Matplotlib 是 Python 中最流行的可视化库之一，它提供了强大的绘图功能，能帮助我们将数据转化为直观的图表。本文将从基础语法到高级技巧，带小友系统掌握 Matplotlib 的使用方法，文中所有代码均可直接运行，建议配合实际操作去理解。
一、Matplotlib 入门：环境准备与基础概念
1.1 安装 Matplotlib
在开始之前，请确保已安装 Matplotlib 库。如果尚未安装，可以使用以下命令通过 pip 安装：
pip install matplotlib
安装完成后，我们就可以在 Python 脚本中导入 Matplotlib 并开始绘图了。通常，我们会使用matplotlib.pyplot模块，并将其简写为plt，这是约定俗成的用法：
import matplotlib.pyplot as plt
1.2 核心概念：Figure 与 Axes
在 Matplotlib 中，有两个核心对象需要理解：
- Figure：可以理解为画布，是所有绘图元素的容器。一个 Figure 可以包含多个 Axes（子图）。
- Axes：可以理解为子图，是实际绘图的区域。每个 Axes 都有自己的坐标轴（x 轴、y 轴）、标题、图例等元素。
最简单的绘图流程是：创建 Figure → 创建 Axes → 调用绘图方法 → 显示图像。例如：
# 创建画布（Figure）
fig = plt.figure()
# 在画布上添加子图（Axes）
ax = fig.add_subplot(111) # 111表示1行1列第1个
# 绘制数据
ax.plot([1, 2, 3, 4], [1, 4, 9, 16])
# 显示图像
plt.show()
运行上述代码，会显示一个简单的折线图，其中 x 轴数据为[1,2,3,4]，y 轴数据为[1,4,9,16]。
二、基础图表绘制：从零开始的可视化
2.1 折线图（Line Plot）
折线图是最常用的图表类型之一，适合展示数据随时间或有序类别变化的趋势。
import matplotlib.pyplot as plt
# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
# 数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# 绘制折线图
plt.plot(x, y, marker='o', color='b', linestyle='-', linewidth=2, markersize=8)
# 添加标题和坐标轴标签
plt.title('简单折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')
# 显示网格
plt.grid(True, linestyle='--', alpha=0.7)
# 显示图像
plt.show()
代码解释：
- marker='o'：设置数据点标记为圆形
- color='b'：线条颜色为蓝色（'b' 代表 blue）
- linestyle='-'：线条样式为实线
- linewidth=2：线条宽度为 2
- markersize=8：数据点大小为 8
- plt.grid()：添加网格线，alpha控制透明度
2.2 柱状图（Bar Plot）
柱状图适合比较不同类别的数据值，通过柱子的高度直观展示数据差异。
import matplotlib.pyplot as plt
# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
# 数据
categories = ['A', 'B', 'C', 'D']
values = [23, 45, 56, 78]
# 绘制柱状图
plt.bar(categories, values, color=['r', 'g', 'b', 'y'], width=0.6)
# 添加标题和标签
plt.title('类别数据对比')
plt.xlabel('类别')
plt.ylabel('数值')
# 为每个柱子添加数值标签
for i, v in enumerate(values):
plt.text(i, v + 1, str(v), ha='center')
plt.show()
效果说明：
- 代码会生成四个不同颜色的柱子，分别对应 A、B、C、D 四个类别
- 每个柱子顶部会显示具体的数值，方便读取数据
- width参数控制柱子的宽度，取值范围通常在 0-1 之间
2.3 散点图（Scatter Plot）
散点图用于展示两个变量之间的关系，适合观察数据的分布模式或相关性。
import matplotlib.pyplot as plt
import numpy as np
# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
# 生成随机数据
np.random.seed(42) # 设置随机种子，保证结果可复现
x = np.random.randn(100) # 生成100个符合正态分布的x值
y = 2 * x + np.random.randn(100) * 0.5 # 生成与x相关的y值，添加一些噪声
# 绘制散点图
plt.scatter(x, y, c='purple', alpha=0.6, s=50, edgecolors='black')
# 添加标题和标签
plt.title('变量相关性散点图')
plt.xlabel('X变量')
plt.ylabel('Y变量')
plt.grid(True, linestyle=':')
plt.show()
关键参数：
- c：点的颜色
- alpha：点的透明度（0-1 之间）
- s：点的大小
- edgecolors：点的边缘颜色
从图中可以直观地看到 x 和 y 之间存在明显的正相关关系，这与我们生成数据时的设定（y=2x + 噪声）一致。
三、进阶技巧：定制化与多图表布局
3.1 自定义样式与全局设置
Matplotlib 允许通过rcParams进行全局样式设置，避免重复设置相同的参数。例如，我们可以统一设置字体、线条样式、图像大小等：
import matplotlib.pyplot as plt
# 设置全局样式
plt.rcParams.update({
'font.family': ['SimHei', 'WenQuanYi Micro Hei', 'Heiti TC'], # 中文显示
'axes.titlesize': 16, # 标题字体大小
'axes.labelsize': 14, # 标签字体大小
'xtick.labelsize': 12, # x轴刻度字体大小
'ytick.labelsize': 12, # y轴刻度字体大小
'lines.linewidth': 2, # 线条宽度
'figure.figsize': (10, 6) # 图像默认大小
})
# 测试全局设置
x = [1, 2, 3, 4]
y1 = [1, 3, 5, 7]
y2 = [2, 4, 6, 8]
plt.plot(x, y1, label='数据1')
plt.plot(x, y2, label='数据2', linestyle='--')
plt.title('全局样式测试')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend() # 显示图例
plt.show()
效果说明：
- 所有中文文本都能正常显示
- 标题、标签、刻度的字体大小按设置生效
import matplotlib.pyplot as plt import numpy as np # 创建2行2列的子图布局 fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(12, 10)) # 第一个子图：折线图 x = np.linspace(0, 10, 100) axes[0, 0].plot(x, np.sin(x)) axes[0, 0].set_title('正弦曲线') # 第二个子图：柱状图 categories = ['A', 'B', 'C'] values = [10, 20, 15] axes[0, 1].bar(categories, values, color='green') axes[0, 1].set_title('类别对比') # 第三个子图：散点图 x = np.random.rand(50) y = np.random.rand(50) axes[1, 0].scatter(x, y, color='red', alpha=0.7) axes[1, 0].set_title('随机散点') # 第四个子图：直方图 data = np.random.randn(1000) # 生成1000个正态分布数据 axes[1, 1].hist(data, bins=30, color='purple', alpha=0.7) axes[1, 1].set_title('正态分布直方图') # 调整子图之间的间距 plt.tight_layout() plt.show()
-
线条宽度统一为 2
- 图像默认尺寸为 10x6 英寸
3.2 子图布局（Subplots）
当需要在同一画布上展示多个图表时，可以使用子图布局。Matplotlib 提供了多种创建子图的方法，其中plt.subplots()是最常用的：
代码解析：
- plt.subplots(nrows=2, ncols=2)创建一个 2 行 2 列的子图网格，返回的axes是一个 2x2 的数组
- 通过axes[i, j]访问第 i 行第 j 列的子图
- 子图的标题使用set_title()设置（注意与plt.title()的区别，前者针对特定子图）
- plt.tight_layout()自动调整子图间距，避免标签重叠
3.3 多数据集与图例定制
当在同一图表中展示多个数据集时，清晰的图例和差异化的样式至关重要：、
import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x) + np.cos(x)
# 绘制多条线，设置不同样式并添加标签
plt.plot(x, y1, label='sin(x)', color='blue', linestyle='-', marker='o', markersize=4)
plt.plot(x, y2, label='cos(x)', color='red', linestyle='--', marker='s', markersize=4)
plt.plot(x, y3, label='sin(x)+cos(x)', color='green', linestyle='-.', marker='^', markersize=4)
# 添加标题和标签
plt.title('三角函数对比')
plt.xlabel('x (弧度)')
plt.ylabel('值')
# 定制图例
plt.legend(
loc='upper right', # 图例位置
fontsize=10, # 图例字体大小
title='函数', # 图例标题
title_fontsize=12 # 图例标题字体大小
)
# 设置坐标轴范围
plt.xlim(0, 2*np.pi)
plt.ylim(-2, 2)
# 添加网格
plt.grid(True, linestyle=':', alpha=0.7)
plt.show()
图例位置参数：loc参数可以设置为字符串（如 'upper right'、'center'）或数字（0-10），常用位置对应如下：
- 'best'（0）：自动选择最佳位置
- 'upper right'（1）：右上角
- 'upper left'（2）：左上角
- 'lower left'（3）：左下角
- 'lower right'（4）：右下角
四、精通 Matplotlib：高级功能与性能优化
4.1 3D 绘图
Matplotlib 支持 3D 绘图功能，通过mpl_toolkits.mplot3d模块实现，适合展示三维数据关系：
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
# 创建3D画布
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
# 生成数据：螺旋线
t = np.linspace(0, 10*np.pi, 1000)
x = t * np.cos(t)
y = t * np.sin(t)
z = t
# 绘制3D线图
ax.plot(x, y, z, color='purple', linewidth=2)
# 添加标题和轴标签
ax.set_title('3D螺旋线')
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
# 设置视角
ax.view_init(elev=30, azim=45) # elev：仰角，azim：方位角
plt.show()
3D 绘图常用类型：
- plot()：3D 线图
- scatter()：3D 散点图
- surface()：3D 曲面图（如绘制函数 z=f (x,y) 的曲面）
4.2 动画制作
Matplotlib 的animation模块可以创建动态图表，适合展示数据随时间变化的过程：
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
import numpy as np
# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
# 创建画布和轴
fig, ax = plt.subplots(figsize=(8, 6))
x = np.linspace(0, 2*np.pi, 100)
line, = ax.plot(x, np.sin(x)) # line后面的逗号表示这是一个元组解包
ax.set_ylim(-1.5, 1.5)
ax.set_title('动态正弦曲线')
ax.set_xlabel('x')
ax.set_ylabel('sin(x + t)')
# 定义更新函数：每帧更新数据
def update(frame):
t = frame * 0.1 # 时间参数，控制动画速度
y = np.sin(x + t)
line.set_ydata(y)
return line,
# 创建动画
ani = FuncAnimation(
fig, # 画布
update, # 更新函数
frames=100, # 总帧数
interval=50, # 帧间隔（毫秒）
blit=True # 只更新变化的部分，提高效率
)
# 显示动画（在Jupyter中可能需要使用plt.show()，保存则用ani.save()）
plt.show()
# 如需保存动画（需要ffmpeg或imagemagick支持）
# ani.save('sine_wave.gif', writer='pillow', fps=20)
动画原理：
- FuncAnimation通过反复调用update函数更新图表内容
- frame参数从 0 到frames-1递增，控制动画的每一帧
- blit=True可以显著提高动画性能，尤其对于复杂图表
4.3 大数据可视化优化
当处理十万级以上数据点时，直接使用plt.plot()可能会导致性能问题。以下是一些优化技巧：
import matplotlib.pyplot as plt
import numpy as np
import time
# 生成大数据集（100万个点）
x = np.linspace(0, 100, 1_000_000)
y = np.sin(x) + np.random.randn(1_000_000) * 0.1 # 添加噪声
# 方法1：直接绘制（性能较差）
start_time = time.time()
plt.figure(figsize=(10, 6))
plt.plot(x, y)
plt.title('直接绘制大数据集')
plt.tight_layout()
plt.close() # 不显示，只计时
print(f"直接绘制耗时：{time.time() - start_time:.2f}秒")
# 方法2：使用数据降采样（适用于趋势展示）
start_time = time.time()
downsample_rate = 100 # 每100个点取1个
x_down = x[::downsample_rate]
y_down = y[::downsample_rate]
plt.figure(figsize=(10, 6))
plt.plot(x_down, y_down)
plt.title(f'降采样绘制（采样率1/{downsample_rate}）')
plt.tight_layout()
plt.close()
print(f"降采样绘制耗时：{time.time() - start_time:.2f}秒")
# 方法3：使用Line2D的set_data（面向对象API，略快）
start_time = time.time()
fig, ax = plt.subplots(figsize=(10, 6))
line, = ax.plot([], []) # 先创建空线
line.set_data(x, y) # 再设置数据
ax.set_xlim(x.min(), x.max())
ax.set_ylim(y.min(), y.max())
ax.set_title('使用set_data绘制')
plt.tight_layout()
plt.close()
print(f"set_data绘制耗时：{time.time() - start_time:.2f}秒")优化效果：
- 直接绘制 100 万个点可能需要几秒钟，而降采样后可以显著减少数据量，同时保留整体趋势
- 面向对象的set_data方法比plt.plot()略快，尤其对于多次更新数据的场景
- 对于时间序列数据，还可以使用plotly等交互式库进行可视化，支持动态缩放和平移
六、总结与扩展学习
Matplotlib 是一个功能强大且灵活的可视化库，本文从基础语法到高级技巧，覆盖了数据可视化的主要场景。掌握 Matplotlib 的核心在于：
- 理解 Figure 和 Axes 的关系：这是 Matplotlib 的核心架构，面向对象的 API 比 pyplot 更适合复杂绘图
- 熟悉常用图表类型：根据数据特点选择合适的图表（折线图、柱状图、散点图等）
- 掌握样式定制方法：包括全局设置、单图样式调整和图例美化
- 学会布局管理：通过子图展示多维度数据
- 了解性能优化技巧：处理大数据集时的效率提升方法
扩展学习资源：
- Seaborn：基于 Matplotlib 的高级可视化库，提供更美观的默认样式和更简洁的 API
- Plotly：交互式可视化库，支持动态图表和 Web 展示
- Matplotlib 官方文档：https://matplotlib.org/stable/contents.html （包含丰富的示例和详细的 API 说明）
扫一扫
907
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
