30000字 Matplotlib 实操干货，38个案例带你从入门到进阶！-优快云博客

本文是一篇关于Matplotlib数据可视化的教程，涵盖了散点图、线图、直方图和条形图的创建与自定义。通过38个实例，从基础到进阶，详细讲解了Matplotlib的各种图表用法，包括颜色、线条样式、误差线、填充区域等的调整。此外，还介绍了如何在图表中插入水平线、垂直线以及创建二维直方图和边际图。适合已经有一定Matplotlib基础的读者深入学习。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

译文出品：Python数据之道

原文作者：Rizky Maulana Nurhidayat

翻译：Lemon

Matplotlib 实操干货，

38个案例带你从入门到进阶！

「Python数据之道」注：本文完整内容的pdf版可以在文末获取。

数据可视化旨在将数据呈现为更直接的表示形式，例如散点图，密度图，条形图等。通过可视化数据，可以检测到潜在的异常值。在 Python 中，可以使用各种模块或库来可视化数据。Matplotlib 是主流模块之一。可以使用 Matplotlib 以各种绘图样式来可视化数据。但是，Matplotlib 无法显示动态图。如果要创建一个巨大的动态图，则可以从 plotly 中使用 Dash 。

本文将介绍如何使用 Matplotlib 以各种方式可视化数据。完整的文章可能有 90 个示例，可以从不同的角度创建绘图。这不是使用 Matplotlib 进行数据可视化的最完整的教程，但是我相信本文内容可以满足许多人的需求，并可以应用到许多领域。

如前所述，本文将创建 90 个不同的绘图示例。这些示例分布在 11 种不同的样式图中：散点图，折线图，一维直方图，二维直方图，边际图，条形图，箱形图，小提琴图，饼图，极坐标图，地理投影，3D图和轮廓图。可以通过图1 大致了解本文的内容。

图1. Matplotlib 中生成的各种图

本文将专注于创建和定制各种图表。因此，文章中假设读者已经了解 Matplotlib 的一些基础知识，例如，在 Matplotlib 中创建多个子图和自定义颜色图。

在开始撰写本文时，本来打算只写一篇文章。但是，我认为由于阅读时间的缘故，需要将其分为几部分。如果我将所有内容写成一篇文章，则将花费很多时间。因此，我将完整的内容分为 2 或 3 部分。

本文是第一部分，共有 38个案例，让我们开始吧。

Matplotlib 介绍

要安装 Matplotlib，可以使用以下代码通过 pip 安装它：

pip install matplotlib

或者通过 conda 来安装：

conda install -c anaconda matplotlib

本文中，安装了 Matplotlib 3.3.2 版本。可以通过下面的代码检查所安装的版本号：

pip show matplotlib

如果要在 Jupyter Notebook（以下称为 Jupyter）中进行检查，则可以通过下面的代码来进行检查，如图2所示。

图2. 在 Jupyter 中检查 Matplotlib 的版本

如果你想更新 Matplotlib 的版本，可以使用下面的代码：

pip install matplotlib --upgrade

在继续进行第一部分之前，需要告知下，我已经自定义了 Matplotlib 绘图样式，例如使用 LaTeX 字体作为默认样式，更改字体大小和字体，更改 xtick 和 ytick 方向和大小，以及在 x 轴和 y 轴。要将 LaTeX 字体用作 Matplotlib 中的默认字体，可以使用下面的代码：

plt.rcParams['text.usetex'] = True

如果遇到一些错误，则需要阅读下面文章中的内容。我已经解释了在 Matplotlib 中处理 LaTeX 字体的详细过程。

https://towardsdatascience.com/5-powerful-tricks-to-visualize-your-data-with-matplotlib-16bc33747e05

要自定义其他参数（字体大小，字体系列和刻度参数），只需在代码开头编写以下代码：

plt.rcParams['font.size'] = 15
plt.rcParams['font.family'] = "serif"tdir = 'in'
major = 5.0
minor = 3.0
plt.rcParams['xtick.direction'] = tdir
plt.rcParams['ytick.direction'] = tdirplt.rcParams['xtick.major.size'] = major
plt.rcParams['xtick.minor.size'] = minor
plt.rcParams['ytick.major.size'] = major
plt.rcParams['ytick.minor.size'] = minor

如果需要更详细地了解，可以访问下面的内容：

https://towardsdatascience.com/create-professional-plots-using-matplotlib-63a6863b7363

01. 散点图（Scatter plot）

在本部分，有八个散点图的示例。在创建散点图之前，需要使用下面的代码生成模拟数据：

import numpy as np
import matplotlib.pyplot as plt

N = 50

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

变量 x 是从 0 到 10 的 50 个数据的数组。变量 y 是 sin（x） 和 cos（x） 的平方之和。可以使用以下代码以散点图的形式可视化 x 轴上的变量 x 和 y 轴上的变量 y ：

plt.figure()
plt.scatter(x, y)

上面的内容很简单，结果如图3所示：

图3. Matplotlib中的默认散点图

为了使其更美观，可以减少每个数据的大小并给标签添加下面的代码：

plt.scatter(x, y, s = 15, label = r'$y  = sin^2(x) + cos(x)$')

要更改颜色，需要在代码中添加 color 参数：

color = 'r' # r means red

如果要使轴比例尺相同，可以使用下面的代码：

plt.axis('equal')

要为 x 轴和 y 轴创建轴标签，可以添加以下代码：

plt.xlabel(r'$x$ (rad)')
plt.ylabel(r'$y$')

要显示图例，可以使用下面的代码：

plt.legend()

要保存图形，可以使用以下代码：

plt.savefig('scatter2.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

完整的代码如下：

N = 50

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

plt.figure()
plt.scatter(x, y, s = 15, label = r'$ y  = sin^2(x) + cos(x)$', color = 'r')
plt.axis('equal')

plt.legend()
plt.xlabel(r'$x$ (rad)')
plt.ylabel(r'$y$')

plt.savefig('scatter2.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

创建的散点图如图4 所示：

图4. 修改后的散点图

上面可以看到轴内部的 x 轴和 y 轴的刻度方向，并且使用的字体为 LaTeX 格式。如果要更改图形尺寸，可以在 plt.figure() 中添加图形尺寸参数

plt.figure(figsize=(7, 4.5))

更改标记样式

要更改标记样式，例如，要从点更改为十字，可以在 plt.scatter 中添加此参数：

marker = 'x'

图5 是更改为十字后的结果：

图5. 修改样式后的散点图

Matplotlib 中有各种各样的样式，可以通过下面的链接来进行了解：

https://matplotlib.org/api/markers_api.html

如果你已阅读以上文档，则可以意识到可以将字母用作标记样式。下面将展示将字母用作标记的示例，如图6 所示：

图6. Matplotlib 中使用字母为标记样式

为了生成图6，这里为 x 轴和 y 轴的参数创建了一个不同的函数。以下是生成它的代码：

np.random.seed(100)

N = 50

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100

为了可视化变量 randx 和 randy ，可以运行以下代码：

plt.figure(figsize=(7, 6))

plt.scatter(randx, randy, marker=r'$\beta$', s = 150, color = 'darkorange')

plt.axis('equal')

plt.xlabel('randx')
plt.ylabel('randy')

plt.tight_layout()

这里使用希腊符号 beta 作为标记样式。也可以使用其他字母来更改它，例如 a，B，C，d 或 ** 1、2、3** 等。

自定义每个数据的大小

这里将展示如何为每个数据创建大小不同的散点图，如图7 所示。

图7. 自定义散点图中数据点的大小

为了创建它，使用以下代码为变量 randx 和 randy 生成了一个随机数据，从 0 到 100

np.random.seed(100)

N = 30

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100

之后，使用下面的代码为 50 到 200 之间的每个数据生成一个随机整数。

size = np.random.randint(50, 200, size=N)

进行可视化，只需添加下面的参数：

plt.scatter(randx, randy, s = size, color = 'darkorange')

创建图7 时需要在 x 轴和 y 轴上插入次刻度。要插入它，需要使用以下代码导入子模块 MultipleLocator ：

from matplotlib.ticker import MultipleLocator

之后，可以添加以下代码，以插入辅助轴：

ax = plt.gca()ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

下面是生成图7 的完整代码：

np.random.seed(100)

N = 30

plt.figure(figsize=(7, 6))

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100
size = np.random.randint(50, 200, size=N)

plt.scatter(randx, randy, s = size, color = 'darkorange')
plt.axis('equal')

ax = plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.savefig('scatter5.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

以颜色编码的散点图

可以使用颜色图更改颜色，这意味着具有不同大小的数据将以不同的颜色进行颜色编码。可以像下面这样在 plt.scatter（） 中添加颜色参数:

c = size

要嵌入颜色条，可以使用以下代码:

plt.colorbar()

得到的结果如图8 所示：

图8. 不同颜色标注的散点图

以下是创建图8 完整的代码：

np.random.seed(100)

N = 30

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100
ranking = np.random.random(N) * 200
size = np.random.randint(50, 200, size=N)

plt.figure(figsize=(7, 5))
plt.scatter(randx, randy, s = size, c = size, alpha = .8)
plt.axis('equal')

ax = plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.colorbar()

plt.savefig('scatter6.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

自定义颜色图

可以使用以下参数更改颜色图：