从 0 开始掌握 Python 数据可视化神器“Matplotlib”

本文链接：https://blog.csdn.net/qq_74732076/article/details/149546596

Matplotlib 入门到精通：从 0 开始掌握 Python 数据可视化神器

作为一名常年和数据打交道的开发者，我发现数据可视化是数据分析流程中最 “临门一脚” 的环节 —— 再精准的分析，若不能用直观的图表呈现，价值也会大打折扣。而在 Python 的可视化工具中，Matplotlib 无疑是最经典、最灵活的存在。今天这篇文章，我会从基础概念到实战案例，带大家系统掌握 Matplotlib，文末还会分享几个 “少有人知” 的实用技巧。

一、为什么选择 Matplotlib？

在 Python 可视化库百花齐放的今天（Seaborn、Plotly、Pandas 可视化等），Matplotlib 依然是绕不开的基础。原因有三：

兼容性极强：几乎所有 Python 数据库（NumPy、Pandas、Scikit-learn）都能无缝对接 Matplotlib；
高度可定制：从坐标轴刻度到图例位置，甚至像素级的样式调整都能实现；
生态成熟：15 年 + 的发展历史，遇到任何问题都能在社区找到解决方案。

一句话总结：Matplotlib 是 Python 可视化的 “基石”，学好它，再学其他工具会事半功倍。

二、核心概念：搞懂这 4 个词，才算入门

很多人学 Matplotlib 觉得混乱，根源是没理清它的核心组件。

Figure：整个画布，所有图表元素的 “容器”。可以理解为我们打开的一个空白画图软件窗口。
Axes：绘图区域（轴域），一张 Figure 上可以有多个 Axes（比如子图）。实际绘图操作主要在 Axes 上进行。
Axis：坐标轴，包括 x 轴、y 轴（3D 图还有 z 轴），负责控制刻度、范围等。
Artist：所有可见元素的统称，比如标题、线条、点、图例等，最终都会被绘制到 Figure 上。

记住一句话：我们绘图时，先创建 Figure，再在 Figure 上添加 Axes，最后在 Axes 上调用绘图方法。

三、环境搭建与基础配置

3.1 安装 Matplotlib

直接用 pip 安装，推荐国内镜像源提速：

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

安装完成后，导入时通常用plt作为别名（行业惯例）：

import matplotlib.pyplot as plt

import numpy as np # 配合NumPy生成数据

3.2 中文显示问题（必看！）

这是新手最常踩的坑 —— 图表里的中文变成乱码或方框。解决方法有两种：

局部配置（仅当前脚本生效）

# 设置字体为SimHei（黑体），解决中文显示问题

plt.rcParams["font.sans-serif"] = ["SimHei"]

# 解决负号显示问题（否则负号可能变成方框）

plt.rcParams["axes.unicode_minus"] = False

全局配置（一劳永逸）

找到 Matplotlib 配置文件位置：

import matplotlib

print(matplotlib.matplotlib_fname()) # 输出类似：xxx/matplotlib/mpl-data/matplotlibrc

打开该文件，修改以下内容：

font.family : sans-serif

font.sans-serif : SimHei, DejaVu Sans, Bitstream Vera Sans, ...（添加SimHei）

axes.unicode_minus : False # 去掉前面的#，并设为False

重启 Python 环境，无需再写配置代码。

四、从 “Hello World” 开始：绘制第一个图表

用最经典的 “正弦曲线” 作为入门案例，完整代码如下：

import matplotlib.pyplot as plt

import numpy as np

# 解决中文显示

plt.rcParams["font.sans-serif"] = ["SimHei"]

plt.rcParams["axes.unicode_minus"] = False

# 1. 准备数据：x从0到2π，取100个点

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

y = np.sin(x)

# 2. 创建画布和绘图区域

fig, ax = plt.subplots(figsize=(8, 4)) # figsize指定画布大小（宽8英寸，高4英寸）

# 3. 绘图：plot函数绘制折线

ax.plot(x, y, color="blue", linestyle="--", linewidth=2, label="正弦曲线")

# 4. 添加标签和标题

ax.set_xlabel("x值（弧度）")

ax.set_ylabel("sin(x)值")

ax.set_title("基础正弦曲线图")

# 5. 添加图例（根据plot的label自动生成）

ax.legend()

# 6. 显示图表

plt.show()

代码解析：

plt.subplots()：同时创建 Figure 和 Axes 对象（推荐用法，比单独创建更高效）；
ax.plot()：核心绘图函数，color控制颜色，linestyle控制线条样式（--表示虚线）；
所有以set_开头的方法（set_xlabel、set_title）都是在配置 Axes 的属性。

五、常用图表实战：从基础到进阶

Matplotlib 支持几十种图表类型，这里挑最常用的 5 种详细讲解，每个案例都附带 “定制化技巧”。

5.1 折线图：展示趋势变化

折线图适合展示数据随时间或连续变量的变化趋势，比如股票价格、温度变化等。

进阶案例：多曲线对比 + 网格线

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

y1 = np.sin(x)

y2 = np.cos(x)

fig, ax = plt.subplots(figsize=(10, 5))

# 绘制两条曲线，用不同样式区分

ax.plot(x, y1, "r-", linewidth=2, label="sin(x)") # "r-"表示红色实线

ax.plot(x, y2, "g--", linewidth=2, label="cos(x)") # "g--"表示绿色虚线

# 添加网格线（辅助观察数据）

ax.grid(True, linestyle=":", alpha=0.7) # alpha控制透明度

ax.set_xlabel("x（弧度）")

ax.set_ylabel("函数值")

ax.set_title("正弦曲线与余弦曲线对比")

ax.legend()

plt.show()

技巧：plot函数的格式字符串可以简化参数，比如"r-"等价于color="red", linestyle="-"，常用组合有"bo"（蓝色圆点）、"g^--"（绿色上三角标记 + 虚线）。

5.2 柱状图：对比分类数据

柱状图适合展示不同类别的数据差异，比如不同产品的销量、不同班级的成绩等。

进阶案例：分组柱状图（对比多组数据）

# 数据：三个季度的产品A、B销量

quarters = ["Q1", "Q2", "Q3"]

product_a = [120, 150, 180]

product_b = [90, 130, 160]

x = np.arange(len(quarters)) # 生成0,1,2作为x轴位置

width = 0.35 # 柱子宽度

fig, ax = plt.subplots(figsize=(8, 5))

# 绘制两组柱子，通过x±width/2错开位置

ax.bar(x - width/2, product_a, width, label="产品A", color="skyblue")

ax.bar(x + width/2, product_b, width, label="产品B", color="orange")

# 设置x轴刻度和标签

ax.set_xticks(x)

ax.set_xticklabels(quarters)

ax.set_xlabel("季度")

ax.set_ylabel("销量（件）")

ax.set_title("2025年产品A与产品B销量对比")

ax.legend()

plt.show()

技巧：通过bottom参数可以绘制堆叠柱状图（比如ax.bar(x, product_b, width, bottom=product_a)），适合展示 “整体与部分” 的关系。

5.3 直方图：分析数据分布

直方图和柱状图长得像，但用途完全不同：直方图用于展示连续数据的分布特征（比如身高、成绩的分布），x 轴是数据区间，y 轴是区间内的数量。

案例：分析学生成绩分布

# 生成1000个模拟成绩（均值70，标准差10的正态分布）

scores = np.random.normal(70, 10, 1000)

fig, ax = plt.subplots(figsize=(8, 5))

# 绘制直方图：bins=15表示分15个区间

n, bins, patches = ax.hist(scores, bins=15, color="lightgreen", edgecolor="black")

# 给直方图添加数值标签（顶部显示每个区间的数量）

for i in range(len(patches)):

height = patches[i].get_height()

ax.text(patches[i].get_x() + patches[i].get_width()/2, height+5,

f"{int(n[i])}", ha="center") # ha="center"表示水平居中

ax.set_xlabel("成绩")

ax.set_ylabel("学生数量")

ax.set_title("班级成绩分布直方图")

plt.show()

技巧：density=True参数可以将直方图归一化（y 轴显示概率密度），方便对比不同样本量的数据分布。

5.4 散点图：探索变量关系

散点图用于观察两个变量之间的相关性（比如身高与体重、广告投入与销量），点的分布趋势能直观反映相关性强弱。

案例：分析身高与体重的关系

# 生成模拟数据：身高（150-190cm）和体重（40-90kg），假设正相关

height = np.random.randint(150, 190, 200)

weight = 0.6 * height + np.random.randint(-10, 10, 200) # 加入随机波动

fig, ax = plt.subplots(figsize=(8, 5))

# 绘制散点图：点大小随身高变化，颜色随体重变化

scatter = ax.scatter(height, weight,

s=height*2, # 点大小（身高越大，点越大）

c=weight, # 点颜色（体重越大，颜色越深）

cmap="viridis", # 颜色映射方案

alpha=0.7, # 透明度（避免点重叠看不清）

edgecolors="black")

# 添加颜色条（解释颜色含义）

cbar = plt.colorbar(scatter)

cbar.set_label("体重（kg）")

ax.set_xlabel("身高（cm）")

ax.set_ylabel("体重（kg）")

ax.set_title("身高与体重关系散点图")

plt.show()

技巧：通过marker参数可以改变点的形状（比如marker="^"用三角形），适合区分多组数据。

5.5 饼图：展示占比情况

饼图用于展示分类数据的占比（总和为 100%），比如市场份额、用户来源分布等。

案例：分析用户来源渠道占比

# 数据：用户来源渠道及占比

channels = ["直接访问", "搜索引擎", "社交媒体", "外部链接", "广告投放"]

percentages = [15, 30, 20, 10, 25]

# 突出显示占比最高的部分（搜索引擎）

explode = [0, 0.1, 0, 0, 0] # 第2个元素（索引1）向外偏移0.1

fig, ax = plt.subplots(figsize=(7, 7)) # 饼图建议用正方形画布

# 绘制饼图：autopct显示百分比，startangle=90从正上方开始

ax.pie(percentages, explode=explode, labels=channels,

autopct="%1.1f%%", # 保留1位小数

startangle=90,

colors=["#ff9999", "#66b3ff", "#99ff99", "#ffcc99", "#c2c2f0"])

# 保证饼图是正圆形（否则可能被拉伸成椭圆）

ax.axis("equal")

ax.set_title("网站用户来源渠道占比")

plt.show()

技巧：当类别过多时（超过 5 个），建议用 “其他” 合并小占比类别，避免饼图过于拥挤。

六、子图布局：一张图展示多组数据

当需要对比多组图表时，子图（Subplot）是必备技能。Matplotlib 提供了多种创建子图的方式，这里推荐最灵活的两种。

6.1 均匀网格子图（subplots）

用plt.subplots(nrows, ncols)一次性创建 n 行 n 列的子图数组：

# 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)

y4 = np.sin(x) * np.cos(x)

# 创建2行2列的子图

fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(12, 8))

# 第1行第1列

axs[0, 0].plot(x, y1, "r-")

axs[0, 0].set_title("sin(x)")

# 第1行第2列

axs[0, 1].plot(x, y2, "g-")

axs[0, 1].set_title("cos(x)")

# 第2行第1列

axs[1, 0].plot(x, y3, "b-")

axs[1, 0].set_title("sin(x)+cos(x)")

# 第2行第2列

axs[1, 1].plot(x, y4, "y-")

axs[1, 1].set_title("sin(x)*cos(x)")

# 自动调整子图间距（避免标签重叠）

plt.tight_layout()

plt.show()

6.2 自定义布局子图（add_axes）

如果子图大小、位置不规则，用fig.add_axes()手动指定位置（更灵活）：

fig = plt.figure(figsize=(10, 8))

# 添加主图（占比大）：[left, bottom, width, height]（范围0-1）

ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])

ax1.plot(x, np.sin(x), "b-")

ax1.set_title("主图：sin(x)")

# 添加小图（右上角）

ax2 = fig.add_axes([0.65, 0.65, 0.25, 0.25])

ax2.plot(x, np.cos(x), "r-")

ax2.set_title("小图：cos(x)")

plt.show()

七、实用技巧：让图表更专业

7.1 保存高清图片

用plt.savefig()代替plt.show()保存图片，指定dpi参数提高分辨率：

# 保存为PNG，分辨率300dpi（印刷级）

fig.savefig("my_plot.png", dpi=300, bbox_inches="tight") # bbox_inches避免标签被截断

支持的格式：PNG、PDF、SVG、EPS（矢量图，放大不失真）。

7.2 批量设置样式

用plt.style.use()快速应用预设样式（无需手动调颜色）：

print(plt.style.available) # 查看所有可用样式

plt.style.use("seaborn-v0_8-whitegrid") # 应用seaborn风格

推荐样式：seaborn-v0_8-talk（适合演示）、ggplot（模仿 R 的 ggplot2 风格）。

7.3 处理大量数据

当数据量超过 10 万点时，plot函数会变慢，可通过以下优化：

减少点数：用np.unique或降采样保留趋势；
关闭抗锯齿：ax.plot(..., antialiased=False)；
使用Line2D对象的set_data方法动态更新数据。

八、总结与扩展

Matplotlib 的核心优势在于 “灵活”，但这也意味着入门门槛稍高 —— 想要画出精美的图表，需要多练多调。推荐几个进阶学习方向：

3D 绘图：用mpl_toolkits.mplot3d模块绘制 3D 曲面图、散点图；
交互式图表：结合ipywidgets实现动态调整参数；
与 Pandas 结合：Pandas 的plot方法本质是 Matplotlib 的封装，学会用ax=plt.gca()将 Pandas 图表嵌入 Matplotlib 子图。

最后分享一句经验：不要一开始就追求 “完美图表”，先实现功能，再逐步优化样式。Matplotlib 的魅力，就在于你总能找到更优雅的表达方式。

如果觉得这篇文章有用，欢迎点赞收藏，有任何问题可以在评论区交流～