数据处理使用的三个主要库之matplotlib库

第一章：Matplotlib 入门介绍

1.什么是 Matplotlib

Matplotlib 是 Python 中最基础、最常用的 数据可视化库，主要用于将数据绘制成各种图表，如折线图、柱状图、散点图、直方图、饼图等。它的主要模块是 matplotlib.pyplot，用法类似 MATLAB，简单易用。

2.为什么要学可视化？

数据可视化的意义在于：

（1）帮助你“看见数据”的趋势、规律、异常值

（2）把复杂的数字变成易于理解的图像

（3）在报告、PPT、项目展示中更有说服力

（4）提高分析效率，便于数据解释和沟通

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

plt.plot(x, y)
plt.title("平方数趋势图")
plt.xlabel("X 值")
plt.ylabel("Y = X^2")
plt.show()

输出图像： 一张简单的折线图展示了 x 与 y 的关系，远比你用眼去“数值对”看清晰得多！

3.Matplotlib 的安装与导入方式

（1）使用 pip 安装：

pip install matplotlib

（2）导入方式：

import matplotlib.pyplot as plt

参数解释：matplotlib 是库名；pyplot 是常用的绘图库模块；plt 是约定俗成的别名（方便写）

4.Matplotlib 与其他可视化工具对比（Seaborn、Plotly）

第二章：Matplotlib 的图形结构

1.Figure、Axes、Axis、Artist 的关系

Matplotlib 图形的本质是：由一层层对象组成的可视化画布结构。

对象名	中文含义	作用	理解为
Figure	整个图形窗口	包含所有图表的顶层容器	白纸/画布
Axes	图表区域	实际绘图的区域（坐标系）	一张子图
Axis	坐标轴对象	x轴和y轴的控制器	坐标刻度与范围
Artist	艺术家对象	所有可见的元素（线、点、标题、标签等）	真正画在纸上的内容

总结一句话：Figure 是总画布，Axes 是子图区域，Axis 是轴线控制，Artist 是画出来的东西。

2.图形结构图示与作用

我们用一个图来帮助你直观理解

+----------------------------------------------------+
|                    Figure                         |
|  +--------------------------------------------+   |
|  |                 Axes                       |   |
|  |   +------------------------------------+   |   |
|  |   |          坐标轴 (Axis)            |   |   |
|  |   |    折线、 柱子、 点（Artist）|   |   |
|  |   +------------------------------------+   |   |
|  +--------------------------------------------+   |
+----------------------------------------------------+

一个 Figure 里可以放多个 Axes，比如多子图（2x2，3x1 等排布）。
每个 Axes 里面再包含 Axis（x轴/y轴）和 Artist（线、图例、文字等）。

import matplotlib.pyplot as plt

fig = plt.figure()               # 创建一个 Figure
ax = fig.add_subplot(1, 1, 1)    # 创建一个 Axes（子图）

ax.plot([1, 2, 3], [4, 5, 6])    # 在 Axes 上绘图
plt.show()

fig 是整个画布；ax 是坐标区域；plot() 画出来的线、点是 Artist

第三章：基础绘图流程与语法框架

1.通用绘图五步流程

Matplotlib 的绘图通常遵循以下 5 步标准流程：

① 准备数据 → ② 创建画布 → ③ 创建图表 → ④ 添加美化 → ⑤ 显示图像
 

import matplotlib.pyplot as plt

# 第1步：准备数据
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]

# 第2步：创建画布
plt.figure(figsize=(6, 4))  # 可选设置图像大小

# 第3步：绘图
plt.plot(x, y, label='销售额', color='green', marker='o')

# 第4步：美化图形
plt.title("季度销售额")
plt.xlabel("季度")
plt.ylabel("金额（万元）")
plt.legend()
plt.grid(True)

# 第5步：显示图像
plt.show()

这五步流程基本适用于所有类型的图（折线图、柱状图、散点图等）。

2.plt.figure() 的作用

（1）作用：plt.figure() 是创建一个新画布（即一个新的图像窗口）的函数。它一般在绘图开始时调用，相当于“开一张白纸”。

（2）常用参数：

参数	作用
figsize=(宽, 高)	设置图像的大小（单位：英寸）
dpi=100	图像分辨率，默认 100，越高越清晰
facecolor='white'	设置背景色

注意：如果不写 plt.figure()，Matplotlib 会自动创建一个默认画布；但在绘制多个图、保存图像时建议手动创建画布以避免混乱。

3.plt.show() 的使用时机

作用：plt.show() 是显示图像的命令，用于把你画好的图真正显示出来（弹出窗口或 Jupyter 中呈现图像）。

场景	是否使用
Jupyter Notebook	可选（一般自动显示）
Python 脚本/IDE	必须写 plt.show() 否则图不会显示

plt.plot([1, 2, 3], [4, 5, 6])
plt.show()  # 现在图才会弹出显示

在写多个图时，每次 plt.show() 都会显示一个图，所以你可以控制每张图何时展示。

4.图形保存 plt.savefig() 方法

作用：将当前绘制好的图保存为图片文件（支持 PNG、JPG、SVG、PDF 等格式）。

常用语法：

plt.savefig("图名.png", dpi=300, bbox_inches='tight', transparent=True)

参数	作用
"图名.png"	设置保存的文件名及格式
dpi=300	设置分辨率（打印建议300）
bbox_inches='tight'	自动剪除图像多余白边
transparent=True	背景透明（适用于 PPT）

plt.plot([1, 2, 3], [3, 5, 7])
plt.title("示例图")
plt.savefig("example_plot.png", dpi=300, bbox_inches='tight')
plt.show()

图像保存一般放在 plt.show() 之前 调用（否则可能保存为空图）。

第四章：常用图形绘制方法

1.折线图（plot）

作用：显示数据随 x 轴变化的趋势；适用于：时间序列、趋势分析

语法结构：

plt.plot(x, y, color='blue', linestyle='-', marker='o')

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [10, 15, 13, 18, 20]

plt.plot(x, y, label="销量趋势", color='green', marker='o')
plt.title("每月销售趋势图")
plt.xlabel("月份")
plt.ylabel("销售额（万元）")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.legend()
plt.grid(True)
plt.show()

2.散点图（scatter）

作用：展示两个变量之间的关系（分布密度、聚类趋势）；适用于：回归分析、聚类分析、异常检测

语法结构：

plt.scatter(x, y, s=点大小, c=颜色, alpha=透明度)

import numpy as np

x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)

plt.scatter(x, y, c=colors, s=100, alpha=0.7)
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.title("随机散点图")
plt.xlabel("x 值")
plt.ylabel("y 值")
plt.show()

3.柱状图（bar、barh）

作用：显示不同类别的数值比较；适用于：销售对比、分类统计、频率比较

#bar() 示例（垂直）：
labels = ['A', 'B', 'C']
values = [10, 15, 7]

plt.bar(labels, values, color='skyblue')
plt.title("分类数据柱状图")
plt.xlabel("类别")
plt.ylabel("数量")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.show()

#barh() 示例（水平）：
plt.barh(labels, values, color='orange')
plt.title("分类数据柱状图（水平）")
plt.xlabel("数量")
plt.ylabel("类别")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.show()

4.直方图（hist）

作用：显示连续型数据的分布（频数/频率）；适用于：数据分布、偏态检验、离散程度分析

语法结构：

plt.hist(data, bins=组数, color='steelblue', edgecolor='black')

data = np.random.randn(1000)  # 正态分布随机数
plt.hist(data, bins=30, color='purple', alpha=0.7)
plt.title("正态分布直方图")
plt.xlabel("值")
plt.ylabel("频数")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.show()

5.饼图（pie）

作用：表示各部分占整体比例（百分比）；适用于：构成分析、占比展示

labels = ['苹果', '香蕉', '橙子', '梨子']
sizes = [40, 30, 20, 10]
colors = ['red', 'yellow', 'orange', 'green']

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
plt.axis('equal')  # 让饼图为圆形
plt.title("水果市场份额")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.show()

6.箱线图（boxplot）

作用：展示数据的分布、上下四分位、异常值；适用于：对比多个组的分布差异、发现异常值

data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(2, 1.5, 100)

plt.boxplot([data1, data2], labels=["组1", "组2"])
plt.title("两组数据的箱线图")
plt.ylabel("数值")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.show()

中位数：箱子中间的横线；异常值：箱子外的点；箱体：表示数据的中间 50%

7.图像与热图（imshow）

作用：用于显示二维矩阵/图像的热度值或图片；适用于：图像处理、热度分析、矩阵可视化

matrix = np.random.rand(10, 10)

plt.imshow(matrix, cmap='hot', interpolation='nearest')
plt.colorbar()  # 显示颜色条
plt.title("热图展示")
plt.show()

常用的 colormap 有：'hot'：热度图；'cool'：冷色图；'viridis'：Matplotlib 默认；'gray'：灰度图像

本章小结：

第五章：图形美化与元素设置

1. 标题、标签、图例设置

（1）设置图形标题：

plt.title("这是主标题", fontsize=16, color='darkblue', loc='center')

参数说明：fontsize：字体大小；color：标题颜色；loc：标题位置（'center', 'left', 'right'）

（2）设置坐标轴标签：

plt.xlabel("X轴标签", fontsize=12)
plt.ylabel("Y轴标签", fontsize=12)

（3）设置图例：

plt.plot([1, 2, 3], [2, 4, 1], label='数据A')
plt.legend(loc='upper left')

loc 常用位置值：'best'（自动）；'upper right', 'lower left'；'center', 'center left' 等

2.网格线、坐标刻度设置

（1）添加网格

plt.grid(True, linestyle='--', alpha=0.5)

参数：linestyle='--'：虚线样式，alpha=0.5：透明度

（2）设置刻度值格式与方向：

plt.xticks([0, 1, 2], ['A', 'B', 'C'], rotation=45)
plt.yticks(fontsize=10)

xticks() 和 yticks() 可指定显示哪些位置的刻度，并改名称。

rotation 可以旋转文字角度。

3.颜色、线型、点型设置

折线图中常见设置：

plt.plot(x, y, color='red', linestyle='--', marker='o')

4.控制坐标轴范围（xlim、ylim）

限定图像的显示区间：

plt.xlim(0, 10)
plt.ylim(5, 50)

适用于：裁剪图形、聚焦感兴趣的部分。

注意：也可以使用 ax.set_xlim() 和 ax.set_ylim() 在面向对象模式中设置。

5.中文显示与字体调整

（1）解决中文乱码（推荐方式）：

plt.rcParams['font.family'] = 'SimHei'  # 黑体
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号

'SimHei' 是黑体，适用于标题、标签等。

如果中文仍乱码，可安装中文字体或使用 matplotlib.font_manager 指定路径。

（2）更换字体样式（自定义）：

from matplotlib import font_manager
font = font_manager.FontProperties(fname="你的字体路径.ttf")
plt.title("标题", fontproperties=font)

6.图形尺寸与布局设置（figsize、dpi）

（1）创建图像时设置画布大小：

plt.figure(figsize=(8, 6), dpi=100)

参数	含义
figsize=(宽, 高)	单位是英寸（1英寸=2.54厘米）
dpi=100	每英寸像素数，决定清晰度

（2）多子图自动布局（避免重叠）：

plt.tight_layout()

常配合 subplot 使用，避免图例、标题挤在一起。

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [10, 20, 25, 30]

plt.figure(figsize=(6, 4), dpi=120)
plt.plot(x, y, color='green', linestyle='-', marker='o', label='增长趋势')

# 美化部分
plt.title("销售增长趋势图", fontsize=16)
plt.xlabel("季度", fontsize=12)
plt.ylabel("销售额（万元）", fontsize=12)
plt.legend(loc='upper left')
plt.grid(True, linestyle='--', alpha=0.5)
plt.xlim(0, 5)
plt.ylim(5, 35)

# 中文支持
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题

plt.tight_layout()
plt.show()

第六章：多图布局与子图绘制

1.plt.subplot() 基本使用

语法结构

plt.subplot(nrows, ncols, index)

参数说明：nrows: 总行数；ncols: 总列数；index: 当前图的位置，从 1 开始编号，按行优先顺序排布。

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 4))

# 第1个子图
plt.subplot(2, 3, 1)
plt.title("图1")
plt.plot([1, 2, 3])

# 第2个子图
plt.subplot(2, 3, 2)
plt.title("图2")
plt.plot([3, 2, 1])

# ...
plt.tight_layout()
plt.show()

2.plt.subplots() 更灵活的子图方式

基本用法：

fig, axes = plt.subplots(nrows, ncols)

返回一个 图像对象 fig 和 子图对象数组 axes，可以更方便地访问和操作每个子图。

fig, axes = plt.subplots(2, 2, figsize=(8, 6))

axes[0, 0].plot([1, 2, 3])
axes[0, 0].set_title("子图 1")

axes[0, 1].plot([3, 2, 1])
axes[0, 1].set_title("子图 2")

axes[1, 0].bar([1, 2, 3], [3, 2, 5])
axes[1, 1].scatter([1, 2, 3], [3, 5, 2])

plt.tight_layout()
plt.show()

更加面向对象，适合复杂图形；axes 是二维数组（n×m），方便统一设置；可以统一设置 fig 的标题、保存图像等操作。

3.子图共享坐标轴

用法：

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)

参数说明：sharex=True：横轴共享；sharey=True：纵轴共享；共享坐标轴后，可以方便比较图之间的差异。

import numpy as np

x = np.linspace(0, 10, 100)
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)

for i in range(2):
    for j in range(2):
        axes[i, j].plot(x, np.sin(x + i + j))
        axes[i, j].set_title(f"Subplot {i},{j}")

plt.tight_layout()
plt.show()

4.tight_layout() 自动优化排版

如果你给每个子图加了标题或标签，默认排版可能会重叠，导致图不清晰。

plt.tight_layout()

自动调整子图之间的间距，避免重叠；

尤其适用于多个 subplot() 或 subplots() 的图。

fig, axes = plt.subplots(2, 2)
axes[0, 0].set_title("很长很长的标题")
plt.tight_layout()
plt.show()

#如果仍然排版不理想，可以传入参数微调：
plt.tight_layout(pad=1.5, h_pad=2.0, w_pad=2.0)

本章小节：

第七章：与 Pandas 数据联动绘图

1.使用 Pandas 自带绘图函数

Pandas 提供了内置的 .plot() 方法（其实底层是 Matplotlib），可以非常方便地进行数据可视化。适用对象：Series.plot()/DataFrame.plot()

基本语法以及示例：

df.plot(kind='line')  # 默认折线图

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

data = pd.Series([1, 3, 2, 4])
data.plot(title="Series 绘图")
plt.show()

2.多列数据绘图

当 DataFrame 有多列时，调用 .plot() 会将每一列作为一条线画出来。

df = pd.DataFrame({
    "A": np.random.randn(10),
    "B": np.random.randn(10),
    "C": np.random.randn(10)
})

df.plot(title="多列绘图（折线）")
plt.show()

#指定图类型：
df.plot(kind="bar")        # 柱状图
df.plot(kind="area")       # 面积图
df.plot(kind="box")        # 箱线图
df.plot(kind="hist")       # 直方图
df.plot(kind="kde")        # 密度图（核密度估计）

#设置样式参数
df.plot(style='--o', alpha=0.7, figsize=(8, 5))

3.分组数据可视化

Pandas 的强大之处在于与分组统计联动绘图非常自然，可以用 groupby().plot() 或groupby().mean().plot() 等方式快速实现分组对比图。

示例 1：按类别分组后折线图

df = pd.DataFrame({
    "category": ["A", "A", "B", "B", "C", "C"],
    "value": [1, 3, 2, 5, 4, 6],
    "year": [2020, 2021, 2020, 2021, 2020, 2021]
})

# 分组后平均值绘图
df.groupby("year").mean().plot(kind="bar")
plt.title("按年份平均值")
plt.show()

示例 2：分组后单独子图

for key, group in df.groupby("category"):
    group.plot(x="year", y="value", label=key, title=f"分组：{key}")
    plt.show()

4.与 Matplotlib 原生写法对比

Pandas 一行代码搞定：

df.groupby("year").mean().plot(kind="bar")

Matplotlib 原生写法则需要：

means = df.groupby("year").mean()
plt.bar(means.index, means["value"])
plt.show()

推荐做法：

日常数据分析、探索性数据分析（EDA）：首选 Pandas 快速绘图；

精细控制图像排版、样式、子图组合：再使用 Matplotlib/Seaborn。

第八章：图像保存与输出

1.plt.savefig() 使用详解

plt.savefig() 是 Matplotlib 中保存图像的核心方法。它将当前图像保存为文件，不会弹出显示窗口（除非调用了 plt.show()）。

plt.savefig('filename.png')

示例：

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



x = [1, 2, 3, 4, 5]
y = [3, 5, 2, 4, 6]

plt.figure(figsize=(6, 4))
plt.plot(x, y, marker='o', linestyle='--', color='b')
plt.title("示例图 - 高清透明")
plt.xlabel("X 轴")
plt.ylabel("Y 轴")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 或者 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示为方块的问题
plt.savefig("demo_transparent.svg", dpi=300, bbox_inches='tight', transparent=True)
plt.show()

一定要放在 plt.show() 前面，因为 show() 会清空图像。

保存路径可以是绝对路径或相对路径。

2.常见保存格式（PNG、JPG、SVG、PDF）

Matplotlib 会根据文件扩展名自动选择保存格式：

格式	特点	应用场景
.png	无损压缩，常用	日常使用，报告
.jpg	有损压缩，体积小	网页展示
.svg	矢量图格式	Web页面
.pdf	矢量图，可打印	论文、打印、出版物
.eps	矢量图（老格式）	出版印刷（较少使用）

plt.plot([1, 2, 3], [4, 6, 5])
plt.title("格式示例")

# 保存为不同格式
plt.savefig("chart.png")
plt.savefig("chart.jpg")
plt.savefig("chart.pdf")
plt.savefig("chart.svg")

3.设置 DPI、边距、透明背景等参数

savefig() 可以设置以下常用参数来控制保存图像的质量和样式：

参数名	作用	示例
dpi	图像分辨率	dpi=300
bbox_inches	图像边框设置，常用‘tight’去除空白边	bbox_inches='tight'
transparent	背景透明	transparent=True
facecolor	背景颜色（默认白色）	facecolor = ‘white’
pad_inches	图像与边框的间距	pad_inches = 0.1

plt.plot([1, 2, 3], [3, 2, 4])
plt.title("高质量输出")

plt.savefig(
    "high_quality.png",          # 文件名
    dpi=300,                     # 高分辨率
    bbox_inches='tight',         # 去除空白边
    transparent=True,            # 背景透明
    pad_inches=0.1               # 边距
)

本章小结：常用保存配置模板

需求	保存设置
报告图	.png, dpi=200~300, bbox_inches='tight'
网页图	.svg, transparent=True
论文图	.pdf, dpi=300+, bbox_inches='tight'
背景透明	transparent=True, 可选 facecolor='none'