第43课：Python｜Matplotlib数据可视化各类图表绘制全教程

原创于 2026-06-29 11:38:22 发布 · 259 阅读

6 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#python #matplotlib #信息可视化 #人工智能

50节课 Python 从入门到精通专栏收录该内容

44 篇文章

订阅专栏

在这里插入图片描述

文章目录

📖 开篇导读
🎯 学习目标
📚 知识点理论精讲
💻 代码案例实操
⚠️ 易错点避坑总结
📝 课后实战练习题
🧠 知识点思维导图总结
🔜 下节课预告
- 第44课：网络爬虫基础：Requests、BeautifulSoup网页解析实战
🔗《50节课 Python 从入门到精通》系列课程导航

📖 开篇导读

在上一课中，我们学习了Pandas，掌握了数据清洗、筛选、分组聚合等核心技能。但仅仅处理数据还不够——人类对图形的敏感度远超纯数字表格。数据可视化就是将数据转化为图表的过程，它帮助我们更直观地理解数据背后的规律、趋势和异常。无论是商业报告、学术论文还是数据新闻，精美的图表总能让人眼前一亮。

💡 工作场景：

数据分析报告：从销售数据中绘制趋势图、对比图，直观展示业绩变化。
机器学习：绘制损失曲线、特征分布、混淆矩阵，评估模型效果。
科研实验：展示实验数据、模拟结果的折线图、散点图、误差条图。
金融分析：股票K线图、收益率分布、相关性热力图。

本课将讲解Python最基础的绘图库——Matplotlib。它是Python可视化生态的基石，其他高级库（如Seaborn、Plotly）都建立在它之上。我们会学习：

Matplotlib的基本架构和绘图流程
各类图表的绘制：折线图、散点图、柱状图、直方图、饼图、箱线图等
图表元素的定制：标题、轴标签、图例、刻度、颜色、样式
多子图布局
图形保存和中文显示问题

学完本课，你将能够用Matplotlib绘制专业的数据图表，让数据自己说话。

🎯 学习目标

目标编号	具体掌握内容	对应面试/工作价值
1️⃣	理解Matplotlib的绘图模型（Figure、Axes、pyplot）	掌握绘图基本概念
2️⃣	掌握折线图、散点图、柱状图、直方图、饼图的绘制方法	不同场景选择正确图表
3️⃣	学会定制图表元素（标题、标签、图例、网格、刻度、颜色）	让图表更专业
4️⃣	能够绘制多子图，组织多个图表在同一画布	复杂报告必备
5️⃣	掌握保存图表为图片文件以及处理中文乱码	输出成品
6️⃣	了解高级图表类型（箱线图、热力图、三维图）的简单绘制	扩展视野

🔥 面试考点：“Matplotlib中plt.plot和plt.scatter的区别？”“如何在一张图上画多条线？”“如何设置图例和标题？”“怎么解决中文显示问题？”

📚 知识点理论精讲

一、Matplotlib概述

1.1 什么是Matplotlib？

Matplotlib是一个用于创建静态、动画和交互式可视化的Python库。它提供了一套类似MATLAB的绘图接口，可以生成高质量的图表。

1.2 安装

pip install matplotlib

通常导入约定：

import matplotlib.pyplot as plt
import numpy as np

1.3 绘图核心概念

Figure：画布，包含所有图表元素。
Axes：坐标轴区域，每个Figure可以包含多个Axes。
Axis：坐标轴（X轴、Y轴），包含刻度、标签等。
Artist：所有可见元素的基类（文本、线条、图例等）。

二、基本绘图：折线图

折线图用于展示数据随时间或其他连续变量的变化趋势。

2.1 简单折线图

import matplotlib.pyplot as plt
import numpy as np

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

2.2 多条折线

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)', linestyle='--', color='red')
plt.legend()
plt.show()

2.3 常用样式参数

color：线条颜色（'r', 'g', 'b', #FF0000等）
linestyle：线型（'-'实线，'--'虚线，':'点线，'-.'点划线）
marker：数据点标记（'o', '^', 's'等）
linewidth：线宽

plt.plot(x, y, 'o--', markersize=4, linewidth=1, color='green')

三、图表定制

3.1 标题和轴标签

plt.plot(x, y)
plt.title("正弦函数曲线")
plt.xlabel("x 值")
plt.ylabel("y 值")

3.2 图例

plt.plot(x, y1, label='sin')
plt.plot(x, y2, label='cos')
plt.legend(loc='upper right')   # 位置

3.3 坐标轴范围

plt.xlim(0, 5)
plt.ylim(-1.5, 1.5)

3.4 刻度

plt.xticks([0, np.pi, 2*np.pi], ['0', 'π', '2π'])

3.5 网格线

plt.grid(True, linestyle=':', alpha=0.7)

3.6 文本注释

plt.annotate('最大值', xy=(np.pi/2, 1), xytext=(np.pi/2, 1.2),
             arrowprops=dict(facecolor='black', shrink=0.05))

四、其他常用图表

4.1 散点图

适合展示两个变量的相关性或分布。

x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y, c='blue', alpha=0.5, s=50)
plt.show()

4.2 柱状图

用于分类数据比较。

categories = ['A', 'B', 'C']
values = [15, 30, 45]
plt.bar(categories, values, color='skyblue')
plt.barh(categories, values)   # 水平柱状图

4.3 直方图

展示数据分布。

data = np.random.randn(1000)
plt.hist(data, bins=30, edgecolor='black', alpha=0.7)

4.4 饼图

展示占比。

sizes = [15, 30, 45, 10]
labels = ['A', 'B', 'C', 'D']
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal')

4.5 箱线图

展示数据分布的五数概括（最小值、Q1、中位数、Q3、最大值）以及异常值。

data = [np.random.randn(100) for _ in range(3)]
plt.boxplot(data, labels=['组1', '组2', '组3'])

五、多子图布局

5.1 `subplot()` 方法

plt.subplot(2, 2, 1)  # 2行2列，第1个
plt.plot(x, y1)
plt.subplot(2, 2, 2)
plt.plot(x, y2)
# ...

5.2 `subplots()` 面向对象接口（推荐）

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0, 0].plot(x, y1)
axes[0, 1].scatter(x, y2)
# ...

六、样式与美化

6.1 内置样式

print(plt.style.available)  # 查看可用样式
plt.style.use('ggplot')

6.2 颜色映射（colormap）

sc = plt.scatter(x, y, c=z, cmap='viridis')
plt.colorbar(sc)

6.3 保存图表

plt.savefig('figure.png', dpi=300, bbox_inches='tight')

七、中文显示问题及解决方案

Matplotlib默认字体不支持中文，显示为方框。解决方案：

plt.rcParams['font.sans-serif'] = ['SimHei']   # 使用黑体
plt.rcParams['axes.unicode_minus'] = False     # 解决负号显示异常

💻 代码案例实操

案例1：折线图——气温变化

"""
temperature_line.py
绘制一天内气温变化折线图
"""

import matplotlib.pyplot as plt
import numpy as np

# 时间点（小时）
hours = np.arange(0, 24)
# 模拟温度数据
temperatures = 15 + 5 * np.sin(np.linspace(0, 2*np.pi, 24)) + np.random.randn(24) * 0.5

plt.figure(figsize=(10, 5))
plt.plot(hours, temperatures, marker='o', linestyle='-', color='red', linewidth=2, markersize=5)
plt.title("2025年5月1日气温变化", fontsize=14)
plt.xlabel("时间 (小时)", fontsize=12)
plt.ylabel("温度 (°C)", fontsize=12)
plt.grid(True, linestyle=':', alpha=0.6)
plt.xticks(np.arange(0, 24, 2))
plt.ylim(10, 25)
plt.show()

案例2：柱状图——销售对比

"""
sales_bar.py
不同产品季度销售额柱状图
"""

import matplotlib.pyplot as plt
import numpy as np

products = ['产品A', '产品B', '产品C', '产品D']
sales_q1 = [120, 150, 80, 200]
sales_q2 = [140, 130, 100, 210]

x = np.arange(len(products))          # 标签位置
width = 0.35                           # 柱宽

fig, ax = plt.subplots()
rects1 = ax.bar(x - width/2, sales_q1, width, label='Q1')
rects2 = ax.bar(x + width/2, sales_q2, width, label='Q2')

ax.set_ylabel('销售额 (万元)')
ax.set_title('各产品季度销售额对比')
ax.set_xticks(x)
ax.set_xticklabels(products)
ax.legend()

# 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), textcoords="offset points", ha='center', va='bottom')

autolabel(rects1)
autolabel(rects2)
plt.show()

案例3：散点图——身高体重关系

"""
scatter_height_weight.py
身高与体重的散点图
"""

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
np.random.seed(42)
heights = 160 + np.random.randn(200) * 10   # 身高cm
weights = 55 + 0.5 * (heights - 160) + np.random.randn(200) * 5   # 体重kg

plt.figure(figsize=(8, 6))
plt.scatter(heights, weights, c=weights, cmap='viridis', alpha=0.6, edgecolors='black')
plt.colorbar(label='体重 (kg)')
plt.title("身高与体重关系")
plt.xlabel("身高 (cm)")
plt.ylabel("体重 (kg)")
plt.grid(True, alpha=0.3)
plt.show()

案例4：直方图——考试成绩分布

"""
score_histogram.py
学生考试成绩分布直方图
"""

import matplotlib.pyplot as plt
import numpy as np

# 随机生成1000个学生成绩（0-100）
scores = np.random.normal(75, 15, 1000)
scores = np.clip(scores, 0, 100)   # 截断到[0,100]

plt.figure(figsize=(10, 5))
plt.hist(scores, bins=20, edgecolor='black', alpha=0.7, color='skyblue')
plt.title("考试成绩分布")
plt.xlabel("分数")
plt.ylabel("人数")
plt.grid(axis='y', linestyle='--', alpha=0.5)
# 添加平均线
mean_score = np.mean(scores)
plt.axvline(mean_score, color='red', linestyle='-', linewidth=2, label=f'平均分: {mean_score:.1f}')
plt.legend()
plt.show()

案例5：饼图——市场份额

"""
pie_market_share.py
展示各品牌市场份额饼图
"""

import matplotlib.pyplot as plt

brands = ['品牌A', '品牌B', '品牌C', '品牌D', '其他']
shares = [35, 25, 20, 12, 8]
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c2c2f0']
explode = (0.05, 0, 0, 0, 0)   # 突出第一块

plt.figure(figsize=(8, 8))
plt.pie(shares, explode=explode, labels=brands, colors=colors,
        autopct='%1.1f%%', startangle=90, shadow=True)
plt.title("智能手机市场份额")
plt.axis('equal')   # 保证饼图为圆形
plt.show()

案例6：箱线图——多组数据对比

"""
boxplot_demo.py
多组实验数据箱线图对比
"""

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
data = [np.random.normal(50, 5, 100),   # 组1
        np.random.normal(55, 7, 100),   # 组2
        np.random.normal(48, 6, 100),   # 组3
        np.random.normal(52, 4, 100)]   # 组4

plt.figure(figsize=(8, 6))
bp = plt.boxplot(data, labels=['对照组', '实验组1', '实验组2', '实验组3'],
                 patch_artist=True, showmeans=True)
# 填充颜色
colors = ['lightblue', 'lightgreen', 'lightyellow', 'lightpink']
for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
plt.title("不同实验组数据分布")
plt.ylabel("测量值")
plt.grid(axis='y', linestyle='--', alpha=0.5)
plt.show()

案例7：多子图综合布局

"""
subplots_demo.py
展示四种常见图形的组合
"""

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
data = np.random.randn(200)
categories = ['A', 'B', 'C']
values = [23, 45, 38]

fig, axes = plt.subplots(2, 2, figsize=(12, 8))
fig.suptitle("多种图形组合示例", fontsize=16)

# 子图1: 折线图
axes[0, 0].plot(x, y1, label='sin', color='b')
axes[0, 0].plot(x, y2, label='cos', color='r')
axes[0, 0].set_title("三角函数")
axes[0, 0].legend()
axes[0, 0].grid(True)

# 子图2: 柱状图
axes[0, 1].bar(categories, values, color='green')
axes[0, 1].set_title("分类数据")

# 子图3: 直方图
axes[1, 0].hist(data, bins=20, edgecolor='black', alpha=0.7)
axes[1, 0].set_title("数据分布")

# 子图4: 散点图
x_scatter = np.random.randn(50)
y_scatter = np.random.randn(50)
axes[1, 1].scatter(x_scatter, y_scatter, c='purple', alpha=0.6)
axes[1, 1].set_title("相关性")

plt.tight_layout()
plt.show()

案例8：绘制热力图（进阶）

"""
heatmap_demo.py
使用imshow绘制热力图
"""

import matplotlib.pyplot as plt
import numpy as np

# 创建一个相关性矩阵
np.random.seed(42)
data = np.random.rand(10, 10)
# 使对称
data = (data + data.T) / 2
np.fill_diagonal(data, 1)

plt.figure(figsize=(8, 6))
plt.imshow(data, cmap='RdYlBu', interpolation='nearest')
plt.colorbar(label='相关系数')
plt.title("特征相关性热力图")
plt.xticks(range(10), [f'特征{i}' for i in range(10)], rotation=45)
plt.yticks(range(10), [f'特征{i}' for i in range(10)])
plt.tight_layout()
plt.show()

⚠️ 易错点避坑总结

序号	坑点描述	后果	解决方案
1	中文字符显示为方框	图表中中文乱码	设置`rcParams`字体为支持中文的字体（如SimHei）
2	忘记`plt.show()`	图形不显示（在交互环境外）	调用`plt.show()`
3	多次调用`plt.show()`导致空白图	图形被多次渲染	通常最后调用一次即可
4	混淆`plt.plot`和`plt.scatter`	数据点标记不符合预期	根据需求选择，散点图更适合展示分布
5	柱状图宽度设置不当重叠	图表难以辨认	调整`width`参数，使柱体间有间隔
6	直方图bin数设置不合理	掩盖或夸大分布特征	使用`bins='auto'`或根据数据量调整
7	在循环中创建大量Figure对象	内存消耗大，性能差	复用Figure或使用子图
8	保存图形时未设置`dpi`或格式	图片分辨率低或格式不对	`plt.savefig('name.png', dpi=300)`
9	未使用`tight_layout`导致标签重叠	图表元素显示不全	调用`plt.tight_layout()`
10	图例位置挡住数据	信息缺失	设置`loc`参数为合适位置（`'upper left'`等）