

ax.plot(x, y)

ax.set_title(“Customized Ticks and Labels”)
ax.set_xlabel(“Angle (radians)”)
ax.set_ylabel(“Sin(Angle)”)

设置 x 轴的刻度位置

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

设置 x 轴刻度对应的标签

ax.set_xticklabels([‘0’, ‘$\pi/2$’, ‘$\pi$’, ‘$3\pi/2$’, ‘$2\pi$’]) # 支持 LaTeX 格式的数学符号

设置 y 轴的刻度

ax.set_yticks([-1, -0.5, 0, 0.5, 1])

添加网格线

ax.grid(True, linestyle=’–‘, alpha=0.6) # 设置网格线样式和透明度

plt.show()
“`

ax.set_xticks(), ax.set_xticklabels(), ax.set_yticks(), ax.set_yticklabels() 方法提供了对轴刻度的完全控制。

3. 添加文本和注解

可以在图表的任意位置添加文本或箭头注解。

“`python

示例 16: 添加文本和注解

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()

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

ax.plot(x, y)

ax.set_title(“Plot with Text and Annotation”)
ax.set_xlabel(“X-axis”)
ax.set_ylabel(“Y-axis”)

添加文本 (位置, 文本内容)

ax.text(5, 8, ‘Peak Value’, fontsize=12, color=’red’)

添加注解 (文本内容, 注释点坐标xy, 文本框坐标xytext, 箭头属性arrowprops)

ax.annotate(‘Local Maximum’, xy=(7.7, 7.5), xytext=(6, 10),
arrowprops=dict(facecolor=’black’, shrink=0.05))

plt.show()
“`

ax.text() 在指定的数据坐标位置添加文本。ax.annotate() 更强大，可以添加带箭头的注解，用于指向图表中的特定点。

4. 修改字体

可以全局或局部修改图表中的字体。

“`python

示例 17: 修改字体

import matplotlib.pyplot as plt
import numpy as np

全局设置字体 (可能会影响中文显示，需配置支持中文的字体)

plt.rcParams[‘font.family’] = ‘serif’

plt.rcParams[‘font.serif’] = [‘Times New Roman’] # 指定具体字体

plt.rcParams[‘font.size’] = 12

fig, ax = plt.subplots()

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

ax.plot(x, y)

局部设置字体

ax.set_title(“Custom Font Example”, fontsize=16, fontweight=’bold’)
ax.set_xlabel(“X-axis”, fontsize=14)
ax.set_ylabel(“Y-axis”, fontsize=14)
ax.text(5, 0, ‘Some Text’, fontsize=10, fontfamily=’monospace’)

plt.show()
“`

修改全局字体需要确保你的系统安装了对应的字体，并且 Matplotlib 能够找到它们。对于中文显示问题，通常需要设置 font.family 和 axes.unicode_minus。

第六部分：保存图表

绘制好的图表可以保存为多种格式的文件，如 PNG, JPG, SVG, PDF 等。

“`python

示例 18: 保存图表

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots()

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

ax.plot(x, y)

ax.set_title(“Plot to Save”)
ax.set_xlabel(“X-axis”)
ax.set_ylabel(“Y-axis”)

保存图表

filename: 文件名 (自动根据后缀判断格式)

dpi: 分辨率 (dots per inch)

bbox_inches=’tight’: 自动调整边框，去除空白

plt.savefig(‘sine_wave.png’, dpi=300, bbox_inches=’tight’)
plt.savefig(‘sine_wave.pdf’)
plt.savefig(‘sine_wave.svg’)

print(“Plots saved!”)

plt.show() # 保存后可以选择不显示，或显示后再保存

“`

使用 plt.savefig() 或 Figure 对象的 fig.savefig() 方法可以保存图表。dpi 参数控制图片的分辨率，对于需要印刷或高质量展示的图片非常重要。bbox_inches='tight' 可以去除图表周围不必要的空白边缘。

第七部分：结合 Pandas 使用 Matplotlib

Pandas DataFrame 和 Series 对象自带了 .plot() 方法，底层就是基于 Matplotlib 实现的。这使得从 Pandas 数据结构直接创建图表变得非常方便。

“`python

示例 19: Pandas 集成

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

创建一个 Pandas DataFrame

data = {‘A’: np.random.rand(50).cumsum(),
‘B’: np.random.rand(50).cumsum()}
df = pd.DataFrame(data, index=pd.date_range(‘2023-01-01’, periods=50))

直接从 DataFrame 绘制线条图

df.plot(title=’Cumulative Random Walk (Pandas Plot)’)
plt.xlabel(“Date”)
plt.ylabel(“Value”)
plt.show()

绘制散点图

df.plot(kind=’scatter’, x=’A’, y=’B’, title=’A vs B (Pandas Scatter)’)
plt.show()

绘制柱状图

df.iloc[0].plot(kind=’bar’, title=’First Row Values (Pandas Bar)’)
plt.ylabel(“Value”)
plt.xticks(rotation=0) # 防止 x 轴标签旋转
plt.show()
“`

Pandas 的 .plot() 方法是 Matplotlib 的一个便捷封装，可以快速创建各种图表类型（通过 kind 参数指定，如 ‘line’, ‘bar’, ‘barh’, ‘hist’, ‘box’, ‘kde’, ‘density’, ‘area’, ‘pie’, ‘scatter’）。理解 Matplotlib 的基础概念（Figure, Axes, 以及如何设置标签、标题、图例等）对于定制 Pandas 生成的图表仍然非常有用，因为你可以获取 Pandas plot 返回的 Axes 对象，然后对其进行进一步的 Matplotlib 操作。

第八部分：进一步学习的方向

本文介绍了 Matplotlib 的基础知识。在此基础上，你可以进一步探索：

  • 更高级的定制: 学习如何修改轴的属性、刻度样式、文本属性、颜色映射、Figure 和 Axes 的背景等。
  • 3D 绘图: Matplotlib 可以绘制基本的 3D 图表（如 3D 散点图、曲面图）。
  • 动画: Matplotlib 支持创建简单的动画。
  • 交互性: 了解 Matplotlib 的交互式后端以及如何与 GUI 工具包（如 PyQt, Tkinter）集成。
  • styles: 使用 plt.style.use() 应用预设的风格，快速改善图表外观。
  • 文本和数学公式: 学习更复杂的文本排版和 LaTeX 数学公式的使用。
  • 子图的更多布局选项: 使用 GridSpec 或手动定位 Axes。
  • 更专业的库: 学习 Seaborn（基于 Matplotlib，提供更高级的统计图）、Plotly（交互式图表）、Bokeh（交互式图表，适合 Web）。

结论

Matplotlib 作为 Python 数据可视化的基石，提供了极其强大和灵活的绘图能力。通过理解其核心概念 Figure 和 Axes，并掌握 Pyplot 和 Object-Oriented 两种接口的使用，你就能绘制出绝大多数常见的二维图表。虽然初学者可能会觉得其 OO 接口稍显复杂，但一旦掌握，它能为你带来对图表前所未有的控制力。

从基础的线条图开始，逐步学习散点图、柱状图、直方图等，并尝试定制图表的各个元素（标题、标签、图例、颜色、样式、刻度等），你会发现 Matplotlib 能够满足你绝大多数的数据可视化需求。结合 Pandas 等数据处理库，高效地探索和展示数据将变得更加轻松。

数据可视化是一门艺术也是一门科学，而 Matplotlib 是你进行这门工作的强大画笔。不断实践，勇于尝试不同的参数和图表类型，你就能创作出既美观又信息丰富的数据可视化作品。

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注

滚动至顶部