Matplotlib常见画图工具

一、Matplotlib核心基础

在开始绘图前，需掌握以下基础框架，几乎所有图表都基于此扩展：

点击查看代码

# 1. 导入库
import matplotlib.pyplot as plt
import numpy as np  # 用于生成示例数据# 2. 设置中文显示（避免中文乱码，关键！）
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# 3. 创建画布与子图
# 方式1：单图
plt.figure(figsize=(8, 5))  # 画布大小（宽8英寸，高5英寸）# 方式2：多子图（2行1列，第1个子图）
# fig, ax = plt.subplots(2, 1, figsize=(8, 8))  # fig是画布，ax是子图数组# 4. 绘图（以简单折线图为例）
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y, label="示例数据")  # label用于图例# 5. 添加标签与标题
plt.xlabel("X轴名称")
plt.ylabel("Y轴名称")
plt.title("图表标题")# 6. 添加图例、网格
plt.legend()  # 显示图例（需在plot中设置label）
plt.grid(linestyle="--", alpha=0.7)  # 网格线（虚线，透明度0.7）# 7. 显示或保存图表
plt.tight_layout()  # 自动调整布局，避免元素重叠
plt.show()  # 显示图表
# plt.savefig("图表名称.png", dpi=300)  # 保存为图片（dpi设为300保证清晰度）

二、常见图表代码示例

1、柱状图（对比类别数据）

场景：比较不同产品的销量，各部门业绩等。

点击查看代码

import matplotlib.pyplot as plt# 数据
products = ["产品A", "产品B", "产品C", "产品D"]
sales = [350, 520, 280, 410]# 绘图
plt.figure(figsize=(8, 5))
plt.bar(products, sales, color=["#5499C7", "#58D68D", "#F4D03F", "#EC7063"])  # 自定义颜色# 优化细节
plt.xlabel("产品类型")
plt.ylabel("销量（件）")
plt.title("2023年Q1各产品销量对比")
plt.grid(axis="y", linestyle="--", alpha=0.5)  # 仅显示Y轴网格# 在柱子顶部添加数值标签
for i, v in enumerate(sales):plt.text(i, v + 10, str(v), ha="center")  # ha="center" 水平居中plt.tight_layout()
plt.show()

2、折线图（展示趋势变化）

场景：跟踪时间序列数据，如月度用户增长、股价波动等。

点击查看代码

import matplotlib.pyplot as plt
import numpy as np# 数据（1-12月）
months = np.arange(1, 13)
user_growth = [1200, 1500, 1800, 2200, 2800, 3500, 4200, 4800, 5200, 5800, 6500, 7200]# 绘图
plt.figure(figsize=(10, 6))
plt.plot(months, user_growth, marker="o", linestyle="-", color="#3498DB", linewidth=2, markersize=6)# 优化细节
plt.xlabel("月份")
plt.ylabel("用户数（人）")
plt.title("2023年平台用户增长趋势")
plt.xticks(months)  # X轴刻度显示1-12月
plt.grid(linestyle="--", alpha=0.6)# 突出关键节点（如6月）
plt.annotate("半年节点", xy=(6, 3500), xytext=(8, 3000),arrowprops=dict(arrowstyle="->", color="gray"),fontsize=10)plt.tight_layout()
plt.show()

3、散点图（分析变量相关性）

场景：研究两个变量的关系，如广告投入与销售额、身高与体重等。

点击查看代码

import matplotlib.pyplot as plt
import numpy as np# 生成模拟数据（广告投入与销售额，正相关）
np.random.seed(42)  # 固定随机数，结果可复现
ad_cost = np.random.randint(100, 1000, 50)  # 广告投入：100-1000元
sales = 1.2 * ad_cost + np.random.randint(-100, 100, 50)  # 销售额（带随机波动）# 绘图
plt.figure(figsize=(8, 6))
plt.scatter(ad_cost, sales, c="orange", alpha=0.7, edgecolors="black")  # alpha控制透明度# 优化细节
plt.xlabel("广告投入（元）")
plt.ylabel("销售额（元）")
plt.title("广告投入与销售额相关性分析")
plt.grid(linestyle="--", alpha=0.5)# 添加趋势线（用多项式拟合）
z = np.polyfit(ad_cost, sales, 1)  # 一次多项式（直线）
p = np.poly1d(z)
plt.plot(ad_cost, p(ad_cost), "r--")  # 红色虚线趋势线plt.tight_layout()
plt.show()

4、饼图（展示占比关系）

场景：显示各部分占总体的比例，如市场份额、预算分配。

点击查看代码

import matplotlib.pyplot as plt# 数据
channels = ["直接访问", "搜索引擎", "社交媒体", "外部链接"]
traffic = [15, 40, 25, 20]  # 占比（总和100）# 绘图
plt.figure(figsize=(7, 7))
# explode：突出某一部分（这里突出“搜索引擎”）
explode = (0, 0.1, 0, 0)
plt.pie(traffic, explode=explode, labels=channels, autopct="%1.1f%%",colors=["#F5B041", "#3498DB", "#2ECC71", "#9B59B6"],startangle=90, wedgeprops={"edgecolor": "white"})  # startangle：起始角度（90度为顶部）# 优化为正圆形（默认可能椭圆）
plt.axis("equal")
plt.title("网站流量来源占比")plt.tight_layout()
plt.show()

5、直方图（看“数据分布”）

适合展示“数据在各个区间的分布情况”

点击查看代码

import matplotlib.pyplot as plt
import numpy as np# 生成模拟数据：500个同学的身高（均值170cm，标准差5cm的正态分布）
heights = np.random.normal(170, 5, 500)# 画直方图：data是数据，bins是分多少个区间（比如20个“身高段”）
plt.hist(heights, bins=20, edgecolor='black')  # edgecolor给柱子加边框，更清晰
plt.xlabel('身高（cm）')
plt.ylabel('人数')
plt.title('班级同学身高分布')
plt.show()

6、箱线图（看“数据五件套”）

适合对比多组数据的“集中趋势和离散程度”

点击查看代码

import matplotlib.pyplot as plt
import numpy as np# 模拟3个班的成绩（各50人）
class1 = np.random.normal(75, 10, 50)  # 均值75，波动10
class2 = np.random.normal(82, 8, 50)   # 均值82，波动8
class3 = np.random.normal(68, 12, 50)  # 均值68，波动12# 画箱线图：传入多组数据（用列表包起来）
plt.boxplot([class1, class2, class3], labels=['一班', '二班', '三班'])  # labels是组名
plt.ylabel('分数')
plt.title('三个班级数学成绩对比')
plt.show()

7、热力图（看矩阵相关性）

适合展示“二维数据的强弱关系”

点击查看代码

import matplotlib.pyplot as plt
import numpy as np# 模拟数据：5门学科的相关性矩阵（值越大，相关性越强）
corr = np.array([[1.0, 0.8, 0.6, 0.3, 0.2],[0.8, 1.0, 0.7, 0.4, 0.1],[0.6, 0.7, 1.0, 0.5, 0.3],[0.3, 0.4, 0.5, 1.0, 0.6],[0.2, 0.1, 0.3, 0.6, 1.0]
])
subjects = ['数学', '物理', '化学', '生物', '语文']  # 学科名# 画热力图：cmap是颜色方案（比如'Blues'蓝色越深值越大）
plt.imshow(corr, cmap='Blues')
# 加颜色条（右侧的条，告诉你颜色对应的值）
plt.colorbar(label='相关性强度')
# 标上学科名（横轴和纵轴）
plt.xticks(range(5), subjects, rotation=45)  # rotation=45让文字旋转，防重叠
plt.yticks(range(5), subjects)
plt.title('学科成绩相关性热力图')
plt.show()

三、Matplotlib优化技巧

1、颜色选择

• 类别对比用差异明显的颜色
• 数值渐变用同色系

2、减少冗余元素

• 去除不必要的边框
• 简化刻度

3、批量处理多子图

• 用subplots处理多图，统一格式：

点击查看代码

fig, axes = plt.subplots(2, 2, figsize=(12, 10))  # 2x2子图
axes[0, 0].bar(...)  # 第1行第1列子图
axes[0, 1].plot(...) # 第1行第2列子图
fig.suptitle("总标题", fontsize=15)  # 全局标题

4、结合Pandas快速绘图

• 若数据是DataFrame，可直接调用plot方法：

点击查看代码

import pandas as pd
df = pd.DataFrame({"月份": months, "用户数": user_growth})
df.plot(x="月份", y="用户数", kind="line", figsize=(10, 6))  # 直接生成折线图

四、功能表

函数名	用途	一句话记住
plt.plot()	折线图	看趋势（比如成绩变化）
plt.bar()	柱状图	比大小（比如不同班级的平均分）
plt.scatter()	散点图	看关系（比如身高和体重是否相关）
plt.pie()	饼图	看占比（比如各部门人数占比）
plt.hist()	直方图	看分布（比如年龄分布）
plt.boxplot()	箱线图	比整体（比如多组数据的中位数 / 波动）
plt.imshow()	热力图（配合colorbar	看矩阵强弱（比如相关性）