---

Matplotlib 入门：为初学者准备的完整教程

数据可视化是数据科学中至关重要的一步，它能帮助我们理解数据的分布、趋势和关系。在 Python 生态系统中，Matplotlib 是一个功能强大且广泛使用的绘图库。无论你是学生、研究员还是数据分析师，掌握 Matplotlib 都能极大地提升你的工作效率和数据洞察能力。

本教程旨在为完全没有 Matplotlib 经验的初学者提供一个全面、详细的入门指南。我们将从安装开始，逐步深入，讲解 Matplotlib 的基本概念、如何创建各种常用图表、以及如何对图表进行精细的定制，最终让你能够自信地使用 Matplotlib 进行数据可视化。

预计阅读时间： 约 25-35 分钟
目标读者： 对 Matplotlib 完全陌生的 Python 用户
先决条件： 熟悉 Python 基础语法

目录

1. 引言：什么是 Matplotlib？

   • 数据可视化的重要性
   • Matplotlib 的定位和优势
   • Pyplot 简介

2. 环境准备：安装 Matplotlib

   • 使用 pip 安装
   • 验证安装

3. Matplotlib 的核心概念：Figure 和 Axes

   • Figure（画布）
   • Axes（坐标系/绘图区域）
   • 理解 Figure 和 Axes 的关系

4. 初识 Matplotlib：第一个简单图表

   • 导入 Pyplot
   • 绘制直线图
   • 显示图表
   • 通过列表绘制数据

5. 掌握基础图表类型

   • 直线图 (Line Plot): 绘制趋势
   • 散点图 (Scatter Plot): 展示数据点分布和关系
   • 柱状图 (Bar Plot): 比较类别数据
   • 直方图 (Histogram): 查看数据分布

6. 图表元素的添加与定制

   • 添加标题 (Title)
   • 添加轴标签 (Labels)
   • 添加图例 (Legend)
   • 设置轴范围 (Limits)
   • 添加网格线 (Grid)
   • 添加文本注释 (Annotations)

7. 图表外观的精细控制

   • 颜色 (Color)
   • 线型 (Line Style) 和线宽 (Line Width)
   • 标记 (Marker) 和标记大小 (Marker Size)
   • 透明度 (Alpha)
   • 使用内置样式 (Styles)

8. 绘制多个子图 (Subplots)

   • 使用 plt.subplot()
   • 使用 plt.subplots()（推荐）
   • 在子图中绘制不同类型的图表

9. 保存图表

   • plt.savefig() 函数
   • 指定文件格式和分辨率

10. 一个综合示例：绘制更复杂的图表

    • 结合多种技术绘制一个包含多个元素的图表

11. 总结与下一步

    • 回顾所学内容
    • 进一步学习资源和方向

---

1. 引言：什么是 Matplotlib？

数据可视化的重要性

在处理数据时，仅仅看到数字往往难以获得直观的认识。数据可视化是将数据转化为图形或图像的过程，它能帮助我们：

• 发现趋势和模式： 一眼看出数据随时间的变化趋势、不同类别之间的差异。
• 识别异常值： 图形中的离群点往往很容易被发现。
• 传达洞察： 清晰的图表能够有效地向他人解释你的分析结果。
• 验证假设： 通过可视化快速检查数据是否符合你的预期。

Matplotlib 的定位和优势

Matplotlib 是 Python 中最经典、最基础的绘图库。它提供了非常强大的控制能力，几乎可以定制图表的每一个细节。它的主要优势包括：

• 功能强大： 能够生成各种静态、动态和交互式图表。
• 高度可定制： 从字体、颜色到线型、标记，几乎所有元素都可以调整。
• 广泛应用： 在科学计算、数据分析、机器学习等领域被广泛使用。
• 丰富的生态系统： 与 NumPy、Pandas 等库紧密集成，也有 Seaborn、Plotly 等更高级的库基于 Matplotlib 构建或兼容。
• 文档齐全： 官方文档详细且示例丰富（虽然有时对初学者来说可能显得庞大）。

Pyplot 简介

在 Matplotlib 中，最常用的模块是 matplotlib.pyplot。它提供了一个方便的、类似 MATLAB 的绘图接口，通过一系列函数调用来创建和定制图表。对于初学者来说，使用 pyplot 是一个很好的起点。我们通常会将其导入为 plt：

python
import matplotlib.pyplot as plt

在本教程中，我们将主要使用 pyplot 接口，并适当地引入 Matplotlib 的面向对象接口，以便更好地理解图表的结构。

2. 环境准备：安装 Matplotlib

在开始之前，你需要确保你的 Python 环境已经安装了 Matplotlib。最常用的安装方式是使用 pip。

使用 pip 安装

打开你的终端或命令行，执行以下命令：

bash
pip install matplotlib

如果你使用的是 Anaconda 环境，也可以使用 conda 进行安装：

bash
conda install matplotlib

为了更好地支持中文显示和一些特殊字符，建议同时安装 fonttools：

bash
pip install fonttools

安装过程可能需要一些时间，取决于你的网络状况。

验证安装

安装完成后，你可以通过简单的 Python 代码来验证 Matplotlib 是否成功安装：

python
import matplotlib
print(matplotlib.__version__)

如果成功打印出 Matplotlib 的版本号，说明安装成功。

3. Matplotlib 的核心概念：Figure 和 Axes

理解 Matplotlib 的 Figure 和 Axes 概念对于掌握如何构建和定制复杂图表至关重要。可以把它们想象成绘画过程中的两个关键元素。

Figure（画布）

Figure 对象是 Matplotlib 中的顶层容器，你可以理解为它是一个窗口或者一张画布，所有的图形元素（如坐标系、标题、图例等）都绘制在这个画布上。一个 Figure 可以包含一个或多个 Axes 对象。

你可以使用 plt.figure() 来创建一个 Figure 对象：

python
fig = plt.figure()

调用 plt.figure() 会创建一个新的空白画布。

Axes（坐标系/绘图区域）

Axes 对象是实际绘制数据的地方，它包含了 x 轴、y 轴、数据点、线条、标签、标题等。一个 Figure 可以包含多个 Axes，每个 Axes 都是一个独立的绘图区域。不要混淆 Axes 和 Axis (Axis 指的是 x轴或 y轴本身)。

虽然你可以通过 fig.add_subplot() 方法向 Figure 中添加 Axes，但更常用且方便的方式是使用 plt.subplots() 函数。

理解 Figure 和 Axes 的关系

plt.subplots(nrows=1, ncols=1) 是一个非常常用的函数，它可以一步到位地创建一个 Figure 和一个或多个 Axes。

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

这个函数返回一个包含 Figure 对象和 Axes 对象（或 Axes 对象数组）的元组。当 nrows 和 ncols 都为 1 时（这是默认值），ax 就是一个单个的 Axes 对象。如果 nrows 或 ncols 大于 1，ax 将是一个 NumPy 数组，你需要通过索引来访问每个 Axes，例如 ax[0, 0]。

为什么理解 Figure 和 Axes 很重要？

虽然 pyplot 提供了一些全局性的函数（如 plt.plot(), plt.title()），它们会自动作用于当前的 Figure 和 Axes。但在创建复杂图表或子图时，直接操作 Figure 和 Axes 对象（即使用面向对象的接口，如 ax.plot(), ax.set_title()) 会给你更多的控制权，并且代码会更清晰。对于初学者，先用 pyplot 入门，然后逐渐过渡到面向对象接口是一个不错的策略。我们将在后面的章节中结合使用这两种方式。

4. 初识 Matplotlib：第一个简单图表

让我们来绘制一个最简单的直线图。

导入 Pyplot

python
import matplotlib.pyplot as plt

绘制直线图

pyplot 的 plot() 函数是最基础的绘图函数之一。它可以用来绘制线图或散点图。最简单的用法是给它传递一个列表或 NumPy 数组。Matplotlib 会默认将其作为 y 轴的值，而 x 轴的值则默认为这些数据的索引（从 0 开始）。

“`python

绘制一个简单的y值列表

plt.plot([1, 2, 3, 4])
“`

这里，x轴的值默认为 [0, 1, 2, 3]，y轴的值为 [1, 2, 3, 4]。

如果你同时提供两个列表或数组，第一个将作为 x 轴的值，第二个作为 y 轴的值。

python
x = [1, 2, 3, 4]
y = [10, 8, 6, 4]
plt.plot(x, y)

显示图表

绘制命令（如 plt.plot()）实际上只是在内存中创建或修改图表对象，并不会立即显示出来。你需要调用 plt.show() 函数来显示绘制的图表窗口。

“`python
import matplotlib.pyplot as plt

准备数据

x = [1, 2, 3, 4]
y = [10, 8, 6, 4]

绘制直线图

plt.plot(x, y)

显示图表

plt.show()
“`

运行这段代码，应该会弹出一个窗口显示一个简单的直线图。

通过 NumPy 数组绘制数据

在实际应用中，我们经常使用 NumPy 数组来存储和处理数据。Matplotlib 与 NumPy 集成得非常好。

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

创建 NumPy 数组数据

x = np.linspace(0, 10, 100) # 生成0到10之间100个等间隔的数
y = np.sin(x) # 计算这些数的正弦值

绘制正弦曲线

plt.plot(x, y)

显示图表

plt.show()
“`

这段代码将绘制一条平滑的正弦曲线。

5. 掌握基础图表类型

除了直线图，Matplotlib 还支持多种常用的图表类型。

直线图 (Line Plot)

前面已经介绍了 plt.plot() 的基本用法。它可以用来展示数据随某个连续变量（通常是时间）的变化趋势。

你可以绘制多条线在同一个 Axes 中：

“`python
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, label=’Sin(x)’) # 绘制第一条线，并加上标签
plt.plot(x, y2, label=’Cos(x)’) # 绘制第二条线，并加上标签

plt.xlabel(‘X Axis’) # 添加x轴标签
plt.ylabel(‘Y Axis’) # 添加y轴标签
plt.title(‘Sin and Cos Waves’) # 添加图表标题
plt.legend() # 显示图例

plt.show()
“`

散点图 (Scatter Plot)

散点图用于显示数据点之间的关系，通常用于观察两个变量之间的相关性。使用 plt.scatter() 函数。

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

生成一些随机数据

np.random.seed(0) # 固定随机种子以便复现
x = np.random.rand(50) * 10 # 50个0到10之间的随机数
y = np.random.rand(50) * 10 # 50个0到10之间的随机数
colors = np.random.rand(50) # 50个随机颜色值
sizes = np.random.rand(50) * 100 # 50个随机大小值

绘制散点图

plt.scatter(x, y, c=colors, s=sizes, alpha=0.7) # c参数控制颜色, s参数控制大小, alpha控制透明度

plt.xlabel(‘Random X’)
plt.ylabel(‘Random Y’)
plt.title(‘Scatter Plot with Random Data’)

plt.show()
“`

柱状图 (Bar Plot)

柱状图用于比较不同类别的数据。plt.bar() 用于绘制垂直柱状图，plt.barh() 用于绘制水平柱状图。

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

类别数据

categories = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’]

对应的值

values = [23, 45, 56, 12, 30]

绘制垂直柱状图

plt.bar(categories, values, color=’skyblue’) # 可以指定颜色

plt.xlabel(‘Category’)
plt.ylabel(‘Value’)
plt.title(‘Bar Plot Example’)

plt.show()
“`

绘制水平柱状图：

“`python
import matplotlib.pyplot as plt

categories = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’]
values = [23, 45, 56, 12, 30]

plt.barh(categories, values, color=’lightgreen’) # 使用 barh 绘制水平柱状图

plt.xlabel(‘Value’)
plt.ylabel(‘Category’) # 注意x轴和y轴标签的含义互换
plt.title(‘Horizontal Bar Plot Example’)

plt.show()
“`

直方图 (Histogram)

直方图用于显示数据集的分布。它将数据分成若干个区间（bins），然后统计每个区间内数据点的数量。使用 plt.hist() 函数。

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

生成一组服从正态分布的随机数据

data = np.random.randn(1000) # 1000个随机数，均值为0，方差为1

绘制直方图

bins参数指定直方图的柱子数量或边界

plt.hist(data, bins=30, color=’salmon’, edgecolor=’black’) # edgecolor给柱子加边框

plt.xlabel(‘Value’)
plt.ylabel(‘Frequency’)
plt.title(‘Histogram of Random Data’)

plt.show()
“`

6. 图表元素的添加与定制

一个好的图表不仅要展示数据，还需要清晰地说明数据代表什么。这通常通过添加标题、轴标签、图例等元素来实现。

无论是使用 pyplot 接口 (plt.XXX()) 还是面向对象接口 (ax.set_XXX())，这些功能都很容易实现。对于单个图表，两者效果类似，但面向对象接口在处理多个子图时更方便。我们将主要展示面向对象接口的使用。

我们通常从 plt.subplots() 开始获取 Figure 和 Axes 对象：

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

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

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

ax.plot(x, y) # 使用 Axes 对象进行绘图

添加标题

ax.set_title(‘Sin Curve’)

添加轴标签

ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)

显示图表

plt.show()
“`

添加标题 (Title)

• pyplot 接口：plt.title('Your Title')
• 面向对象接口：ax.set_title('Your Title')

添加轴标签 (Labels)

• pyplot 接口：plt.xlabel('X-axis Label'), plt.ylabel('Y-axis Label')
• 面向对象接口：ax.set_xlabel('X-axis Label'), ax.set_ylabel('Y-axis Label')

添加图例 (Legend)

当你在同一个 Axes 中绘制多条线或多个数据系列时，图例可以帮助区分它们。你需要在使用 plot() 或 scatter() 等函数时，通过 label 参数为每个数据系列指定一个名称。然后调用 plt.legend() 或 ax.legend() 来显示图例。

“`python
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)

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

ax.set_title(‘Sin and Cos Waves with Legend’)
ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)
ax.legend() # 显示图例

plt.show()
“`

设置轴范围 (Limits)

你可以使用 plt.xlim()、plt.ylim() 或 ax.set_xlim()、ax.set_ylim() 来手动设置 x 轴和 y 轴的显示范围。

“`python
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(‘Sin Curve with Custom Limits’)
ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)

ax.set_xlim(0, 5) # 设置x轴范围从0到5
ax.set_ylim(-1.5, 1.5) # 设置y轴范围从-1.5到1.5

plt.show()
“`

添加网格线 (Grid)

网格线可以帮助读者更容易地读取图表中的数值。

• pyplot 接口：plt.grid(True)
• 面向对象接口：ax.grid(True)

你还可以定制网格线的样式（如颜色、线型）。

“`python
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(‘Sin Curve with Grid’)
ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)
ax.grid(True, linestyle=’–‘, alpha=0.6) # 添加网格线，设置为虚线，半透明

plt.show()
“`

添加文本注释 (Annotations)

你可以在图表的任意位置添加文本说明，或者用箭头指向图表中的特定点。plt.text() 或 ax.text() 用于添加文本，plt.annotate() 或 ax.annotate() 用于添加带箭头的注释。

“`python
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(‘Sin Curve with Annotation’)
ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)

添加一个简单的文本注释

ax.text(7, 0.5, ‘Peak Value’, fontsize=10, color=’red’)

添加一个带箭头的注释，指向正弦曲线的第一个峰值

ax.annotate(‘First Peak’, xy=(np.pi/2, 1), xytext=(5, 1.2),
arrowprops=dict(facecolor=’black’, shrink=0.05))

plt.show()
``xy是要注释的点，xytext是文本放置的位置，arrowprops` 用于定制箭头的样式。

7. 图表外观的精细控制

Matplotlib 提供了丰富的选项来控制图表的颜色、线型、标记等外观属性，让你的图表更具表现力和专业性。这些选项通常作为参数传递给绘图函数（如 plot, scatter, bar, hist）。

颜色 (Color)

可以通过多种方式指定颜色：

• 颜色缩写： ‘b’ (蓝色), ‘g’ (绿色), ‘r’ (红色), ‘c’ (青色), ‘m’ (品红), ‘y’ (黄色), ‘k’ (黑色), ‘w’ (白色)
• 全称： ‘blue’, ‘green’, ‘red’, ‘cyan’, ‘magenta’, ‘yellow’, ‘black’, ‘white’
• 十六进制字符串： ‘#EE6666’
• RGB 元组： (0.1, 0.2, 0.5) 值范围在 0 到 1 之间
• 灰度字符串： 例如 ‘0.8’ (表示 80% 的灰度)

“`python
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)

ax.plot(x, y1, color=’green’, label=’Sin(x)’) # 使用颜色名称
ax.plot(x, y2, color=’#FF7F0E’, label=’Cos(x)’) # 使用十六进制码

ax.legend()
ax.set_title(‘Custom Colors’)
plt.show()
“`

线型 (Line Style) 和线宽 (Line Width)

用于 plot 函数控制线的样式和粗细：

• linestyle (或简写 ls): ‘-‘ (实线), ‘–‘ (虚线), ‘-.’ (点划线), ‘:’ (点线), ‘None’ (无线条)
• linewidth (或简写 lw): 设置线的粗细，通常为浮点数

“`python
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)
y3 = np.sin(x) * np.cos(x)

ax.plot(x, y1, linestyle=’-‘, lw=1, label=’Solid’)
ax.plot(x, y2, ls=’–‘, lw=2, label=’Dashed’)
ax.plot(x, y3, ls=’:’, lw=3, label=’Dotted’)

ax.legend()
ax.set_title(‘Custom Line Styles and Widths’)
plt.show()
“`

标记 (Marker) 和标记大小 (Marker Size)

用于在数据点位置添加标记，特别是在散点图或点状线图中：

• marker: 设置标记的样式，如 ‘o’ (圆圈), ‘x’ (叉号), ‘s’ (正方形), ‘^’ (三角形), ‘.’ (点) 等
• markersize (或简写 ms): 设置标记的大小
• markeredgecolor (或简写 mec): 设置标记的边缘颜色
• markerfacecolor (或简写 mfc): 设置标记的填充颜色

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

fig, ax = plt.subplots()

x = np.linspace(0, 10, 10) # 使用较少的数据点以便看到标记
y = np.sin(x)

ax.plot(x, y, marker=’o’, ms=8, mec=’blue’, mfc=’lightblue’, linestyle=’–‘)

ax.set_title(‘Line Plot with Markers’)
plt.show()
“`

对于 scatter 函数，s 参数用于控制标记大小，c 参数控制颜色。

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

np.random.seed(0)
x = np.random.rand(50) * 10
y = np.random.rand(50) * 10
sizes = np.random.rand(50) * 200 + 50 # 50到250之间的大小
colors = np.random.rand(50) # 随机颜色

fig, ax = plt.subplots()
ax.scatter(x, y, s=sizes, c=colors, alpha=0.8, cmap=’viridis’, edgecolors=’w’) # cmap指定颜色映射，edgecolors指定边缘颜色

ax.set_title(‘Scatter Plot with Variable Size and Color’)
plt.show()
“`

透明度 (Alpha)

alpha 参数用于设置图表元素的透明度，值范围在 0 (完全透明) 到 1 (完全不透明) 之间。这在数据点密集时很有用，可以帮助看出重叠区域。

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

np.random.seed(0)
x = np.random.randn(1000)
y = np.random.randn(1000)

fig, ax = plt.subplots()

ax.scatter(x, y, alpha=0.3) # 设置透明度为 0.3

ax.set_title(‘Scatter Plot with Alpha’)
plt.show()
“`

使用内置样式 (Styles)

Matplotlib 提供了很多内置的样式，可以快速改变图表的整体外观风格。你可以通过 plt.style.use() 函数来应用这些样式。

要查看所有可用的样式：

python
print(plt.style.available)

常用的样式包括 ‘seaborn-v0_8’, ‘ggplot’, ‘fivethirtyeight’, ‘classic’, ‘dark_background’ 等。

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

应用 ‘ggplot’ 样式

plt.style.use(‘ggplot’)

fig, ax = plt.subplots()

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

ax.plot(x, y)

ax.set_title(‘Sin Curve with ggplot Style’)
ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)

plt.show()
“`

请注意，plt.style.use() 会影响它之后创建的所有图表，直到你使用 plt.style.use('default') 或其他样式来覆盖它。

8. 绘制多个子图 (Subplots)

有时我们需要在一个 Figure 中展示多个相关的图表，以便于比较。Matplotlib 提供了创建子图的功能。

使用 plt.subplot()

plt.subplot(nrows, ncols, index) 函数可以在一个 Figure 中创建一个 Axes。nrows 和 ncols 分别指定子图的行数和列数，index 指定当前 Axes 的位置（从左上角开始，按行计数，从 1 开始）。

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

创建一个 Figure

plt.figure(figsize=(10, 5)) # 可以指定 Figure 的大小 (宽, 高) 英寸

创建第一个子图 (1行2列，第一个)

plt.subplot(1, 2, 1)
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
plt.plot(x, y1)
plt.title(‘Sin(x)’)

创建第二个子图 (1行2列，第二个)

plt.subplot(1, 2, 2)
y2 = np.cos(x)
plt.plot(x, y2, color=’orange’)
plt.title(‘Cos(x)’)

自动调整子图之间的间距，避免重叠

plt.tight_layout()

plt.show()
“`

这种方式对于简单的子图布局很直观，但当子图数量多或布局复杂时，管理起来可能不太方便，尤其是在使用面向对象接口时。

使用 plt.subplots()（推荐）

前面提到过的 plt.subplots(nrows, ncols) 函数是创建子图的更现代和推荐的方式。它直接返回 Figure 和 Axes 对象（或 Axes 对象的 NumPy 数组），你可以直接操作这些 Axes 对象进行绘图。

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

创建一个 2行2列 的子图布局

fig 是 Figure 对象

axs 是一个 2×2 的 NumPy 数组，包含了所有的 Axes 对象

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

在左上角子图绘图 (axs[0, 0])

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

在右上角子图绘图 (axs[0, 1])

axs[0, 1].plot(x, np.cos(x), color=’red’)
axs[0, 1].set_title(‘Cos(x)’)

在左下角子图绘图 (axs[1, 0])

axs[1, 0].scatter(np.random.rand(50), np.random.rand(50))
axs[1, 0].set_title(‘Random Scatter’)

在右下角子图绘图 (axs[1, 1])

data = np.random.randn(100)
axs[1, 1].hist(data, bins=20)
axs[1, 1].set_title(‘Random Histogram’)

添加 Figure 的总标题

fig.suptitle(‘Four Different Plots’, fontsize=16)

自动调整子图间距

plt.tight_layout(rect=[0, 0.03, 1, 0.95]) # rect参数可以为suptitle留出空间

plt.show()
“`

使用 plt.subplots() 返回的 axs 数组来操作每个子图的 Axes 对象，是更清晰、更灵活的方式，尤其是在你需要对每个子图进行独立的定制时。

9. 保存图表

当你完成图表的绘制和定制后，通常需要将其保存到文件中，而不是只在屏幕上显示。使用 plt.savefig() 函数可以轻松实现这一点。

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

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

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

ax.plot(x, y)
ax.set_title(‘Sin Curve’)
ax.set_xlabel(‘X-axis’)
ax.set_ylabel(‘Y-axis’)

保存图表到文件

文件名 ‘sin_curve.png’

dpi 参数控制分辨率，越高越清晰

bbox_inches=’tight’ 尝试去除图表周围多余的空白

plt.savefig(‘sin_curve.png’, dpi=300, bbox_inches=’tight’)

如果需要显示图表，仍然需要调用 show()

plt.show()

print(“图表已保存为 sin_curve.png”)
“`

savefig() 函数的常用参数：

• fname: 文件名或文件路径。文件扩展名（如 .png, .jpg, .pdf, .svg）决定了保存的格式。
• dpi: Dots per inch，控制图像分辨率。对于打印或高质量显示很重要。
• format: 明确指定文件格式（可选，通常根据文件名推断）。
• bbox_inches: ‘tight’ 可以尝试移除图表周围的空白区域，避免轴标签或标题被裁切。
• transparent: True 可以将图表背景设置为透明（适用于 PNG 和 SVG 等格式）。

你可以保存为多种格式，例如：

• plt.savefig('my_plot.png') (PNG 格式，位图)
• plt.savefig('my_plot.jpg') (JPEG 格式，位图)
• plt.savefig('my_plot.pdf') (PDF 格式，矢量图，推荐用于出版)
• plt.savefig('my_plot.svg') (SVG 格式，矢量图，推荐用于网页或矢量编辑)

矢量图格式（如 PDF, SVG）在放大时不会失真，通常更适合出版和高质量输出。

10. 一个综合示例：绘制更复杂的图表

让我们结合前面学到的知识，创建一个稍微复杂一些的图表，包含多个数据系列、定制外观和图例等。

假设我们有一些关于不同城市每月平均温度的数据。

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

模拟一些数据

months = [‘Jan’, ‘Feb’, ‘Mar’, ‘Apr’, ‘May’, ‘Jun’,
‘Jul’, ‘Aug’, ‘Sep’, ‘Oct’, ‘Nov’, ‘Dec’]

城市A的平均温度 (模拟)

temp_city_a = np.array([5, 6, 10, 15, 20, 25, 28, 27, 22, 16, 10, 6])

城市B的平均温度 (模拟)

temp_city_b = np.array([2, 4, 8, 13, 18, 23, 26, 25, 20, 14, 8, 4])

设置图表样式 (可选)

plt.style.use(‘seaborn-v0_8-darkgrid’) # 使用 seaborn 风格

创建 Figure 和 Axes 对象

fig, ax = plt.subplots(figsize=(10, 6)) # 指定 Figure 大小

绘制城市A的温度曲线，带标记

ax.plot(months, temp_city_a, marker=’o’, linestyle=’-‘, color=’steelblue’, label=’City A’)

绘制城市B的温度曲线，使用不同的样式

ax.plot(months, temp_city_b, marker=’x’, linestyle=’–‘, color=’indianred’, label=’City B’)

添加标题和轴标签

ax.set_title(‘Monthly Average Temperature Comparison’, fontsize=16)
ax.set_xlabel(‘Month’, fontsize=12)
ax.set_ylabel(‘Temperature (°C)’, fontsize=12)

添加图例

ax.legend(loc=’upper left’, fontsize=10) # 指定图例位置和字体大小

设置 y 轴范围

ax.set_ylim(0, 35) # 留出一些空间

添加网格线 (样式已经在 style 中定义，这里如果想自定义可以再次调用)

ax.grid(True, linestyle=’:’, alpha=0.6)

在某个点添加文本注释 (例如，城市A的最高温度)

max_temp_a = temp_city_a.max()
max_month_a_index = temp_city_a.argmax()
ax.text(max_month_a_index, max_temp_a + 1, f'{max_temp_a}°C’,
horizontalalignment=’center’, color=’steelblue’, fontsize=10)

在某个点添加文本注释 (例如，城市B的最高温度)

max_temp_b = temp_city_b.max()
max_month_b_index = temp_city_b.argmax()
ax.text(max_month_b_index, max_temp_b + 1, f'{max_temp_b}°C’,
horizontalalignment=’center’, color=’indianred’, fontsize=10)

自动调整布局

fig.tight_layout()

保存图表

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

显示图表

plt.show()
“`

这段代码展示了如何：
* 导入必要的库。
* 准备数据（使用列表和 NumPy 数组）。
* 应用 Matplotlib 样式。
* 创建 Figure 和 Axes。
* 在 Axes 上绘制多条线，并使用不同的颜色、线型和标记。
* 添加标题、轴标签和图例。
* 设置轴的范围。
* 添加文本注释来突出重要数值。
* 使用 tight_layout() 调整子图间距。
* 保存图表到文件。
* 显示图表。

这是一个相对完整的例子，涵盖了本教程中的大部分基础知识。

11. 总结与下一步

恭喜你！你已经完成了 Matplotlib 的入门学习。在本教程中，我们学习了：

• 什么是 Matplotlib 及其在数据可视化中的作用。
• 如何安装 Matplotlib。
• Matplotlib 的核心概念 Figure 和 Axes。
• 如何使用 pyplot 和面向对象接口创建简单的图表。
• 绘制直线图、散点图、柱状图和直方图。
• 为图表添加标题、轴标签、图例、网格线和文本注释。
• 精细定制图表的颜色、线型、标记等外观属性。
• 创建和管理多个子图。
• 将图表保存到文件。
• 通过一个综合示例巩固所学知识。

这只是 Matplotlib 功能的冰山一角。Matplotlib 还有很多更高级和专业的特性，例如：

• 绘制更复杂的图表类型（如饼图、箱线图、等高线图等）。
• 处理日期和时间数据。
• 创建 3D 图表。
• 制作动画和交互式图表。
• 更高级的布局控制（如 GridSpec）。
• 自定义字体、刻度、颜色映射等。

进一步学习资源和方向：

• Matplotlib 官方文档： 这是最权威的资料来源，虽然内容庞大，但通过搜索特定函数或示例是学习的好方法。
• Matplotlib 示例库： 官方网站上的示例非常丰富，很多时候找到一个类似的示例代码，在其基础上修改，是学习和解决问题的有效途径。
• Seaborn 库： Seaborn 是基于 Matplotlib 的高级统计数据可视化库，提供了更美观的默认样式和更方便的高级图表类型函数，与 Pandas 集成更好。在掌握 Matplotlib 基础后，学习 Seaborn 会让你事半功倍。
• 其他可视化库： Plotly (交互式图表)、Bokeh (交互式图表)、Altair (声明式可视化) 等也是值得了解的 Python 可视化库。

持续练习是掌握 Matplotlib 的关键。尝试用 Matplotlib 绘制你自己的数据，多参考官方示例和文档，你会越来越熟练地使用这个强大的工具。

希望这篇详细的教程为你打开了 Matplotlib 的大门，祝你在数据可视化的旅程中取得成功！

---