Matplotlib 是 Python 中用于绘图与数据可视化的第三方库,支持折线图、柱状图、散点图、直方图、图像显示及多子图布局,并可将结果导出为 PNG、PDF、SVG 等格式。
它能够将数据与计算结果转化为可观察的图形,常用于数据分析、科学计算、教学演示和报告制作。使用时应先明确需要表达的比较、趋势或分布,再选择图表类型并设置坐标、标注和输出方式。
一、安装与常见应用场景
1、安装与导入
python -m pip install matplotlib通常导入 pyplot,并使用约定的别名 plt:
下文示例除特别说明外,均假定已执行以上导入。
2、常见应用场景
• 趋势展示:观察时间序列、实验过程或函数曲线。
• 类别比较:比较不同产品、班级或实验组的数值。
• 分布分析:查看数据集中程度、离散情况及可能的异常点。
• 关系探索:观察两个或多个变量之间的关联。
• 多维展示:显示矩阵、图像或以颜色表示的数值信息。
• 报告输出:生成适合文档、演示文稿和论文使用的图形文件。
3、与相关工具的分工
• Matplotlib:侧重图形元素、坐标系统、布局与文件输出的细致控制。
• NumPy:生成和计算数组数据。
• pandas:整理表格数据,也提供基于绘图库的便捷绘图接口。
• SciPy:完成拟合、插值和统计计算,再将结果交给绘图库展示。
• Seaborn:提供更高层的统计绘图接口,建立在 Matplotlib 基础上。
绘图库不会自动判断数据是否准确,也不会因绘制了趋势线就完成统计推断。
4、中文与英文字体
在绘图前设置字体,可减少中文缺字或显示为方框的问题:
字体名称必须对应本机已经安装的字体。Linux 等环境可选择已安装的 Noto Sans CJK SC 等中文字体。
axes.unicode_minus=False 使坐标刻度中的负号使用普通连字符,可作为部分字体缺少 Unicode 负号时的兼容设置;字体支持正常时,也可以保留默认设置。
下文中文示例可沿用这段配置,不再逐段重复。
二、核心对象与基本绘图流程
1、Figure、Axes 与 Axis
Matplotlib 的常用对象包括:
• Figure:整张图形的容器,通常对应一个窗口或一个输出文件中的页面。
• Axes:具体的绘图区域,包含曲线、坐标轴、标签和图例等。
• Axis:单个坐标轴对象,负责刻度、刻度标签等,例如 xaxis 和 yaxis。
• Artist:可绘制对象的统称,包括线条、文字、矩形和图像等。
一张 Figure 可以包含多个 Axes;Axes 并不等同于某一根横轴或纵轴。
2、创建第一张图
基本流程为:准备数据、创建 Figure 与 Axes、添加图形元素、设置坐标与标注,最后显示或保存。
figsize 使用英寸作为单位。示例的宽高比例为 16∶9;layout="constrained" 启用约束布局,帮助安排标签等元素所需的空间。
3、显式操作绘图对象
pyplot 提供 plt.plot()、plt.xlabel() 等便捷接口,操作当前绘图状态。
使用 fig、ax 则可以明确指定对象,例如 ax.plot()、ax.set_xlabel() 和 fig.savefig()。包含多个子图、封装绘图函数或批量输出时,这种方式通常更清楚。
本文主要采用 fig、ax 的对象式写法。
4、图形显示与运行环境
plt.show() 请求当前绘图后端显示图形。在普通桌面脚本中,它通常打开图形窗口,并可能等待窗口关闭后才继续执行。
Notebook 中可能自动显示单元格最后生成的图形;无图形界面的服务器环境通常直接保存文件。是否能弹出窗口,取决于后端和运行环境,而不只取决于是否调用了 show()。
三、趋势、类别与关系图
1、折线图
折线图(Line Plot)适合表达具有顺序关系的数据变化。
plot() 默认按输入顺序连接数据点,不会自动按横坐标排序。时间序列或函数采样数据需要先确认顺序。
常用外观参数包括 color、linewidth、linestyle、marker 和 markersize。
2、柱状图与条形图
柱状图(Bar Chart)适合比较类别之间的数值。
bar() 返回柱形容器,可交给 bar_label() 添加数值标签。标签不一定自动扩大坐标范围,需要留出适当空间。
类别名称较长时,可使用 barh() 绘制水平条形图。柱形长度用于表达大小,通常应从零开始,以免夸大差异。
3、分组柱状图
使用数值位置并对柱形进行左右偏移,可以让多组数据围绕同一类别中心排列。
分组柱状图适合并列比较;堆积柱状图则通过 bottom 参数叠加各部分,适合观察构成与总量,二者表达重点不同。
4、散点图
散点图(Scatter Plot)用于观察变量之间的关系。
s 控制标记面积,单位为平方点,不是标记半径。alpha 控制透明度,可缓解部分点重叠造成的遮挡。
散点呈现某种趋势不等于证明因果关系;需要拟合或检验时,应使用相应的分析方法。
四、分布与二维数据展示
1、直方图
直方图(Histogram)将数值分入区间,再统计各区间内的频数或密度。
柱状图比较预先定义的类别,直方图则根据数值区间统计分布。
bins 可以是区间数量,也可以是区间边界。通常各区间左闭右开,最后一个区间包含最右端点;区间之外的数据不计入这些区间。
设置 density=True 后,纵轴表示概率密度,柱形面积之和为 1,并非各柱高度之和为 1。
2、箱线图
箱线图(Box Plot)概括数据的中位数、四分位数与分布范围。
箱体通常从第一四分位数延伸到第三四分位数,中间的线表示中位数。
默认须线延伸到位于 1.5 倍四分位距范围内的最远观测值,范围外的点单独显示。须线不一定表示最小值和最大值,单独显示的点也不应未经判断就删除。
showmeans=True 额外显示均值标记,不会将中位数线改为均值线。
3、矩阵与热力图
热力图(Heatmap)通过颜色表示二维数据中的数值大小。
imshow() 可显示二维标量数组,也能显示 RGB 或 RGBA 图像。标量数组通过颜色映射(Colormap)转换为颜色,颜色条(Colorbar)说明颜色与数值之间的关系。
vmin、vmax 控制本例线性色标的范围。需要比较多张图时,应使用相同的色标范围,避免相同颜色代表不同数值。
origin="upper" 将数组首行放在上方。aspect="auto" 允许图像适应绘图区;展示具有实际几何比例的图像时,应谨慎改变纵横比例。
4、其他图表类型
• pie():绘制饼图,适合类别较少的整体占比展示。
• errorbar():绘制带误差条的数据点或曲线。
• fill_between():填充两条曲线之间的区域。
• contour()、contourf():绘制等值线或填色等值图。
• step():绘制阶梯图,适合分段保持的数值变化。
误差条或阴影区域应说明代表标准差、标准误还是置信区间;绘图函数本身不会自动赋予它们统计含义。
五、坐标范围、刻度与比例
1、设置坐标范围和标签
set_xlim()、set_ylim() 设置显示范围,不会删除范围外的原始数据。
刻度位置与刻度标签应配套设置。通常使用 set_xticks(位置, labels=标签),避免只修改标签而导致位置不匹配。
2、线性比例与对数比例
线性刻度中的相同距离表示相同差值;对数刻度中的相同距离表示相同倍数。
普通 log 比例要求相应坐标值为正,不能直接用于零和负数。改变坐标比例只改变数据的显示映射,不会修改原数组。
3、几何比例
当横纵坐标使用相同单位,并需要比较实际形状时,可设置:
equal 使横纵坐标中相同的数据长度具有相同的显示长度,避免圆因绘图区比例而显示为椭圆。
Figure 的宽高比与 Axes 的数据比例是不同设置,不能相互替代。
4、日期坐标
日期对象可用于建立时间坐标。若将日期直接作为普通字符串传入,通常会按类别处理,不能可靠表达不同日期之间的实际时间间隔。
AutoDateLocator 选择刻度位置,ConciseDateFormatter 控制日期标签的简洁显示。
六、文字、图例与外观控制
1、标题、标签与图例
set_title() 设置单个绘图区标题,fig.suptitle() 设置整张 Figure 的标题。
label 为图形元素提供图例名称,legend() 根据标签创建图例。仅设置 label 不会自动显示图例。
2、添加文字与箭头注释
annotate() 的 xy 指定被标注位置;textcoords="offset points" 表示文字位置相对于该点,以点为单位偏移。
text() 默认使用数据坐标。设置 transform=ax.transAxes 后,使用绘图区相对坐标,其中左下角为 (0, 0),右上角为 (1, 1)。
3、参考线、网格与边框
axhline()、axvline() 添加水平或垂直参考线。grid() 设置网格,spines 控制绘图区边框。
网格、颜色和线型应服务于数据阅读,避免装饰元素掩盖主要信息。
4、局部样式与全局配置
plt.style.context() 在指定范围内应用样式;plt.style.use() 会影响后续绘图的全局默认设置。可通过 plt.style.available 查看可用样式名称。
rcParams 用于配置字体、线宽、默认尺寸等。样式可能覆盖部分配置,需要统一字体时,可在应用样式后设置相应参数。
颜色不宜成为唯一的信息区分方式,可结合线型、标记或直接标注提高可读性。
七、多子图与布局
1、创建多个绘图区域
sharex=True、sharey=True 使相关子图共享坐标轴设置,适合在相同比例下比较数据。共享后,部分重复刻度标签可能默认隐藏。
2、理解 axes 的返回形状
plt.subplots() 默认会简化返回对象:
• 1×1 布局:返回单个 Axes。
• 1×N 或 N×1 布局:通常返回一维 Axes 数组。
• M×N 且两者均大于 1:返回二维 Axes 数组。
需要统一按二维方式访问时,可设置 squeeze=False:
plt.show()3、自动布局与手动间距
layout="constrained" 通常在创建 Figure 时启用,根据坐标标签、标题和颜色条等元素安排空间。
tight_layout() 是另一种布局调整方式,不宜在已经使用约束布局时再混用;调用它会关闭约束布局。
需要手动控制边距时,可以在未启用自动布局引擎的图形上使用 subplots_adjust()。自动布局不能解决所有拥挤问题,标签过多时仍需增大画布或减少内容。
4、不规则布局
subplot_mosaic() 使用名称描述布局,并返回以名称为键的 Axes 字典。示例左侧绘图区跨两行,右侧分为上下两个区域。
八、文件导出、后端与资源管理
1、保存图形文件
savefig() 通常根据扩展名选择格式,也可以通过 format 显式指定。输出目录需要提前存在,同名文件可能被覆盖。
PNG 适合常规图片展示;SVG、PDF 可保留线条和文字等矢量元素,适合进一步排版。图像内容或栅格化元素仍可能以位图形式嵌入矢量文件。
2、画布尺寸与分辨率
在不使用裁切等改变输出边界的设置时,位图像素尺寸通常由画布英寸尺寸与保存 DPI 相乘得到。
例如,figsize=(9.6, 5.4) 配合 dpi=200,通常得到 1920×1080 像素的图片。
提高 DPI 不会增加原始数据的信息量。图中文字和线条的大小,还受到字号、线宽及实际展示尺寸影响。
3、裁切与透明背景
bbox_inches="tight" 根据内容调整输出边界,有助于减少空白,但也可能改变最终像素尺寸和宽高比例。需要严格保持 16∶9 或指定像素尺寸时,不宜随意启用该设置。
transparent=True 使 Figure 与 Axes 的背景在保存时透明,不会自动清除曲线、标记或其他图形元素。
4、输出后端
后端(Backend)负责图形渲染,以及与窗口系统或文件格式的连接。
交互式后端通常支持窗口、缩放和平移等操作;非交互式后端主要用于文件生成。例如 Agg 是常用的位图渲染后端,可在无图形界面的环境中使用。
需要明确使用 Agg 时,应在导入 pyplot 之前设置:
这段代码适合作为独立脚本运行。普通桌面环境通常无需手动指定后端;Notebook 的显示方式还受其集成环境影响。
5、保存顺序与资源释放
通常先调用 fig.savefig(),再调用 plt.show(),以减少窗口关闭或当前绘图状态变化带来的混淆。
plt.close(fig) 关闭对应图形,并将其从 pyplot 管理的图形集合中移除。批量绘图时,应在每张图保存后及时关闭,避免大量图形对象持续占用资源。
ax.clear() 清空绘图区,fig.clear() 清空整张 Figure 的内容,它们与关闭图形并不是同一操作。
九、应用举例:学生成绩比较与导出
以下示例计算各科平均分和每名学生的平均分,并在同一张图中分别展示:
plt.close(fig)输出:
示例同时生成 PNG 和 SVG 文件。其中 PNG 在未裁切的设置下为 1920×1080 像素,适合 16∶9 的展示场景。
排序基于未舍入的平均分,标签仅在显示时保留两位小数。横向条形图通过 invert_yaxis() 将第一名放在上方。
这里比较的是算术平均分,不代表所有课程采用该评价规则。实际报告还应根据需要补充样本数量、分布情况和数据来源。
十、常用接口与补充说明
1、常用接口速览
以下列出常用调用形式,省略部分可选参数。
• plt.subplots(...):创建 Figure 与一个或多个 Axes。
• ax.plot(x, y):绘制折线或带标记的曲线。
• ax.bar(x, height)、ax.barh(y, width):绘制柱状图或条形图。
• ax.scatter(x, y):绘制散点图。
• ax.hist(values, bins=...):统计并绘制直方图。
• ax.boxplot(data):绘制箱线图。
• ax.imshow(array):显示二维数组或图像。
• ax.set_xlabel(text)、ax.set_ylabel(text):设置坐标轴标签。
• ax.set_xlim(...)、ax.set_ylim(...):设置显示范围。
• ax.set_xticks(...)、ax.set_yticks(...):设置刻度位置及标签。
• ax.set_xscale(...)、ax.set_yscale(...):设置坐标比例。
• ax.legend():创建图例。
• ax.annotate(...)、ax.text(...):添加注释或文字。
• ax.bar_label(container):为柱形添加数值标签。
• fig.colorbar(mappable, ax=ax):添加颜色条。
• fig.savefig(path, ...):保存图形。
• plt.show()、plt.close(fig):显示或关闭图形。
2、明确图表表达目的
折线图强调顺序与变化,柱状图强调类别比较,散点图强调变量关系,直方图和箱线图强调分布。
同一数据可以绘制成不同图形,但并非所有形式都适合表达相同问题。图表类型应由分析目的决定,而非只由外观决定。
3、检查缺失值与异常值
绘图前应确认数据类型、长度和有效范围。缺失值的处理方式因接口而异,例如折线中的 NaN 可能造成断线,并不等于已经完成缺失值分析。
异常点、重复类别和未排序时间,都可能改变图形呈现,应先明确处理规则。
4、避免误导性比例与颜色
坐标截断、不同子图采用不同范围、颜色映射不一致,都可能影响比较。需要突出局部变化时,应明确标示范围,避免让视觉差异超过数据本身的差异。
颜色应与数据含义相匹配。连续数值通常使用连续色标;围绕某个中心值的正负偏差,可考虑发散色标。
5、控制绘图规模
大量点、复杂标记或密集文字可能降低绘制与交互速度,也可能使导出的矢量文件过大。
可根据任务采用合理抽样、分箱统计、降低标记密度,或将特定图形元素设置为栅格化。减少绘图元素不应掩盖重要极值或改变数据解释。
小结
Matplotlib 通过 Figure、Axes 和各类图形对象组织可视化。选择合适图表,明确坐标与颜色含义,并控制字体、布局和导出尺寸,可以将计算结果转化为清晰、可比较且便于复用的图形。
![]()
“点赞有美意,赞赏是鼓励”
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.