Matplotlib 数据可视化

Matplotlib 是 Python 生态系统中最基础、最强大的数据可视化库，几乎所有其他可视化库（如 Seaborn、Pandas 绑图、Plotly 等）都构建在 Matplotlib 之上。掌握 Matplotlib 不仅能让你创建任何类型的图表，还能帮助你理解其他可视化库的工作原理。

Matplotlib 架构

Matplotlib 采用分层架构设计，理解这个架构对于正确使用 Matplotlib 非常重要：

三层架构说明：

层级	说明	典型使用场景
后端层	处理绘图设备的底层细节	很少直接使用
艺术家层	图表的核心对象模型	精细控制、复杂图表
脚本层	简化的 pyplot 接口	快速绑图、简单图表

核心对象关系

import matplotlib.pyplot as plt

# Figure：整个图形窗口，可以包含多个 Axes
fig = plt.figure()

# Axes：单个图表区域，包含坐标轴、标签、标题等
ax = fig.add_subplot()

# Axis：坐标轴，控制刻度、标签
xaxis = ax.xaxis
yaxis = ax.yaxis

两种绑图风格

Matplotlib 提供两种主要的绑图风格，各有优缺点：

pyplot 风格（MATLAB 风格）

适合快速探索性分析，语法简单直观：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

plt.figure(figsize=(10, 6))
plt.plot(x, np.sin(x), label='sin(x)')
plt.plot(x, np.cos(x), label='cos(x)')
plt.xlabel('x')
plt.ylabel('y')
plt.title('三角函数')
plt.legend()
plt.grid(True)
plt.show()

面向对象风格

适合复杂图表和精细控制，是专业用法：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

# 创建 Figure 和 Axes 对象
fig, ax = plt.subplots(figsize=(10, 6))

# 在 Axes 上绑图
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')

# 设置 Axes 属性
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title('三角函数')
ax.legend()
ax.grid(True)

plt.show()

为什么推荐面向对象风格？

1. 更清晰的对象管理：明确知道操作的是哪个图表
2. 更好的代码复用：可以轻松封装图表函数
3. 支持复杂布局：多子图时不会混淆
4. 与 Pandas/Seaborn 兼容：这些库返回的是 Axes 对象

基本图表类型

折线图（Line Plot）

折线图用于展示数据随时间或序列的变化趋势：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

fig, ax = plt.subplots(figsize=(10, 6))

# 绘制多条线
ax.plot(x, y1, 'b-', linewidth=2, label='sin(x)')      # 蓝色实线
ax.plot(x, y2, 'r--', linewidth=2, label='cos(x)')     # 红色虚线

# 标记特殊点
ax.plot([np.pi/2], [1], 'go', markersize=10)           # 标记最大值
ax.annotate('最大值', xy=(np.pi/2, 1), xytext=(np.pi/2 + 0.5, 0.8),
            arrowprops=dict(arrowstyle='->', color='green'))

ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title('三角函数图像')
ax.legend(loc='upper right')
ax.grid(True, alpha=0.3)
ax.set_xlim(0, 2 * np.pi)
ax.set_ylim(-1.2, 1.2)

plt.tight_layout()
plt.show()

plot 函数常用参数：

参数	说明	示例
color / c	颜色	'red', 'r', '#FF5733'
linestyle / ls	线型	'-', '--', ':', '-.'
linewidth / lw	线宽	2.0
marker	标记样式	'o', 's', '^', '+'
markersize / ms	标记大小	8
label	图例标签	'数据1'
alpha	透明度	0.5

格式字符串简写：'[color][marker][line]'

ax.plot(x, y, 'ro-')   # 红色、圆标记、实线
ax.plot(x, y, 'g^--')  # 绿色、三角标记、虚线
ax.plot(x, y, 'bs:')   # 蓝色、方形标记、点线

散点图（Scatter Plot）

散点图用于展示两个变量之间的关系：

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
n = 100

# 创建数据
x = np.random.randn(n)
y = x * 0.8 + np.random.randn(n) * 0.5
colors = np.random.randn(n)
sizes = np.random.uniform(50, 200, n)

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 简单散点图
axes[0].scatter(x, y, c='steelblue', alpha=0.6, s=60)
axes[0].set_xlabel('X')
axes[0].set_ylabel('Y')
axes[0].set_title('简单散点图')
axes[0].grid(True, alpha=0.3)

# 高级散点图（颜色和大小编码）
scatter = axes[1].scatter(x, y, c=colors, s=sizes, 
                          cmap='viridis', alpha=0.7, 
                          edgecolors='white', linewidth=0.5)
axes[1].set_xlabel('X')
axes[1].set_ylabel('Y')
axes[1].set_title('多维散点图')
fig.colorbar(scatter, ax=axes[1], label='颜色值')

plt.tight_layout()
plt.show()

柱状图（Bar Chart）

柱状图用于比较不同类别的数值：

import matplotlib.pyplot as plt
import numpy as np

categories = ['产品A', '产品B', '产品C', '产品D', '产品E']
values = [23, 45, 67, 34, 56]
values2 = [18, 52, 45, 40, 35]

fig, axes = plt.subplots(1, 3, figsize=(15, 5))

# 简单柱状图
bars = axes[0].bar(categories, values, color='steelblue', edgecolor='navy')
axes[0].set_xlabel('产品')
axes[0].set_ylabel('销量')
axes[0].set_title('简单柱状图')
axes[0].tick_params(axis='x', rotation=45)

# 添加数值标签
for bar in bars:
    height = bar.get_height()
    axes[0].annotate(f'{height}',
                     xy=(bar.get_x() + bar.get_width() / 2, height),
                     xytext=(0, 3), textcoords='offset points',
                     ha='center', va='bottom')

# 分组柱状图
x = np.arange(len(categories))
width = 0.35

bars1 = axes[1].bar(x - width/2, values, width, label='2023年', color='steelblue')
bars2 = axes[1].bar(x + width/2, values2, width, label='2024年', color='coral')

axes[1].set_xlabel('产品')
axes[1].set_ylabel('销量')
axes[1].set_title('分组柱状图')
axes[1].set_xticks(x)
axes[1].set_xticklabels(categories)
axes[1].legend()
axes[1].tick_params(axis='x', rotation=45)

# 横向柱状图
axes[2].barh(categories, values, color='teal', edgecolor='darkslategray')
axes[2].set_xlabel('销量')
axes[2].set_ylabel('产品')
axes[2].set_title('横向柱状图')

plt.tight_layout()
plt.show()

直方图（Histogram）

直方图用于展示数值变量的分布：

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)

# 生成不同分布的数据
data1 = np.random.normal(0, 1, 1000)      # 正态分布
data2 = np.random.normal(2, 1.5, 1000)    # 偏移正态分布

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# 单变量直方图
axes[0].hist(data1, bins=30, color='steelblue', edgecolor='white', alpha=0.7)
axes[0].set_xlabel('值')
axes[0].set_ylabel('频数')
axes[0].set_title('正态分布直方图')
axes[0].axvline(np.mean(data1), color='red', linestyle='--', label=f'均值: {np.mean(data1):.2f}')
axes[0].legend()

# 多变量对比
axes[1].hist(data1, bins=30, alpha=0.6, label='数据集1', color='steelblue')
axes[1].hist(data2, bins=30, alpha=0.6, label='数据集2', color='coral')
axes[1].set_xlabel('值')
axes[1].set_ylabel('频数')
axes[1].set_title('分布对比')
axes[1].legend()

plt.tight_layout()
plt.show()

饼图（Pie Chart）

饼图用于展示各部分占整体的比例：

import matplotlib.pyplot as plt

sizes = [35, 25, 20, 12, 8]
labels = ['产品A', '产品B', '产品C', '产品D', '其他']
colors = ['#3498db', '#e74c3c', '#2ecc71', '#f39c12', '#9b59b6']
explode = (0.05, 0, 0, 0, 0)  # 突出显示第一块

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 基本饼图
axes[0].pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%',
            shadow=True, startangle=90)
axes[0].set_title('市场份额')
axes[0].axis('equal')

# 突出显示的饼图
wedges, texts, autotexts = axes[1].pie(sizes, labels=labels, colors=colors,
                                        autopct='%1.1f%%', explode=explode,
                                        startangle=90, pctdistance=0.85)

# 设置百分比文字样式
for autotext in autotexts:
    autotext.set_color('white')
    autotext.set_fontweight('bold')

axes[1].set_title('市场份额（突出显示）')
axes[1].axis('equal')

plt.tight_layout()
plt.show()

箱线图（Box Plot）

箱线图用于展示数据分布的五数概括：

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)

# 创建不同分布的数据
data = [np.random.normal(0, 1, 100),
        np.random.normal(0, 1.5, 100),
        np.random.normal(1, 1, 100),
        np.random.normal(0.5, 0.8, 100)]
labels = ['组A', '组B', '组C', '组D']

fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 基本箱线图
bp1 = axes[0].boxplot(data, labels=labels, patch_artist=True)
axes[0].set_ylabel('值')
axes[0].set_title('箱线图')
axes[0].grid(True, alpha=0.3, axis='y')

# 设置颜色
colors = ['lightblue', 'lightgreen', 'lightcoral', 'lightyellow']
for patch, color in zip(bp1['boxes'], colors):
    patch.set_facecolor(color)

# 横向箱线图（显示均值）
bp2 = axes[1].boxplot(data, labels=labels, vert=False, patch_artist=True,
                       showmeans=True, meanline=True)
axes[1].set_xlabel('值')
axes[1].set_title('横向箱线图（显示均值）')
axes[1].grid(True, alpha=0.3, axis='x')

for patch, color in zip(bp2['boxes'], colors):
    patch.set_facecolor(color)

plt.tight_layout()
plt.show()

箱线图解读：

          最大值（或上限）
              |
    ┌─────────┴─────────┐
    │                    │
    │     上四分位数(Q3) │───┐
    │                    │   │
    │         中位数      │   │  四分位距(IQR)
    │                    │   │  = Q3 - Q1
    │     下四分位数(Q1) │───┘
    │                    │
    └─────────┬─────────┘
              |
          最小值（或下限）
              
    ○ 离群点（超出 1.5*IQR 范围）

热力图（Heatmap）

热力图用颜色深浅表示数值大小：

import matplotlib.pyplot as plt
import numpy as np

# 创建相关性矩阵
np.random.seed(42)
data = np.random.randn(5, 5)
corr_matrix = np.corrcoef(data)

labels = ['变量A', '变量B', '变量C', '变量D', '变量E']

fig, ax = plt.subplots(figsize=(8, 6))

# 绘制热力图
im = ax.imshow(corr_matrix, cmap='RdYlGn', aspect='auto', vmin=-1, vmax=1)

# 设置刻度
ax.set_xticks(np.arange(len(labels)))
ax.set_yticks(np.arange(len(labels)))
ax.set_xticklabels(labels)
ax.set_yticklabels(labels)

# 旋转x轴标签
plt.setp(ax.get_xticklabels(), rotation=45, ha='right')

# 添加数值标注
for i in range(len(labels)):
    for j in range(len(labels)):
        text = ax.text(j, i, f'{corr_matrix[i, j]:.2f}',
                       ha='center', va='center', color='black')

# 添加颜色条
cbar = fig.colorbar(im, ax=ax)
cbar.set_label('相关系数')

ax.set_title('变量相关性矩阵')
plt.tight_layout()
plt.show()

子图布局

基本子图

使用 subplots 创建规则网格布局：

import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(2, 2, figsize=(12, 10))

x = np.linspace(0, 10, 100)

# 左上：折线图
axes[0, 0].plot(x, np.sin(x), 'b-', label='sin')
axes[0, 0].plot(x, np.cos(x), 'r--', label='cos')
axes[0, 0].set_title('三角函数')
axes[0, 0].legend()
axes[0, 0].grid(True, alpha=0.3)

# 右上：散点图
axes[0, 1].scatter(np.random.rand(50), np.random.rand(50), 
                   c=np.random.rand(50), cmap='viridis', alpha=0.7)
axes[0, 1].set_title('随机散点图')

# 左下：柱状图
categories = ['A', 'B', 'C', 'D']
values = [15, 30, 25, 20]
axes[1, 0].bar(categories, values, color=['#3498db', '#e74c3c', '#2ecc71', '#f39c12'])
axes[1, 0].set_title('柱状图')

# 右下：直方图
axes[1, 1].hist(np.random.randn(1000), bins=30, color='teal', edgecolor='white', alpha=0.7)
axes[1, 1].set_title('正态分布')

plt.tight_layout()
plt.show()

不规则布局

使用 GridSpec 创建不规则布局：

import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec

fig = plt.figure(figsize=(12, 8))
gs = GridSpec(3, 3, figure=fig)

# 顶部跨三列
ax1 = fig.add_subplot(gs[0, :])
ax1.plot([1, 2, 3], [1, 2, 1])
ax1.set_title('顶部面板（跨三列）')

# 中间左侧跨两行
ax2 = fig.add_subplot(gs[1:, 0])
ax2.bar(['A', 'B', 'C'], [3, 7, 5])
ax2.set_title('左侧面板（跨两行）')

# 中间右侧
ax3 = fig.add_subplot(gs[1, 1:])
ax3.scatter([1, 2, 3], [1, 3, 2])
ax3.set_title('中右面板')

# 底部右侧
ax4 = fig.add_subplot(gs[2, 1:])
ax4.pie([30, 40, 30], labels=['X', 'Y', 'Z'])
ax4.set_title('底右面板')

plt.tight_layout()
plt.show()

嵌入式子图

在主图中嵌入小图：

import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(10, 6))

# 主图
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), 'b-', linewidth=2)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title('主图')

# 嵌入小图（使用 add_axes）
ax_inset = fig.add_axes([0.55, 0.55, 0.3, 0.3])  # [left, bottom, width, height]
ax_inset.plot(x, np.sin(x), 'r-')
ax_inset.set_title('嵌入图')
ax_inset.set_xlim(0, 3)  # 放大局部区域

plt.show()

3D 图表

Matplotlib 通过 mplot3d 工具包支持 3D 绑图。

创建 3D 图表

import matplotlib.pyplot as plt
import numpy as np

# 创建 3D 坐标系
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(projection='3d')

# 准备数据
z = np.linspace(0, 15, 100)
x = np.sin(z)
y = np.cos(z)

# 3D 线图
ax.plot(x, y, z, 'b-', linewidth=2)

# 设置标签
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
ax.set_title('3D 螺旋线')

plt.tight_layout()
plt.show()

3D 散点图

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
n = 100

# 随机生成 3D 数据
x = np.random.randn(n)
y = np.random.randn(n)
z = np.random.randn(n)
colors = np.random.rand(n)

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(projection='3d')

# 3D 散点图
scatter = ax.scatter(x, y, z, c=colors, cmap='viridis', 
                     s=50, alpha=0.6, edgecolors='white')

ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
ax.set_title('3D 散点图')

fig.colorbar(scatter, ax=ax, shrink=0.5, label='颜色值')

plt.tight_layout()
plt.show()

3D 曲面图

import matplotlib.pyplot as plt
import numpy as np

# 创建网格数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)

# 计算 Z 值（二维高斯分布）
Z = np.sin(np.sqrt(X**2 + Y**2))

fig = plt.figure(figsize=(14, 5))

# 曲面图
ax1 = fig.add_subplot(121, projection='3d')
surf = ax1.plot_surface(X, Y, Z, cmap='coolwarm', alpha=0.8)
ax1.set_xlabel('X')
ax1.set_ylabel('Y')
ax1.set_zlabel('Z')
ax1.set_title('3D 曲面图')
fig.colorbar(surf, ax=ax1, shrink=0.5)

# 线框图
ax2 = fig.add_subplot(122, projection='3d')
ax2.plot_wireframe(X, Y, Z, color='steelblue', linewidth=0.5, rstride=5, cstride=5)
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
ax2.set_zlabel('Z')
ax2.set_title('线框图')

plt.tight_layout()
plt.show()

3D 等高线图

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

fig = plt.figure(figsize=(14, 5))

# 3D 等高线图
ax1 = fig.add_subplot(121, projection='3d')
ax1.contour3D(X, Y, Z, 50, cmap='viridis')
ax1.set_xlabel('X')
ax1.set_ylabel('Y')
ax1.set_zlabel('Z')
ax1.set_title('3D 等高线图')

# 填充等高线图
ax2 = fig.add_subplot(122, projection='3d')
ax2.contourf3D(X, Y, Z, 50, cmap='viridis')
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
ax2.set_zlabel('Z')
ax2.set_title('填充等高线图')

plt.tight_layout()
plt.show()

3D 柱状图

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.arange(5)
y = np.arange(4)
X, Y = np.meshgrid(x, y)
X = X.flatten()
Y = Y.flatten()

# 随机高度
np.random.seed(42)
Z = np.random.randint(1, 10, len(X))

# 柱子位置
dx = dy = 0.8
dz = Z

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(projection='3d')

# 3D 柱状图
ax.bar3d(X, Y, np.zeros_like(Z), dx, dy, dz, 
         color='steelblue', alpha=0.8, edgecolor='navy')

ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
ax.set_title('3D 柱状图')

plt.tight_layout()
plt.show()

视角控制

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

fig = plt.figure(figsize=(14, 10))

# 不同视角
angles = [(30, 45), (60, 45), (30, 135), (90, 0)]
titles = ['视角1: elev=30, azim=45', '视角2: elev=60, azim=45', 
          '视角3: elev=30, azim=135', '视角4: elev=90, azim=0']

for i, (elev, azim) in enumerate(angles):
    ax = fig.add_subplot(2, 2, i + 1, projection='3d')
    ax.plot_surface(X, Y, Z, cmap='coolwarm', alpha=0.8)
    ax.view_init(elev=elev, azim=azim)  # 设置视角
    ax.set_title(titles[i])

plt.tight_layout()
plt.show()

视角参数说明：

• elev（仰角）：从水平面向上看的角度，范围 -180 到 180
• azim（方位角）：绕 Z 轴旋转的角度，范围 0 到 360

动画

Matplotlib 的 animation 模块支持创建动态图表。

FuncAnimation 基础

FuncAnimation 通过重复调用更新函数来创建动画：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

fig, ax = plt.subplots(figsize=(10, 6))

# 初始化数据
x = np.linspace(0, 2 * np.pi, 100)
line, = ax.plot(x, np.sin(x), 'b-', linewidth=2)

ax.set_xlim(0, 2 * np.pi)
ax.set_ylim(-1.5, 1.5)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_title('正弦波动画')
ax.grid(True, alpha=0.3)

# 更新函数
def update(frame):
    # 更新 y 数据
    line.set_ydata(np.sin(x + frame / 10))
    return line,

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=100, 
                               interval=50, blit=True)

plt.tight_layout()
plt.show()

FuncAnimation 关键参数：

参数	说明
fig	Figure 对象
func	更新函数，接收帧号参数
frames	帧数或帧序列
interval	帧间隔（毫秒）
blit	是否只重绘变化部分（提高性能）
repeat	是否循环播放

粒子动画示例

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

# 初始化粒子位置
np.random.seed(42)
n_particles = 50
x = np.random.uniform(0, 10, n_particles)
y = np.random.uniform(0, 10, n_particles)
vx = np.random.uniform(-0.1, 0.1, n_particles)
vy = np.random.uniform(-0.1, 0.1, n_particles)

fig, ax = plt.subplots(figsize=(10, 8))
ax.set_xlim(0, 10)
ax.set_ylim(0, 10)
ax.set_aspect('equal')
ax.set_title('粒子运动模拟')

# 创建散点图
scat = ax.scatter(x, y, c='steelblue', s=50, alpha=0.7)

def update(frame):
    global x, y, vx, vy
    
    # 更新位置
    x += vx
    y += vy
    
    # 边界反弹
    mask_x = (x < 0) | (x > 10)
    mask_y = (y < 0) | (y > 10)
    vx[mask_x] *= -1
    vy[mask_y] *= -1
    
    # 更新散点图数据
    scat.set_offsets(np.column_stack([x, y]))
    return scat,

ani = animation.FuncAnimation(fig, update, frames=200, 
                               interval=50, blit=True)

plt.tight_layout()
plt.show()

柱状图动画

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

# 初始数据
categories = ['A', 'B', 'C', 'D', 'E']
values = np.random.randint(10, 50, len(categories))

fig, ax = plt.subplots(figsize=(10, 6))
ax.set_ylim(0, 80)
ax.set_title('动态柱状图')

# 创建柱状图
bars = ax.bar(categories, values, color='steelblue', edgecolor='navy')

def update(frame):
    # 更新数据
    new_values = bars.datavalues + np.random.randint(-5, 6, len(categories))
    new_values = np.clip(new_values, 5, 75)
    
    # 更新柱状图
    for bar, val in zip(bars, new_values):
        bar.set_height(val)
    
    return bars

ani = animation.FuncAnimation(fig, update, frames=100, 
                               interval=100, blit=True)

plt.tight_layout()
plt.show()

ArtistAnimation

ArtistAnimation 预先创建所有帧，适合复杂图表：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

fig, ax = plt.subplots(figsize=(10, 6))
ax.set_xlim(0, 10)
ax.set_ylim(0, 10)
ax.set_title('ArtistAnimation 示例')

artists = []
x = np.linspace(0, 10, 100)

for i in range(20):
    # 每帧创建新的线条
    line, = ax.plot(x, np.sin(x + i * 0.3), 'b-', linewidth=2)
    artists.append([line])

ani = animation.ArtistAnimation(fig, artists, interval=100, blit=True)

plt.tight_layout()
plt.show()

保存动画

import matplotlib.pyplot as plt
import numpy as np
import matplotlib.animation as animation

fig, ax = plt.subplots(figsize=(10, 6))
x = np.linspace(0, 2 * np.pi, 100)
line, = ax.plot(x, np.sin(x))
ax.set_ylim(-1.5, 1.5)

def update(frame):
    line.set_ydata(np.sin(x + frame / 10))
    return line,

ani = animation.FuncAnimation(fig, update, frames=60, interval=50)

# 保存为 GIF（需要 Pillow）
# ani.save('animation.gif', writer='pillow', fps=15)

# 保存为 MP4（需要 ffmpeg）
# ani.save('animation.mp4', writer='ffmpeg', fps=15)

# 保存为 HTML（嵌入网页）
# html = ani.to_jshtml()
# with open('animation.html', 'w') as f:
#     f.write(html)

plt.show()

样式定制

内置样式

Matplotlib 提供多种内置样式：

import matplotlib.pyplot as plt
import numpy as np

# 查看所有可用样式
print(plt.style.available)

# 常用样式：
# 'seaborn-v0_8-whitegrid' - 白底网格
# 'ggplot' - R语言ggplot风格
# 'dark_background' - 深色背景
# 'fivethirtyeight' - FiveThirtyEight网站风格
# 'bmh' - Bayesian Methods for Hackers风格

# 使用样式
plt.style.use('seaborn-v0_8-whitegrid')

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x), label='sin(x)')
ax.plot(x, np.cos(x), label='cos(x)')
ax.set_title('使用 seaborn-whitegrid 样式')
ax.legend()
plt.show()

# 恢复默认样式
plt.style.use('default')

临时样式

使用上下文管理器临时应用样式：

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)

# 临时使用深色主题
with plt.style.context('dark_background'):
    fig, ax = plt.subplots(figsize=(10, 6))
    ax.plot(x, np.sin(x), 'c-', label='sin(x)')
    ax.set_title('临时深色主题')
    ax.legend()
    plt.show()

# 退出后恢复原样式
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x))
ax.set_title('恢复原样式')
plt.show()

rcParams 配置

通过 rcParams 全局配置图表属性：

import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np

# 方法1：直接修改 rcParams
mpl.rcParams['figure.figsize'] = (10, 6)
mpl.rcParams['font.size'] = 12
mpl.rcParams['axes.labelsize'] = 14
mpl.rcParams['axes.titlesize'] = 16
mpl.rcParams['lines.linewidth'] = 2
mpl.rcParams['lines.markersize'] = 8
mpl.rcParams['axes.grid'] = True
mpl.rcParams['grid.alpha'] = 0.3

# 方法2：使用 rc 函数批量设置
mpl.rc('axes', labelsize=14, titlesize=16)
mpl.rc('lines', linewidth=2, markersize=8)

# 方法3：使用字典更新
params = {
    'figure.figsize': (10, 6),
    'axes.labelsize': 14,
    'axes.titlesize': 16,
    'font.size': 12,
}
mpl.rcParams.update(params)

# 绘图测试
x = np.linspace(0, 10, 100)
fig, ax = plt.subplots()
ax.plot(x, np.sin(x))
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_title('rcParams 配置测试')
plt.show()

# 恢复默认设置
mpl.rcParams.update(mpl.rcParamsDefault)

自定义样式文件

创建 .mplstyle 文件定义自定义样式：

# 创建自定义样式文件
# 文件内容示例 (my_style.mplstyle):
"""
figure.figsize: 12, 8
figure.dpi: 100
axes.labelsize: 14
axes.titlesize: 16
axes.titleweight: bold
axes.grid: True
axes.facecolor: white
axes.edgecolor: black
axes.linewidth: 1.5
lines.linewidth: 2.5
lines.markersize: 10
font.family: sans-serif
font.size: 12
xtick.labelsize: 12
ytick.labelsize: 12
legend.fontsize: 12
legend.frameon: True
grid.alpha: 0.3
"""

# 使用自定义样式文件
# plt.style.use('path/to/my_style.mplstyle')

组合样式

import matplotlib.pyplot as plt
import numpy as np

# 组合多个样式（后面覆盖前面）
plt.style.use(['seaborn-v0_8-whitegrid', 'dark_background'])

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x))
ax.set_title('组合样式')
plt.show()

plt.style.use('default')

中文字体配置

Matplotlib 默认不支持中文显示，需要配置字体。

临时配置（推荐）

import matplotlib.pyplot as plt
import numpy as np

# 方法1：设置全局字体（临时）
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'SimSun']
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x))
ax.set_title('中文标题测试')
ax.set_xlabel('横坐标')
ax.set_ylabel('纵坐标')
plt.show()

永久配置

修改 matplotlibrc 配置文件：

import matplotlib
import matplotlib.pyplot as plt

# 查找配置文件位置
config_file = matplotlib.matplotlib_fname()
print(f'配置文件位置: {config_file}')

# 修改配置文件中的以下项：
# font.family: sans-serif
# font.sans-serif: SimHei, Microsoft YaHei, DejaVu Sans
# axes.unicode_minus: False

字体管理

import matplotlib.font_manager as fm
import matplotlib.pyplot as plt

# 查看所有可用字体
fonts = sorted(set([f.name for f in fm.fontManager.ttflist]))
print('可用字体数量:', len(fonts))

# 搜索中文字体
chinese_fonts = [f for f in fonts if any(k in f for k in ['SimHei', 'SimSun', 'Microsoft', 'Hei', 'Song', 'Kai', 'Fang'])]
print('中文字体:', chinese_fonts[:10])

# 使用指定字体
plt.rcParams['font.sans-serif'] = ['SimHei']

# 或者直接指定字体文件
font_path = 'C:/Windows/Fonts/simhei.ttf'  # Windows 字体路径
prop = fm.FontProperties(fname=font_path)

fig, ax = plt.subplots()
ax.set_title('使用指定字体', fontproperties=prop, fontsize=16)
plt.show()

不同系统字体配置

import matplotlib.pyplot as plt
import platform

system = platform.system()

if system == 'Windows':
    plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
elif system == 'Darwin':  # macOS
    plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'PingFang SC']
else:  # Linux
    plt.rcParams['font.sans-serif'] = ['WenQuanYi Micro Hei', 'Noto Sans CJK SC']

plt.rcParams['axes.unicode_minus'] = False

图表导出

基本保存

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x))
ax.set_title('导出测试')

# 保存为 PNG
fig.savefig('figure.png', dpi=300, bbox_inches='tight')

# 保存为 PDF（矢量图，适合论文）
fig.savefig('figure.pdf', bbox_inches='tight')

# 保存为 SVG（矢量图，网页使用）
fig.savefig('figure.svg', bbox_inches='tight')

# 保存为 JPG（需要设置质量）
fig.savefig('figure.jpg', dpi=300, quality=95, bbox_inches='tight')

# 透明背景
fig.savefig('figure_transparent.png', transparent=True, dpi=300)

plt.show()

保存参数说明：

参数	说明	推荐值
dpi	分辨率	屏幕：100，印刷：300
bbox_inches	裁剪边界	'tight'
transparent	透明背景	True
quality	JPG 质量	95
facecolor	背景色	'white'
edgecolor	边框色	'none'

输出为代码

生成 HTML 嵌入代码：

import matplotlib.pyplot as plt
import numpy as np
import base64
from io import BytesIO

x = np.linspace(0, 10, 100)
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, np.sin(x))
ax.set_title('Base64 嵌入测试')

# 转换为 Base64
buffer = BytesIO()
fig.savefig(buffer, format='png', dpi=100, bbox_inches='tight')
buffer.seek(0)
img_base64 = base64.b64encode(buffer.getvalue()).decode()

# 生成 HTML
html = f'<img src="data:image/png;base64,{img_base64}" />'
print(html)

plt.close()

实战示例

示例：多维度数据可视化报告

import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# 设置样式
plt.style.use('seaborn-v0_8-whitegrid')

# 创建模拟数据
np.random.seed(42)
n_students = 50
students = [f'学生{i+1}' for i in range(n_students)]
chinese = np.random.randint(60, 100, n_students)
math = np.random.randint(50, 100, n_students)
english = np.random.randint(55, 98, n_students)
total = chinese + math + english

# 创建综合报告图表
fig = plt.figure(figsize=(16, 12))

# 1. 成绩分布直方图
ax1 = fig.add_subplot(2, 3, 1)
ax1.hist([chinese, math, english], bins=15, label=['语文', '数学', '英语'], 
         alpha=0.7, edgecolor='white')
ax1.set_xlabel('分数')
ax1.set_ylabel('人数')
ax1.set_title('成绩分布')
ax1.legend()

# 2. 科目相关性散点图
ax2 = fig.add_subplot(2, 3, 2)
scatter = ax2.scatter(math, english, c=chinese, cmap='RdYlGn', 
                      s=50, alpha=0.7, edgecolors='white')
ax2.set_xlabel('数学成绩')
ax2.set_ylabel('英语成绩')
ax2.set_title('数学vs英语（颜色=语文）')
plt.colorbar(scatter, ax=ax2, label='语文成绩')

# 3. 科目对比箱线图
ax3 = fig.add_subplot(2, 3, 3)
bp = ax3.boxplot([chinese, math, english], labels=['语文', '数学', '英语'],
                  patch_artist=True)
colors = ['#3498db', '#e74c3c', '#2ecc71']
for patch, color in zip(bp['boxes'], colors):
    patch.set_facecolor(color)
ax3.set_ylabel('分数')
ax3.set_title('科目成绩对比')

# 4. 总分分布
ax4 = fig.add_subplot(2, 3, 4)
ax4.hist(total, bins=20, color='teal', edgecolor='white', alpha=0.7)
ax4.axvline(np.mean(total), color='red', linestyle='--', 
            label=f'平均分: {np.mean(total):.0f}')
ax4.set_xlabel('总分')
ax4.set_ylabel('人数')
ax4.set_title('总分分布')
ax4.legend()

# 5. 前10名学生
ax5 = fig.add_subplot(2, 3, 5)
top10_idx = np.argsort(total)[-10:][::-1]
top10_names = [students[i] for i in top10_idx]
top10_scores = total[top10_idx]

colors = plt.cm.RdYlGn(np.linspace(0.3, 0.9, 10))
ax5.barh(range(10), top10_scores, color=colors)
ax5.set_yticks(range(10))
ax5.set_yticklabels(top10_names)
ax5.set_xlabel('总分')
ax5.set_title('总分前10名')

# 6. 科目雷达图
ax6 = fig.add_subplot(2, 3, 6, projection='polar')

categories = ['语文', '数学', '英语']
N = len(categories)

# 计算各科平均分
avg_scores = [np.mean(chinese), np.mean(math), np.mean(english)]
max_scores = [100, 100, 100]
normalized = [s/m * 100 for s, m in zip(avg_scores, max_scores)]

# 闭合雷达图
angles = [n / float(N) * 2 * np.pi for n in range(N)]
angles += angles[:1]
normalized += normalized[:1]

ax6.plot(angles, normalized, 'o-', linewidth=2)
ax6.fill(angles, normalized, alpha=0.25)
ax6.set_xticks(angles[:-1])
ax6.set_xticklabels(categories)
ax6.set_title('各科平均分雷达图')

plt.suptitle('学生成绩综合分析报告', fontsize=16, fontweight='bold', y=1.02)
plt.tight_layout()
plt.show()

# 恢复默认样式
plt.style.use('default')

示例：时间序列可视化

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建模拟股票数据
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100)
prices = 100 + np.cumsum(np.random.randn(100) * 2)
volumes = np.random.randint(1000000, 5000000, 100)

# 创建双 Y 轴图表
fig, ax1 = plt.subplots(figsize=(14, 8))

# 价格线图
color = 'tab:blue'
ax1.plot(dates, prices, color=color, linewidth=1.5, label='股价')
ax1.fill_between(dates, prices.min() - 10, prices, alpha=0.1, color=color)
ax1.set_xlabel('日期')
ax1.set_ylabel('股价（元）', color=color)
ax1.tick_params(axis='y', labelcolor=color)
ax1.set_title('股票价格与成交量')

# 成交量柱状图（次Y轴）
ax2 = ax1.twinx()
colors = ['green' if prices[i] > prices[i-1] else 'red' for i in range(1, len(prices))]
colors = ['gray'] + colors
ax2.bar(dates, volumes, color=colors, alpha=0.3, width=0.8)
ax2.set_ylabel('成交量', color='gray')
ax2.tick_params(axis='y', labelcolor='gray')

# 添加移动平均线
ma5 = pd.Series(prices).rolling(window=5).mean()
ma20 = pd.Series(prices).rolling(window=20).mean()
ax1.plot(dates, ma5, 'r--', linewidth=1, alpha=0.7, label='MA5')
ax1.plot(dates, ma20, 'g--', linewidth=1, alpha=0.7, label='MA20')

ax1.legend(loc='upper left')
plt.tight_layout()
plt.show()

小结

本章我们系统学习了 Matplotlib 数据可视化：

1. 架构理解：三层架构（后端层、艺术家层、脚本层）和两种绑图风格
2. 基本图表：折线图、散点图、柱状图、直方图、饼图、箱线图、热力图
3. 子图布局：subplots、GridSpec、嵌入式子图
4. 3D 图表：线图、散点图、曲面图、等高线图、柱状图、视角控制
5. 动画：FuncAnimation、ArtistAnimation、保存动画
6. 样式定制：内置样式、rcParams、自定义样式文件
7. 中文支持：临时配置、永久配置、跨平台方案
8. 图表导出：PNG、PDF、SVG、Base64 嵌入

Matplotlib 是 Python 可视化的基础，掌握了它，你就能够创建任何类型的图表。

练习

1. 创建一个包含 4 个子图的图表，分别展示折线图、散点图、柱状图和饼图
2. 使用面向对象风格创建一个 3D 曲面图，并尝试不同的视角
3. 创建一个动画，展示正弦波的传播过程
4. 配置自定义样式，使图表具有统一的风格

参考资源

• Matplotlib 官方文档
• Matplotlib 教程
• Matplotlib 图表示例库
• Matplotlib 样式参考

下一步

现在你已经掌握了 Matplotlib 的核心功能。如果你想创建更美观的统计图表，可以学习 Seaborn 数据可视化，它提供了更高级的接口和更美观的默认样式！