当前位置：首页 > news >正文

Python数据可视化利器：Matplotlib从入门到实战全解析

news 2025/8/22 20:10:31

本文将带你系统学习Matplotlib的核心功能，通过丰富的代码示例掌握数据可视化技巧，提升数据分析表达能力。

1. Matplotlib简介

Matplotlib是Python最流行的2D绘图库，其名字来源于MATLAB，旨在为Python提供MATLAB风格的绘图接口。只需几行代码，就能生成高质量的图表，包括折线图、直方图、散点图、条形图等。

核心优势：

创建出版质量的图表
简单易用的API接口
高度可定制化
支持多种输出格式

2. 基础绘图入门

2.1 简单折线图

import matplotlib.pyplot as plt
import numpy as np# 创建数据
x = range(2, 26, 2)
y = [15, 13, 14.5, 17, 20, 25, 26, 26, 24, 22, 18, 15]# 绘制图表
plt.plot(x, y)
plt.show()

2.2 解决中文显示问题

Matplotlib默认不支持中文字符，需要通过以下方式解决：

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

3. 多子图绘制：subplot方法

3.1 创建多个子图

# 创建figure对象
fig = plt.figure()# 创建2x2的子图布局
ax1 = fig.add_subplot(2, 2, 1)  # 第1行第1列
ax2 = fig.add_subplot(2, 2, 2)  # 第1行第2列
ax3 = fig.add_subplot(2, 2, 3)  # 第2行第1列
ax4 = fig.add_subplot(2, 2, 4)  # 第2行第2列# 在各个子图上绘制数据
random_arr = np.random.randn(100)
ax1.plot(random_arr)
ax2.hist(random_arr)
ax3.scatter(range(100), random_arr)
ax4.boxplot(random_arr)plt.tight_layout()  # 自动调整子图参数
plt.show()

3.2 推荐的subplots方法

# 创建2行2列的子图，返回figure对象和axes数组
fig, axes = plt.subplots(2, 2, figsize=(10, 8))# 在各个子图上绘制
axes[0, 0].plot(np.random.randn(100))
axes[0, 1].hist(np.random.randn(100), bins=20)
axes[1, 0].scatter(np.arange(100), np.random.randn(100))
axes[1, 1].boxplot(np.random.randn(100))plt.tight_layout()
plt.show()

4. 直方图：数据分布可视化

直方图用于展示数据的分布情况，是统计分析中的重要工具。

# 生成随机数据
data = np.random.randn(1000)# 计算合适的组距和组数
bin_width = 0.5  # 设置组距
num_bins = int((max(data) - min(data)) / bin_width)  # 计算组数# 绘制直方图
plt.hist(data, bins=num_bins, color='steelblue', alpha=0.7, edgecolor='black')# 添加装饰
plt.grid(True, linestyle='--', alpha=0.5)
plt.xlabel('数值')
plt.ylabel('频数')
plt.title('数据分布直方图')plt.show()

直方图设计要点：

组数要适当：数据在100个以内时，常分5-12组
组距计算公式：组数 = (最大值 - 最小值) / 组距
可使用normed参数切换频数和频率分布

5. 散点图：变量关系分析

散点图用于展示两个变量之间的关系，是相关性分析的重要工具。

# 生成示例数据
x = np.arange(50)
y = x + 5 * np.random.randn(50)  # 添加随机噪声# 绘制散点图
plt.scatter(x, y, alpha=0.6, edgecolors='w', s=80)# 添加趋势线
z = np.polyfit(x, y, 1)
p = np.poly1d(z)
plt.plot(x, p(x), "r--", alpha=0.8)plt.xlabel('X变量')
plt.ylabel('Y变量')
plt.title('X与Y的散点图及趋势线')
plt.grid(True, linestyle='--', alpha=0.3)plt.show()

6. 柱状图：分类数据比较

柱状图适用于比较不同类别的数据值。

# 准备数据
categories = ['A', 'B', 'C', 'D', 'E']
values1 = [23, 45, 56, 12, 41]
values2 = [34, 30, 49, 25, 38]x = np.arange(len(categories))
width = 0.35  # 柱状图宽度# 创建图表
fig, ax = plt.subplots(figsize=(10, 6))# 绘制两组柱状图
rects1 = ax.bar(x - width/2, values1, width, label='组1', color='steelblue', alpha=0.8)
rects2 = ax.bar(x + width/2, values2, width, label='组2', color='indianred', alpha=0.8)# 添加标签和装饰
ax.set_xlabel('类别')
ax.set_ylabel('数值')
ax.set_title('不同类别的数值比较')
ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.legend()# 在柱子上添加数值标签
def autolabel(rects):for rect in rects:height = rect.get_height()ax.annotate(f'{height}',xy=(rect.get_x() + rect.get_width() / 2, height),xytext=(0, 3),  # 3 points vertical offsettextcoords="offset points",ha='center', va='bottom')autolabel(rects1)
autolabel(rects2)plt.tight_layout()
plt.show()

7. 矩阵可视化：imshow方法

imshow()非常适合可视化矩阵数据，如混淆矩阵、相关矩阵等。

# 创建随机矩阵
matrix = np.random.rand(10, 10)# 绘制矩阵
plt.figure(figsize=(8, 6))
im = plt.imshow(matrix, interpolation='nearest', cmap=plt.cm.Blues)# 添加颜色条
plt.colorbar(im)# 添加单元格数值
for i in range(matrix.shape[0]):for j in range(matrix.shape[1]):plt.text(j, i, f'{matrix[i, j]:.2f}',ha="center", va="center", color="white" if matrix[i, j] > 0.5 else "black")plt.title('矩阵可视化示例')
plt.show()

8. 样式定制：颜色、标记和线型

Matplotlib提供了丰富的样式选项来自定义图表外观。

# 创建样式示例
fig, axes = plt.subplots(2, 2, figsize=(12, 10))# 不同的线型
line_styles = ['-', '--', '-.', ':']
for i, style in enumerate(line_styles):axes[0, 0].plot(np.random.randn(30).cumsum(), linestyle=style, label=f'线型: {style}')
axes[0, 0].set_title('不同线型')
axes[0, 0].legend()# 不同的标记
markers = ['o', 's', '^', 'D', 'v']
for i, marker in enumerate(markers):axes[0, 1].scatter(range(i*5, i*5+10), np.random.randn(10) + i,marker=marker, s=100, label=f'标记: {marker}')
axes[0, 1].set_title('不同标记')
axes[0, 1].legend()# 不同的颜色
colors = ['r', 'g', 'b', 'c', 'm']
for i, color in enumerate(colors):axes[1, 0].bar(i, np.random.randint(5, 15), color=color, alpha=0.7,label=f'颜色: {color}')
axes[1, 0].set_title('不同颜色')
axes[1, 0].legend()# 组合样式
x = range(20)
for i in range(5):axes[1, 1].plot(x, np.random.randn(20).cumsum() + i*3,marker=markers[i], linestyle=line_styles[i],color=colors[i], label=f'样式{i+1}')
axes[1, 1].set_title('组合样式')
axes[1, 1].legend()plt.tight_layout()
plt.show()

常用样式简写：

颜色：b(blue), g(green), r(red), c(cyan), m(magenta), y(yellow), k(black), w(white)
标记：o(圆圈), s(正方形), ^(三角形), D(菱形)
线型：-(实线), --(虚线), -.(点划线), :(点线)

9. 高级定制：刻度、标签和图例

精细化控制图表元素，提升图表可读性和专业性。

# 创建示例数据
np.random.seed(42)
data1 = np.random.randn(1000).cumsum()
data2 = np.random.randn(1000).cumsum() + 20
data3 = np.random.randn(1000).cumsum() - 20# 创建图表
fig, ax = plt.subplots(figsize=(12, 6))# 绘制多条线
ax.plot(data1, label='趋势线1', color='blue', linewidth=2)
ax.plot(data2, label='趋势线2', color='red', linewidth=2, linestyle='--')
ax.plot(data3, label='趋势线3', color='green', linewidth=2, linestyle=':')# 设置刻度范围
ax.set_xlim([0, 800])
ax.set_ylim([-50, 100])# 设置刻度标签
ax.set_xticks(range(0, 801, 100))
ax.set_xticklabels([f'第{i}天' for i in range(0, 9)])# 设置坐标轴标签
ax.set_xlabel('时间', fontsize=12)
ax.set_ylabel('数值', fontsize=12)# 设置标题
ax.set_title('时间序列数据趋势分析', fontsize=14, fontweight='bold')# 添加网格
ax.grid(True, linestyle='--', alpha=0.7)# 添加图例
ax.legend(loc='best', fontsize=10, frameon=True, fancybox=True, shadow=True)# 添加文字标注
ax.text(400, 70, '上升趋势', fontsize=12, bbox=dict(boxstyle="round,pad=0.3", facecolor="yellow", alpha=0.5))plt.tight_layout()
plt.show()

10. 实战案例：综合应用

# 创建综合图表
fig = plt.figure(figsize=(15, 10))# 1. 折线图
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=2)
x = np.linspace(0, 10, 100)
ax1.plot(x, np.sin(x), label='sin(x)')
ax1.plot(x, np.cos(x), label='cos(x)')
ax1.set_title('三角函数曲线')
ax1.legend()
ax1.grid(True, linestyle='--', alpha=0.7)# 2. 散点图
ax2 = plt.subplot2grid((3, 3), (0, 2))
x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)
ax2.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')
ax2.set_title('气泡图')# 3. 柱状图
ax3 = plt.subplot2grid((3, 3), (1, 0), colspan=3)
categories = [f'类别{i}' for i in range(1, 6)]
values = np.random.randint(10, 50, 5)
ax3.bar(categories, values, color=['red', 'blue', 'green', 'purple', 'orange'])
ax3.set_title('柱状图示例')
for i, v in enumerate(values):ax3.text(i, v + 0.5, str(v), ha='center')# 4. 饼图
ax4 = plt.subplot2grid((3, 3), (2, 0))
sizes = [15, 30, 45, 10]
labels = ['A', 'B', 'C', 'D']
ax4.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
ax4.axis('equal')
ax4.set_title('饼图')# 5. 箱线图
ax5 = plt.subplot2grid((3, 3), (2, 1))
data = [np.random.normal(0, std, 100) for std in range(1, 4)]
ax5.boxplot(data, vert=True, patch_artist=True)
ax5.set_title('箱线图')# 6. 热力图
ax6 = plt.subplot2grid((3, 3), (2, 2))
matrix = np.random.rand(5, 5)
im = ax6.imshow(matrix, cmap='hot', interpolation='nearest')
plt.colorbar(im, ax=ax6)
ax6.set_title('热力图')plt.tight_layout()
plt.show()