Matplotlib 库(绘图)

原创最新推荐文章于 2026-05-10 05:15:02 发布 1.9k 阅读 AI写同款

M-YM

173粉丝30篇原创

关注

Matplotlib | 一文搞定Matplotlib从入门到实战演练！ Matplotlib 是一个 Python 的 2D绘图库。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。官网https://matplotlib.org/\qquad学习Matplotlib 可让数据可视化，更直观的真实给用户。使数据更加客观、更具有说服力。Matplotlib是Python的库，又是开发中常用的库。阅读详情

AI摘要

本文系统介绍Matplotlib库的核心功能与使用方法，涵盖安装方式、Figure与Axes对象管理、plot/figure/subplot/subplots等关键API、中文显示配置、以及柱状图、直方图、饼图、折线图、散点图等主流图表绘制技术，强调其基于NumPy数组的2D绘图能力及跨平台特性。

Matplotlib 库：是一款用于数据可视化的 Python 软件包，支持跨平台运行，它能够根据 NumPy ndarray 数组来绘制 2D 图像，它使用简单、代码清晰易懂

Matplotlib 图形组成：

安装：pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/

1、常用API

1.1 绘图类型

函数名称	描述
Bar	绘制条形图
Barh	绘制水平条形图
Boxplot	绘制箱型图
Hist	绘制直方图
his2d	绘制2D直方图
Pie	绘制饼状图
Plot	在坐标轴上画线或者标记
Polar	绘制极坐标图
Scatter	绘制x与y的散点图
Stackplot	绘制堆叠图
Stem	用来绘制二维离散数据绘制（又称为火柴图）
Step	绘制阶梯图
Quiver	绘制一个二维按箭头

1.2 Image 函数

函数名称	描述
Imread	从文件中读取图像的数据并形成数组
Imsave	将数组另存为图像文件
Imshow	在数轴区域内显示图像

1.3 Axis 函数

函数名称	描述
Axes	在画布(Figure)中添加轴
Text	向轴添加文本
Title	设置当前轴的标题
Xlabel	设置x轴标签
Xlim	获取或者设置x轴区间大小
Xscale	设置x轴缩放比例
Xticks	获取或设置x轴刻标和相应标签
Ylabel	设置y轴的标签
Ylim	获取或设置y轴的区间大小
Yscale	设置y轴的缩放比例
Yticks	获取或设置y轴的刻标和相应标签

1.4 Figure 函数

函数名称	描述
Figtext	在画布上添加文本
Figure	创建一个新画布
Show	显示数字
Savefig	保存当前画布
Close	关闭画布窗口

2、常用函数

2.1plot 函数

pylab.plot 是一个用于绘制二维图形的函数。它可以根据提供的 x 和 y 数据点绘制线条和/或标记。

语法：

 pylab.plot(x, y, format_string=None, **kwargs)

参数：

x: x 轴数据，可以是一个数组或列表。
y: y 轴数据，可以是一个数组或列表。
format_string: 格式字符串，用于指定线条样式、颜色等。
**kwargs: 其他关键字参数，用于指定线条的属性。

plot 函数可以接受一个或两个数组作为参数，分别代表 x 和 y 坐标。如果你只提供一个数组，它将默认用作 y 坐标，而 x 坐标将默认为数组的索引。

格式字符串：

格式字符串由颜色、标记和线条样式组成。例如：

颜色：

'b'：蓝色 'g'：绿色 'r'：红色 'c'：青色 'm'：洋红色 'y'：黄色 'k'：黑色 'w'：白色

标记：

'.'：点标记

','：像素标记

'o'：圆圈标记

'v'：向下三角标记

'^'：向上三角标记

'<'：向左三角标记

'>'：向右三角标记

's'：方形标记

'p'：五边形标记

'*'：星形标记

'h'：六边形标记1

'H'：六边形标记2

'+'：加号标记

'x'：叉号标记

'D'：菱形标记

'd'：细菱形标记

'|'：竖线标记

'_'：横线标记

线条样式：

'-'：实线 '--'：虚线 '-.'：点划线 ':'：点线

# 导入 pylab 库
import pylab

# 创建数据，使用 linspace 函数
# pylab.linspace 函数生成一个等差数列。这个函数返回一个数组，数组中的数值在指定的区间内均匀分布。
x = pylab.linspace(-6, 6, 40)
# 基于 x 构建 y 的数据
y = x**2
# 绘制图形
pylab.plot(x,y,'r:')  #r：红，":"：点线
# 展示图形
pylab.show()

警告日志关闭

import logging
logging.captureWarnings(True)

2.2 figure 函数

figure() 函数来实例化 figure 对象，即绘制图形的对象，可以通过这个对象，来设置图形的样式等

参数：

figsize：指定画布的大小，(宽度,高度)，单位为英寸
dpi：指定绘图对象的分辨率，即每英寸多少个像素，默认值为80
facecolor：背景颜色
dgecolor：边框颜色
frameon：是否显示边框

import matplotlib.pyplot as pl
import numpy as np


def fun2():
    x = np.linspace(-10, 10, 100)
    y = x**2
    y1 = x**2+x-10

    #创建画布
    fig = pl.figure(figsize=(10, 8), dpi=80, facecolor='w', edgecolor='k', linewidth=1, frameon=True)

    #添加子图
    #add_exes : x轴范围，y轴范围
    ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax1.plot(x, y, 'r', label='y=x^2')
    ax1.plot(x, y1, 'b', label='y=x^2+x-10')

    #图例
    ax1.legend()


    pl.show()

fun2()

2.2.1 figure.add_axes()

Matplotlib 定义了一个 axes 类（轴域类），该类的对象被称为 axes 对象（即轴域对象），它指定了一个有数值范围限制的绘图区域。在一个给定的画布（figure）中可以包含多个 axes 对象，但是同一个 axes 对象只能在一个画布中使用。

参数：

是一个包含四个元素的列表或元组，格式为 [left, bottom, width, height]，其中：

left 和 bottom 是轴域左下角的坐标，范围从 0 到 1。

width 和 height 是轴域的宽度和高度，范围从 0 到 1。

2.2.2 axes.legend()

legend 函数用于添加图例，以便识别图中的不同数据系列。图例会自动显示每条线或数据集的标签。

参数：

labels 是一个字符串序列，用来指定标签的名称
loc 是指定图例位置的参数，其参数值可以用字符串或整数来表示
handles 参数，它也是一个序列，它包含了所有线型的实例

legend() 函数 loc 参数：

位置	字符串表示	整数数字表示
自适应	best	0
右上方	upper right	1
左上方	upper left	2
左下	lower left	3
右下	lower right	4
右侧	right	5
居中靠左	center left	6
居中靠右	center right	7
底部居中	lower center	8
上部居中	upper center	9
中部	center	10

2.3 标题中文乱码

如果标题设置的是中文，会出现乱码

局部处理：

#局部处理：中文显示问题
#适合小批量
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

全局处理：

首先，找到 matplotlibrc 文件的位置，可以使用以下代码：

 import matplotlib
 print(matplotlib.matplotlib_fname())

然后，修改 matplotlibrc 文件，找到 font.family 和 font.sans-serif 项，设置为支持中文的字体，如 SimHei。

同时，设置 axes.unicode_minus 为 False 以正常显示负号。

修改完成后，重启pyCharm。如果不能解决，尝试运行以下代码来实现：

 from matplotlib.font_manager import _rebuild
 _rebuild()

2.4 subplot 函数

subplot 是一个较早的函数，用于创建并返回一个子图对象。它的使用比较简单，通常用于创建网格状的子图布局。subplot 的参数通常是一个三位数的整数，其中每个数字代表子图的行数、列数和子图的索引。

add_subplot 是一个更灵活的函数，它是 Figure类的一个方法，用于向图形容器中添加子图。推荐使用 add_subplot，因为它提供了更好的灵活性和控制。

语法：fig.add_subplot(nrows, ncols, index)

def fun3():
    x = np.linspace(-10, 10, 100)
    y = x**2
    y1 = np.tan(x)

    #创建画布gistration
    fig = plt.figure()

    #添加子图:1行2列，第1个子图
    ax1 = fig.add_subplot(1, 2, 1)
    ax1.plot(x, y, 'r', label='y=x^2函数')
    #添加子图:1行2列，第2个子图
    ax2 = fig.add_subplot(1, 2, 2)
    ax2.plot(x, y1, 'b', label='y=tan(x)函数')

    plt.show()
fun3()

2.5 subplots 函数

subplots 是 matplotlib.pyplot 模块中的一个函数，用于创建一个包含多个子图（subplots）的图形窗口。subplots 函数返回一个包含所有子图的数组，这使得你可以更方便地对每个子图进行操作。

语法：

 fig, axs = plt.subplots(nrows, ncols, figsize=(width, height))

参数：

nrows: 子图的行数。
ncols: 子图的列数。
figsize: 图形的尺寸，以英寸为单位。

#subplots函数创建子图
#参数
#nrows：行数
#ncols：列数
#sharex：是否共享x轴
#sharey：是否共享y轴
#返回值：返回一个Figure对象和一个Axes对象的元组




def fun4():
    x = np.linspace(-10, 10, 100)
    y = x**2
    y1 = np.tan(x)
    y2 = np.sin(x)

    #subplots函数创建子图
    #返回值：返回一个Figure对象和一个Axes对象的元组
    #fig：画布对象
    #axs：子图对象列表
    fig,axs = plt.subplots(2,2)

    axs[0,0].plot(x, y, 'r', label='y=x^2函数')
    axs[0,1].plot(x, y1, 'b', label='y=tan(x)函数')
    axs[1,0].plot(x, y2, 'g', label='y=sin(x)函数')

    #图例
    axs[0,0].legend()
    axs[0,1].legend()
    axs[1,0].legend()

    plt.show()

fun4()

3、绘制图表

3.1 柱状图

柱状图（Bar Chart）是一种常用的数据可视化工具，用于展示分类数据的分布情况。

语法：

 ax.bar(x, height, width=0.8, bottom=None, align='center', **kwargs)

参数：

x: 柱状图的 X 轴位置。
height: 柱状图的高度。
width: 柱状图的宽度，默认为 0.8。
bottom: 柱状图的底部位置，默认为 0。
align: 柱状图的对齐方式，可以是 'center'（居中对齐）或 'edge'（边缘对齐）。
**kwargs: 其他可选参数，用于定制柱状图的外观，如 color、edgecolor、linewidth 等。

案例1：

# 绘制柱状图
import matplotlib.pyplot as plt


# 数据准备
x = ['A', 'B', 'C', 'D', 'E']
y = [5, 7, 3, 9, 1] 
y2 = [3, 5, 2, 8, 4] 
    
# 绘制柱状图
plt.bar(x, y, width=0.5, color='blue', alpha=0.5, label='y')
plt.legend()
plt.show()

堆叠柱状图

# 数据
categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]

# 创建图形和子图
fig, ax = plt.subplots()

# 绘制第一个数据集的柱状图
ax.bar(categories, values1, color='skyblue', label='Values 1')

# 绘制第二个数据集的柱状图，堆叠在第一个数据集上
ax.bar(categories, values2, bottom=values1, color='lightgreen', label='Values 2')

# 设置标题和标签
ax.set_title('Stacked Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')

# 添加图例
ax.legend()

# 显示图形
plt.show()

bottom=values1：绘制第二个数据集的柱状图，堆叠在第一个数据集上

分组柱状图

# 数据
categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]

# 创建图形和子图
fig, ax = plt.subplots()

# 计算柱状图的位置
x = np.arange(len(categories))
width = 0.35

# 绘制第一个数据集的柱状图
ax.bar(x - width/2, values1, width, color='skyblue', label='Values 1')

# 绘制第二个数据集的柱状图
ax.bar(x + width/2, values2, width, color='lightgreen', label='Values 2')

# 设置 X 轴标签
ax.set_xticks(x)
ax.set_xticklabels(categories)

# 设置标题和标签
ax.set_title('Grouped Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')

# 添加图例
ax.legend()

# 显示图形
plt.show()

3.2 直方图

直方图（Histogram）是一种常用的数据可视化工具，用于展示数值数据的分布情况。

语法：

 ax.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, **kwargs)

参数：

x: 数据数组。
bins: 直方图的柱数，可以是整数或序列。
range: 直方图的范围，格式为 (min, max)。
density: 是否将直方图归一化，默认为 False。
weights: 每个数据点的权重。
cumulative: 是否绘制累积直方图，默认为 False。
**kwargs: 其他可选参数，用于定制直方图的外观，如 color、edgecolor、linewidth 等。

from matplotlib import pyplot as plt
import numpy as np

# 生成随机数据，生成均值为 0，标准差为 1 的标准正态分布的随机样本
data = np.random.randn(1000)

# 创建图形和子图
fig, ax = plt.subplots()

# 绘制直方图
ax.hist(data, bins=30, color='skyblue', edgecolor='black')

# 设置标题和标签
ax.set_title('Simple Histogram')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')

# 显示图形
plt.show()

3.3 饼图

饼图（Pie Chart）是一种常用的数据可视化工具，用于展示分类数据的占比情况。

语法：

 ax.pie(x, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=0, **kwargs)

参数：

x: 数据数组，表示每个扇区的占比。
explode: 一个数组，表示每个扇区偏离圆心的距离，默认为 None。
labels: 每个扇区的标签，默认为 None。
colors: 每个扇区的颜色，默认为 None。
autopct: 控制显示每个扇区的占比，可以是格式化字符串或函数，默认为 None。
shadow: 是否显示阴影，默认为 False。
startangle: 饼图的起始角度，默认为 0。
**kwargs: 其他可选参数，用于定制饼图的外观。

案例

from matplotlib import pyplot as plt
import numpy as np

# 数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

# 创建图形和子图
fig, ax = plt.subplots()

# 绘制饼图
ax.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)

# 设置标题
ax.set_title('Simple Pie Chart')

# 显示图形
plt.show()

3.4 折线图

使用 plot 函数

案例：

 from matplotlib import pyplot as plt
 
 # 创建数据
 x = np.linspace(0, 10, 100)
 y1 = np.sin(x)
 y2 = np.cos(x)
 
 # 创建图形和子图
 fig, ax = plt.subplots()
 
 # 绘制多条折线图
 ax.plot(x, y1, label='sin(x)', color='blue')
 ax.plot(x, y2, label='cos(x)', color='red')
 
 # 设置标题和标签
 ax.set_title('Multiple Line Charts')
 ax.set_xlabel('X-axis')
 ax.set_ylabel('Y-axis')
 
 # 添加图例
 ax.legend()
 
 # 显示图形
 plt.show()

3.5 散点图

散点图（Scatter Plot）是一种常用的数据可视化工具，用于展示两个变量之间的关系。

语法：

 ax.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)

参数：

x: X 轴数据。
y: Y 轴数据。
s: 点的大小，可以是标量或数组。
c: 点的颜色，可以是标量、数组或颜色列表。
marker: 点的形状，默认为 'o'（圆圈）。
cmap: 颜色映射，用于将颜色映射到数据。
norm: 归一化对象，用于将数据映射到颜色映射。
vmin, vmax: 颜色映射的最小值和最大值。
alpha: 点的透明度，取值范围为 0 到 1。
linewidths: 点的边框宽度。
edgecolors: 点的边框颜色。
**kwargs: 其他可选参数，用于定制散点图的外观。

案例：

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
fig = plt.figure()
axes = fig.add_axes([.1,.1,.8,.8])
x = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = [
    [120, 132, 101, 134, 90, 230, 210],
    [220, 182, 191, 234, 290, 330, 310],
]
y0 = data[0]
y1 = data[1]
axes.scatter(x,y0,color='red')
axes.scatter(x,y1,color='blue')
axes.set_title('散点图')
axes.set_xlabel('日期')
axes.set_ylabel('数量')
plt.legend(labels=['Email', 'Union Ads'],)
plt.show()

marker常用的参数值：

'o': 圆圈
's': 正方形
'D': 菱形
'^': 上三角形
'v': 下三角形
'>': 右三角形
'<': 左三角形
'p': 五边形
'*': 星形
'+': 加号
'x': 叉号
'.': 点
',': 像素
'1': 三叉戟下
'2': 三叉戟上
'3': 三叉戟左
'4': 三叉戟右
'h': 六边形1
'H': 六边形2
'd': 小菱形
'|': 竖线
'_': 横线

3.6 图片读取

plt.imread 是 Matplotlib 库中的一个函数，用于读取图像文件并将其转换为 NumPy 数组。这个函数非常方便，可以轻松地将图像加载到 Python 中进行处理或显示。

参数

fname: 图像文件的路径（字符串）。
format: 图像格式（可选）。如果未指定，imread 会根据文件扩展名自动推断格式。

返回值

返回一个 NumPy 数组，表示图像的像素数据。数组的形状取决于图像的格式：
- 对于灰度图像，返回一个二维数组 (height, width)。
- 对于彩色图像，返回一个三维数组 (height, width, channels)，其中 channels 通常是 3（RGB）或 4（RGBA）。

案例：

from matplotlib import pyplot as plt
import numpy as np
import os

def read_img():
    dirpath = os.path.dirname(__file__)
    print(dirpath)

    filepath = os.path.join(dirpath, 'f01.png') # 图片路径：当前目录下的 f01.png，与当前文件同级
    print(filepath)

    img = plt.imread(filepath)
    print(img.shape)

    plt.imshow(img)
    plt.show()

    # 检查图像的维度
    if len(img.shape) == 3 and img.shape[2] == 4:
        img1 = np.transpose(img, (2, 0, 1))
        for channel in img1:
            plt.imshow(channel, cmap='gray')  # 如果是多通道图像，可以指定 cmap='gray' 来显示每个通道
            plt.show()
    elif len(img.shape) == 3 and img.shape[2] == 3:
        img1 = np.transpose(img, (2, 0, 1))
        for channel in img1:
            plt.imshow(channel, cmap='gray')
            plt.show()
    else:
        print("图像不是RGB或RGBA格式")

if __name__ == '__main__':
    read_img()

标签

#matplotlib