matplotlib教程-杰瑞科技汇

Matplotlib 完整教程：从入门到精通

第一部分：Matplotlib 简介
（图片来源网络，侵删）
- 什么是 Matplotlib？
- 为什么选择 Matplotlib？
- Matplotlib 的核心架构
第二部分：环境准备与基础绘图
- 安装 Matplotlib
- 导入库
- 绘制你的第一个图：plt.plot()
- 显示与保存图片：plt.show() 和 plt.savefig()
第三部分：深入理解 Matplotlib 架构
- 三层架构：Artist 层
- 关键对象：Figure 和 Axes
- pyplot 与 Axes API 的关系
- 重要：推荐使用 Axes API
第四部分：常用图表类型详解
- 折线图 (plot)
- 散点图 (scatter)
- 柱状图 (bar, barh)
- 直方图 (hist)
- 饼图 (pie)
- 箱线图 (boxplot)
- 热力图 (imshow)
第五部分：图表美化与定制
（图片来源网络，侵删）
- 和标签 (set_title, set_xlabel, set_ylabel)
- 设置图例 (legend)
- 设置坐标轴范围 (set_xlim, set_ylim)
- 设置网格 (grid)
- 设置文本 (text, annotate)
- 设置样式 (style)
- 调整布局 (tight_layout)
第六部分：进阶技巧
- 子图 (subplot vs subplots)
- 绘制双轴 (twinx, twiny)
- 绘制误差线 (errorbar)
- 处理日期数据
- 使用 Seaborn 进行高级美化
第七部分：总结与最佳实践
- 常见问题
- 学习资源推荐

第一部分：Matplotlib 简介

什么是 Matplotlib？

Matplotlib 是 Python 中最著名、最基础的数据可视化库，它功能强大，高度可定制，可以生成从简单的折线图到复杂的科学图表在内的各种静态、动态和交互式图表。

为什么选择 Matplotlib？

历史悠久，社区庞大：几乎所有 Python 数据科学相关的教程和书籍都会使用 Matplotlib，遇到问题很容易找到解决方案。
功能全面：几乎涵盖了所有常见的图表类型，并且提供了极其精细的控制能力。
可定制性极强：从字体、颜色、线型到布局，几乎所有元素都可以修改。
与其他库无缝集成：是 NumPy、Pandas、SciPy 等科学计算库的默认可视化工具。

Matplotlib 的核心架构

理解 Matplotlib 的三层架构对于深入学习至关重要：

后端层：负责将图表渲染成具体的格式（如 PNG, SVG, PDF），用户通常不需要直接接触这一层。
Artist 层：这是 Matplotlib 的核心。Artist 对象是图表的“画笔”和“画布”，所有可见的元素（如 Figure, Axes, Line2D, Text 等）都是 Artist 的子类，通过操作 Artist 对象，我们可以精确地控制图表的每一个细节。
脚本层 (pyplot)：这是我们最常使用的接口。pyplot 提供了一组类似 MATLAB 的函数，可以方便地快速绘图，它实际上是 Artist 层的一个简化封装，自动处理了创建 Figure 和 Axes 等繁琐工作。

第二部分：环境准备与基础绘图

安装 Matplotlib

如果你已经安装了 Anaconda，Matplotlib 通常已经包含在内，如果没有，可以通过 pip 安装：

pip install matplotlib

导入库

通常我们这样导入：

import matplotlib.pyplot as plt
import numpy as np # 经常与 NumPy 一起使用

绘制你的第一个图：`plt.plot()`

plt.plot() 是最简单的绘图函数，它会自动将数据点连接成线。

# 准备数据
x = np.linspace(0, 10, 100) # 0到10之间生成100个点
y = np.sin(x)
# 绘制正弦曲线
plt.plot(x, y)
# 显示图片
plt.show()

运行这段代码,你会弹出一个窗口显示一个漂亮的正弦波。

显示与保存图片

显示图片：plt.show() 会暂停程序，显示图表窗口，在 Jupyter Notebook 或类似环境中，plt.plot() 会自动显示。

保存图片：plt.savefig() 可以将图表保存为文件。

plt.plot(x, y)
plt.savefig('sine_wave.png', dpi=300, bbox_inches='tight') # 保存为PNG，300dpi，并裁剪掉多余部分

第三部分：深入理解 Matplotlib 架构

关键对象：`Figure` 和 `Axes`

这是从“会画”到“画好”的关键一步。

Figure (画布)：是整个图表的顶级窗口或容器，你可以把它想象成一个画板，上面可以放置一个或多个图表。
Axes (坐标系/子图)：是 Figure 上的一个绘图区域，也就是我们通常所说的“图表”，一个 Figure 可以包含多个 Axes，每个 Axes 都有自己的坐标轴、标题、标签等。

`pyplot` 与 `Axes` API 的关系

pyplot 会自动跟踪当前的 Figure 和 Axes，当你调用 plt.plot(x, y) 时，pyplot 会：

检查是否存在当前的 Figure 和 Axes。
如果不存在,就创建一个新的 Figure 和 Axes。
然后在当前的 Axes 上调用 plot 方法。

重要：推荐使用 Axes API 虽然 pyplot 方便，但当你需要在一张画布上画多个图，或者需要对图表进行复杂定制时，直接使用 Axes API 会更清晰、更强大。

# pyplot API (简单但难以管理复杂图表)
plt.figure(figsize=(8, 4))
plt.plot(x, np.sin(x))
plt.plot(x, np.cos(x))'Pyplot API')
plt.show()
# Axes API (推荐，更清晰、更强大)
fig, ax = plt.subplots(figsize=(8, 4)) # 创建一个Figure和一个Axes
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')
ax.set_title('Axes API')
ax.set_xlabel('x-axis')
ax.set_ylabel('y-axis')
ax.legend() # 添加图例
plt.show()

对比：Axes API 中，所有命令都是通过 ax 对象调用的（如 ax.plot, ax.set_title），这明确指出了操作的目标，避免了混淆。

第四部分：常用图表类型详解

折线图 (`plot`)

用于展示数据随时间或某个连续变量的变化趋势。

fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4], [1, 4, 2, 3], marker='o', linestyle='--', color='g')
ax.set_title('折线图示例')
plt.show()

散点图 (`scatter`)

用于展示两个变量之间的关系。

np.random.seed(0)
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
sizes = 1000 * np.random.rand(50)
fig, ax = plt.subplots()
scatter = ax.scatter(x, y, c=colors, s=sizes, alpha=0.5, cmap='viridis')
ax.set_title('散点图示例')
fig.colorbar(scatter, ax=ax, label='颜色映射') # 添加颜色条
plt.show()

柱状图 (`bar`, `barh`)

用于比较不同类别的数据。

categories = ['A', 'B', 'C', 'D']
values = [15, 30, 45, 10]
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4)) # 创建1行2列的子图
# 垂直柱状图
ax1.bar(categories, values, color='skyblue')
ax1.set_title('垂直柱状图')
# 水平柱状图
ax2.barh(categories, values, color='salmon')
ax2.set_title('水平柱状图')
plt.tight_layout()
plt.show()

直方图 (`hist`)

用于展示数据的分布情况。

data = np.random.normal(0, 1, 1000) # 生成1000个标准正态分布的随机数
fig, ax = plt.subplots()
ax.hist(data, bins=30, color='purple', alpha=0.7, edgecolor='black')
ax.set_title('直方图示例')
ax.set_xlabel('值')
ax.set_ylabel('频数')
plt.show()

饼图 (`pie`)

用于展示各部分占总体的比例。

sizes = [30, 20, 45, 5]
labels = ['Python', 'Java', 'C++', 'Other']
explode = (0.1, 0, 0, 0) # 突出显示第一块
fig, ax = plt.subplots()
ax.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)
ax.axis('equal') # 保证饼图是圆的
ax.set_title('编程语言使用比例')
plt.show()

箱线图 (`boxplot`)

用于展示一组数据的分布情况,包括中位数、四分位数和异常值。

data = np.random.normal(0, 1, (100, 4)) # 生成4组数据
labels = ['Group A', 'Group B', 'Group C', 'Group D']
fig, ax = plt.subplots()
ax.boxplot(data, labels=labels)
ax.set_title('箱线图示例')
plt.show()

热力图 (`imshow`)

用于展示矩阵数据,颜色深浅代表数值大小。

# 生成一个随机矩阵
data = np.random.rand(10, 10)
fig, ax = plt.subplots()
cax = ax.imshow(data, cmap='coolwarm')
fig.colorbar(cax, ax=ax, label='数值大小')
ax.set_title('热力图示例')
plt.show()

第五部分：图表美化与定制

使用 Axes API 的 set_* 方法进行定制。

# 生成数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建图表和坐标系
fig, ax = plt.subplots(figsize=(10, 6))
# 绘制曲线
ax.plot(x, y1, label='sin(x)', color='blue', linestyle='-', linewidth=2)
ax.plot(x, y2, label='cos(x)', color='red', linestyle='--', linewidth=2)
# 1. 设置标题和标签
ax.set_title('正弦和余弦函数', fontsize=16, pad=20) # pad是标题与图表的间距
ax.set_xlabel('X轴 (弧度)', fontsize=12)
ax.set_ylabel('Y轴', fontsize=12)
# 2. 设置坐标轴范围
ax.set_xlim([0, 10])
ax.set_ylim([-1.5, 1.5])
# 3. 设置网格
ax.grid(True, linestyle=':', which='both', alpha=0.5) # which='both'同时显示主次网格线
# 4. 设置图例
ax.legend(loc='upper right', fontsize=10) # loc可以指定位置
# 5. 设置文本
ax.text(5, 1.2, '最大值点', ha='center') # ha是水平对齐方式
# 6. 调整布局，防止标签被截断
plt.tight_layout()
# 显示图片
plt.show()

设置样式

可以使用 plt.style.context 来临时应用一种预设的样式，让图表更美观。

with plt.style.context('seaborn-v0_8-whitegrid'):
    fig, ax = plt.subplots()
    ax.plot(x, np.sin(x))
    ax.plot(x, np.cos(x))
    plt.show()

其他常用样式：'ggplot', 'fivethirtyeight', 'bmh'。

第六部分：进阶技巧

子图 (`subplot` vs `subplots`)

plt.subplots() 是创建子图最推荐的方式。

# 创建一个 2x2 的子图网格
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
# axes 是一个 NumPy 数组，可以通过索引访问每个子图
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title('子图 1: sin(x)')
axes[0, 1].plot(x, np.cos(x))
axes[0, 1].set_title('子图 2: cos(x)')
axes[1, 0].bar(['A', 'B', 'C'], [3, 7, 2])
axes[1, 0].set_title('子图 3: 柱状图')
axes[1, 1].hist(np.random.randn(100), bins=15)
axes[1, 1].set_title('子图 4: 直方图')
plt.tight_layout()
plt.show()

绘制双轴

当两个数据序列的量纲不同时,双轴非常有用。

fig, ax1 = plt.subplots(figsize=(10, 6))
# 第一个 Y 轴
ax1.plot(x, np.sin(x), 'b-', label='sin(x)')
ax1.set_xlabel('X轴')
ax1.set_ylabel('sin(x)', color='b')
ax1.tick_params(axis='y', labelcolor='b')
# 创建第二个 Y 轴，共享 X 轴
ax2 = ax1.twinx()
ax2.plot(x, np.cos(x) * 10, 'r--', label='cos(x) * 10') # 乘以10以匹配量纲
ax2.set_ylabel('cos(x) * 10', color='r')
ax2.tick_params(axis='y', labelcolor='r')
fig.suptitle('双轴图示例')
plt.show()

绘制误差线

x = np.arange(10)
y = 2.5 * x + 10
error = np.random.rand(10) * 5 # 随机误差
fig, ax = plt.subplots()
ax.errorbar(x, y, yerr=error, fmt='-o', capsize=5, capthick=2, ecolor='red')
ax.set_title('误差线示例')
plt.show()

第七部分：总结与最佳实践

常见问题

中文显示乱码：在绘图前，设置一个支持中文的字体。

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 'SimHei' 是黑体，你也可以用 'Microsoft YaHei' 等
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

图片显示不清晰：使用 plt.savefig 时，设置 dpi (dots per inch) 参数，如 dpi=300。
坐标轴标签被截断：在保存或显示前调用 plt.tight_layout()。

学习资源推荐

官方文档：Matplotlib Official Documentation (最权威，但内容较多)
教程：Matplotlib Tutorials (官方提供的分步教程)
示例库：Matplotlib Gallery (寻找灵感，看懂代码就能学会)
书籍：《Python for Data Analysis》 by Wes McKinney (作者也是 Pandas 的作者，其中对 Matplotlib 有很好的介绍)。

希望这份详尽的教程能帮助你从零开始,逐步精通 Matplotlib！祝你绘图愉快！

matplotlib教程

Matplotlib 完整教程：从入门到精通

目录

第一部分：Matplotlib 简介

什么是 Matplotlib？

为什么选择 Matplotlib？

Matplotlib 的核心架构

第二部分：环境准备与基础绘图

安装 Matplotlib

导入库

绘制你的第一个图：plt.plot()

显示与保存图片

第三部分：深入理解 Matplotlib 架构

关键对象：Figure 和 Axes

pyplot 与 Axes API 的关系

第四部分：常用图表类型详解

折线图 (plot)

散点图 (scatter)

柱状图 (bar, barh)

直方图 (hist)

饼图 (pie)

箱线图 (boxplot)

热力图 (imshow)