文章目录

• 一、matplotlib.pyplot 简介
• 二、基础使用步骤
• 三、常用图表及代码示例
  • 1. 线图（Line Plot）
  • 2. 散点图（Scatter Plot）
  • 3. 柱状图（Bar Chart）
  • 4. 直方图（Histogram）
  • 5. 饼图（Pie Chart）
  • 6. 热力图（Heatmap）
• 四、高级功能
  • 1. 子图（Subplot）
  • 2. 3D 图表

matplotlib.pyplot它是 Python 中最常用的数据可视化库，支持绘制各种静态、动态、交互式图表，广泛应用于数据分析、科学计算和学术研究中。

一、matplotlib.pyplot 简介

• 功能：提供类似 MATLAB 的绘图接口，可绘制线图、散点图、柱状图、直方图、饼图、热力图等几乎所有常见图表。
• 优势：高度可定制，支持调整图表样式、颜色、标签等细节，输出高质量图像（如 PNG、PDF、SVG 等格式）。

二、基础使用步骤

1. 安装：

   pip install matplotlib
   

2. 导入：

   import matplotlib.pyplot as plt
   import numpy as np  # 常与NumPy配合生成数据
   

3. 核心流程：

   • 准备数据（如 NumPy 数组、列表）。
   • 调用绘图函数（如 plt.plot()、plt.scatter()）。
   • 添加标签、标题、图例等装饰。
   • 显示或保存图表（plt.show() 或 plt.savefig()）。

三、常用图表及代码示例

1. 线图（Line Plot）

用于展示数据随时间或连续变量的变化趋势。

# 准备数据
x = np.linspace(0, 10, 100)  # 0到10之间的100个均匀点
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制线图
plt.plot(x, y1, label='sin(x)', color='blue', linestyle='-', linewidth=2)  # 实线
plt.plot(x, y2, label='cos(x)', color='red', linestyle='--', linewidth=2)   # 虚线

# 添加装饰
plt.title('正弦函数与余弦函数曲线', fontsize=14)  # 标题
plt.xlabel('x轴', fontsize=12)                  # x轴标签
plt.ylabel('y轴', fontsize=12)                  # y轴标签
plt.legend(loc='upper right')                   # 图例（位置右上角）
plt.grid(alpha=0.3)                             # 网格线（透明度0.3）
plt.xlim(0, 10)                                 # x轴范围
plt.ylim(-1.2, 1.2)                             # y轴范围

# 显示图表
plt.show()

2. 散点图（Scatter Plot）

用于展示两个变量之间的关系或分布规律。

# 准备数据（随机点）
np.random.seed(42)  # 固定随机种子，确保结果可复现
x = np.random.randn(100)  # 100个符合正态分布的x值
y = 2 * x + np.random.randn(100) * 0.5  # y与x近似线性相关，加噪声
sizes = np.random.randint(20, 100, 100)  # 点的大小（20-100之间随机）
colors = np.random.rand(100)  # 点的颜色（0-1随机，用于映射颜色条）

# 绘制散点图
plt.scatter(x, y, s=sizes, c=colors, alpha=0.7, cmap='viridis')  # cmap指定颜色映射

# 添加装饰
plt.title('带颜色和大小的散点图', fontsize=14)
plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.colorbar(label='颜色值')  # 显示颜色条
plt.grid(alpha=0.3)

# 显示图表
plt.show()

3. 柱状图（Bar Plot）

用于比较不同类别的数据（离散数据）。

# 准备数据
categories = ['A', 'B', 'C', 'D', 'E']  # 类别
values1 = [23, 45, 56, 12, 34]          # 第一组数据
values2 = [18, 32, 49, 15, 28]          # 第二组数据

# 设置柱状图位置
x = np.arange(len(categories))  # 类别索引（0,1,2,3,4）
width = 0.35                    # 柱宽

# 绘制柱状图
plt.bar(x - width/2, values1, width, label='数据1', color='skyblue')
plt.bar(x + width/2, values2, width, label='数据2', color='orange')

# 添加装饰
plt.title('两组数据的柱状图对比', fontsize=14)
plt.xlabel('类别', fontsize=12)
plt.ylabel('数值', fontsize=12)
plt.xticks(x, categories)  # 用类别名替换x轴刻度
plt.legend()
plt.grid(axis='y', alpha=0.3)  # 仅显示y轴网格

# 显示图表
plt.show()

4. 直方图（Histogram）

用于展示连续数据的分布特征（频率分布）。

# 准备数据（正态分布随机数）
np.random.seed(42)
data = np.random.randn(1000)  # 1000个符合标准正态分布的数

# 绘制直方图
plt.hist(data, bins=30, density=True, alpha=0.7, color='green')  # bins：分箱数；density：归一化

# 叠加理论概率密度曲线
x = np.linspace(-4, 4, 100)
pdf = (1 / np.sqrt(2 * np.pi)) * np.exp(-x**2 / 2)  # 标准正态分布概率密度函数
plt.plot(x, pdf, color='red', linewidth=2, label='理论分布')

# 添加装饰
plt.title('正态分布数据的直方图', fontsize=14)
plt.xlabel('数值', fontsize=12)
plt.ylabel('频率', fontsize=12)
plt.legend()
plt.grid(alpha=0.3)

# 显示图表
plt.show()

5. 饼图（Pie Chart）

用于展示各部分占总体的比例。

# 准备数据
labels = ['苹果', '香蕉', '橙子', '葡萄']  # 类别
sizes = [35, 25, 20, 20]                  # 占比（总和100）
explode = (0.1, 0, 0, 0)                  # 突出第一部分（苹果）
colors = ['red', 'yellow', 'orange', 'purple']

# 绘制饼图
plt.pie(sizes, explode=explode, labels=labels, colors=colors,
        autopct='%1.1f%%',  # 显示百分比（保留1位小数）
        shadow=True,        # 阴影效果
        startangle=90)      # 起始角度（90度：从顶部开始）

# 设置为正圆形（默认可能椭圆）
plt.axis('equal')

# 添加标题
plt.title('水果销量占比', fontsize=14)

# 显示图表
plt.show()

6. 子图（Subplots）

在一个画布上绘制多个图表，便于对比。

# 创建2行2列的子图（共4个子图）
fig, axes = plt.subplots(2, 2, figsize=(10, 8))  # figsize：画布大小（宽×高）

# 子图1：线图
x = np.linspace(0, 10, 100)
axes[0, 0].plot(x, np.sin(x), color='blue')
axes[0, 0].set_title('sin(x)')

# 子图2：散点图
axes[0, 1].scatter(np.random.randn(50), np.random.randn(50), color='red')
axes[0, 1].set_title('随机散点')

# 子图3：柱状图
axes[1, 0].bar(['A', 'B', 'C'], [10, 20, 15], color='green')
axes[1, 0].set_title('柱状图')

# 子图4：直方图
axes[1, 1].hist(np.random.randn(1000), bins=20, color='orange')
axes[1, 1].set_title('直方图')

# 调整子图间距
plt.tight_layout()

# 显示图表
plt.show()

四、进阶技巧

1. 中文显示：matplotlib 默认不支持中文，需手动设置字体：

   plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]  # 支持中文
   plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题
   

2. 保存图片：使用 plt.savefig() 保存为高清图片：

   plt.savefig('my_plot.png', dpi=300, bbox_inches='tight')  # dpi：分辨率；bbox_inches：去除白边
   

3. 样式设置：使用内置样式美化图表：

   plt.style.use('seaborn-v0_8-whitegrid')  # 应用seaborn风格
   # 其他可选样式：'ggplot'、'bmh'、'grayscale'等
   

五、总结

matplotlib.pyplot 是 Python 数据可视化的基础工具，核心特点是：

• 支持多种图表类型，满足不同可视化需求。
• 高度可定制，从颜色、线条到标签、图例均可调整。
• 与 NumPy、Pandas 等数据处理库无缝配合。

掌握它可以帮助你快速将数据转化为直观的图表，无论是日常分析还是学术报告都非常实用。