Matplotlib 数据可视化：图表绘制与定制

Matplotlib 数据可视化：图表绘制与定制

Matplotlib 是 Python 中最经典、功能最全面的数据可视化库。它既能快速生成出版质量的图表，又能深入控制每一个绘图元素。本教程面向零基础用户，从第一个图形开始，带你掌握常见图表的绘制与高度自定义。

1. 环境准备与第一个图形

在使用前请确保已安装 Matplotlib：

pip install matplotlib

导入惯例：

import matplotlib.pyplot as plt
import numpy as np

绘制第一条折线：

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

你会看到一个简洁的折线图窗口。plot() 是核心函数，show() 用于显示图形。在 Jupyter Notebook 中，可使用 %matplotlib inline 让图形嵌入单元格。

2. 常用图表类型速成

Matplotlib 可通过不同函数生成各类统计图表。以下覆盖5种最常用图表。

2.1 折线图（Line Plot）

适合展示趋势或连续数据变化。

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

2.2 散点图（Scatter Plot）

展示两个变量间的关系或分布。

x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
plt.scatter(x, y, c=colors, alpha=0.7)

2.3 柱状图（Bar Chart）

比较分类数据的数值。

categories = ['A', 'B', 'C', 'D']
values = [25, 40, 30, 50]
plt.bar(categories, values)

横向柱状图使用 plt.barh()。

2.4 直方图（Histogram）

观察数据分布及频数。

data = np.random.randn(1000)
plt.hist(data, bins=30, edgecolor='black')

2.5 饼图（Pie Chart）

展示各部分占整体的比例。

sizes = [30, 25, 20, 25]
labels = ['A', 'B', 'C', 'D']
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.axis('equal')  # 保证饼图为正圆

3. 图表定制：从可用到专业

默认样式往往不能满足需求，定制是数据可视化的重要环节。

3.1 样式与颜色

Matplotlib 提供丰富的内置样式，也可手动修改颜色、线型等。

plt.style.use('seaborn-v0_8-darkgrid')   # 使用内置样式

# plot 中定制颜色、线宽、线型、标记
plt.plot(x, y, color='#2ca02c', linewidth=2, linestyle='--', marker='o')

常用线型：'-'（实线）、'--'（虚线）、'-.'（点划线）、':'（点线）。
颜色支持英文名称、十六进制码、RGB 元组等。

3.2 标题与坐标轴标签

信息充分的标签让图表自解释。

plt.title('Sine Wave', fontsize=14, fontweight='bold')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')

3.3 图例（Legend）

多数据系列时必须添加图例。

plt.plot(x, np.sin(x), label='sin')
plt.plot(x, np.cos(x), label='cos')
plt.legend(loc='upper right', frameon=True)

loc 可指定位置，如 'best'、'lower left' 等。

3.4 坐标轴范围与刻度

控制显示区域与刻度密度。

plt.xlim(0, 8)          # X轴范围
plt.ylim(-1.5, 1.5)     # Y轴范围
plt.xticks(np.arange(0, 9, 2))   # 自定义刻度位置
plt.yticks([-1, 0, 1], ['Low', 'Zero', 'High'])  # 刻度标签

3.5 网格与参考线

网格提高可读性，参考线强调关键值。

plt.grid(True, linestyle=':', alpha=0.7)   # 开启网格
plt.axhline(y=0, color='red', linewidth=1) # 水平参考线
plt.axvline(x=5, color='gray', linestyle='--')

3.6 注释与文本

在数据点添加说明文字。

plt.annotate('maximum', xy=(1.57, 1), xytext=(3, 1.3),
             arrowprops=dict(facecolor='black', arrowstyle='->'))

也可使用 plt.text(x, y, 'text') 放置普通文本。

4. 多子图与画布控制

在实际报告中常需要将多个图表组合在一起。

4.1 使用 subplot()

plt.figure(figsize=(10, 4))   # 画布尺寸

plt.subplot(1, 2, 1)          # 1行2列第1个
plt.plot(x, np.sin(x))
plt.title('Sin')

plt.subplot(1, 2, 2)
plt.plot(x, np.cos(x))
plt.title('Cos')

plt.tight_layout()            # 自动调整子图间距
plt.show()

4.2 更灵活的 subplots()

返回 figure 和 axes 数组，适合批量操作。

fig, axes = plt.subplots(2, 2, figsize=(8, 6))
axes[0, 0].plot(x, y, 'r')
axes[0, 1].scatter(x, y, s=5)
axes[1, 0].bar(['A','B'], [10,20])
axes[1, 1].hist(data, bins=20)
plt.tight_layout()

5. 保存与导出图表

图表可保存为多种格式，适合嵌入论文或网页。

plt.savefig('chart.png', dpi=300, bbox_inches='tight', transparent=False)

参数说明：

• dpi：分辨率，印刷推荐 300 以上。
• bbox_inches='tight'：自动裁剪白边。
• transparent：是否透明背景。

保存前建议先调用 plt.tight_layout() 以防标签被截断。

6. 进阶定制建议

• 面向对象风格：推荐使用 fig, ax = plt.subplots() 然后调用 ax.plot() 等方法，便于精确控制。
• 自定义字体：通过 plt.rcParams['font.family'] 设置全局字体，解决中文显示问题。
• 颜色映射（Colormap）：散点图、热力图使用 cmap 参数映射数值颜色，如 cmap='viridis'。
• 双Y轴：使用 ax.twinx() 创建共享X轴的不同Y轴。
• 交互模式：plt.ion() 开启交互绘图，适合实时数据流。

7. 常见问题排查

通过上述核心绘图与定制技巧，你已经可以用 Matplotlib 创建专业且可复用的数据可视化作品。多加练习，将数据的故事用图形有力表达出来。