Matplotlib数据可视化入门：从基础图表到多图展示
Matplotlib是Python中最著名的数据可视化库，它提供了丰富的绘图功能，可以帮助我们将数据转化为直观的图表。本文将介绍Matplotlib的基础图表绘制方法以及多图展示技巧，非常适合初学者学习。
3.2 Matplotlib轴标签和标题
在绘制图表时，为图表添加适当的轴标签和标题是非常重要的，它能让读者更好地理解图表所表达的信息。
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 绘制图形
plt.plot(x, y)
# 添加标题和轴标签
plt.title("正弦函数曲线") # 图表标题
plt.xlabel("X轴") # X轴标签
plt.ylabel("Y轴") # Y轴标签
plt.show()说明：
-
title()函数用于设置图表标题 -
xlabel()和ylabel()分别用于设置X轴和Y轴的标签 -
这些函数应该在绘图函数（如
plot()）之后调用
3.3 Matplotlib显示中文问题
默认情况下，Matplotlib可能无法正确显示中文字符，会出现方框或乱码。解决方法有以下几种：
方法一：指定中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
plt.title("显示中文标题")
plt.show()方法二：临时设置字体
plt.title("显示中文标题", fontproperties="SimHei")
plt.show()常用中文字体：
-
Windows: SimHei(黑体), Microsoft YaHei(微软雅黑)
-
Mac: PingFang SC(苹方), Hiragino Sans GB(冬青黑体)
-
Linux: Noto Sans CJK SC
3.4 Matplotlib绘制网格线
网格线可以帮助我们更准确地读取图表中的数据值。
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title("带网格线的正弦曲线")
plt.grid(True) # 显示网格线
# 可以自定义网格线样式
# plt.grid(True, linestyle='--', alpha=0.5)
plt.show()参数说明：
-
linestyle: 网格线样式，如'-', '--', '-.', ':' -
alpha: 透明度(0-1) -
color: 网格线颜色
3.5 Matplotlib绘制多图
当我们需要比较多个相关数据集时，将多个图表放在同一画布上是非常有用的。
3.5.1 subplot()方法
subplot()方法通过指定行数、列数和当前子图索引来创建子图。
# 创建2行1列的子图，当前操作第1个子图
plt.subplot(2, 1, 1) # (行, 列, 索引)
plt.plot(x, np.sin(x))
plt.title("正弦函数")
# 切换到第2个子图
plt.subplot(2, 1, 2)
plt.plot(x, np.cos(x))
plt.title("余弦函数")
plt.tight_layout() # 自动调整子图间距
plt.show()3.5.2 subplots()方法
subplots()方法更现代，可以一次性创建多个子图并返回子图对象的数组。
fig, axes = plt.subplots(2, 2, figsize=(10, 8)) # 2行2列
# 含义
# figsize 参数接受一个包含两个数字的元组 (宽度, 高度)
# 第一个数字 10 表示图形的宽度为10英寸
# 第二个数字 8 表示图形的高度为8英寸
# 绘制第1个子图
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title("正弦函数")
# 绘制第2个子图
axes[0, 1].plot(x, np.cos(x))
axes[0, 1].set_title("余弦函数")
# 绘制第3个子图
axes[1, 0].plot(x, np.tan(x))
axes[1, 0].set_title("正切函数")
axes[1, 0].set_ylim(-5, 5) # 限制Y轴范围
# 绘制第4个子图
axes[1, 1].plot(x, np.exp(x))
axes[1, 1].set_title("指数函数")
plt.tight_layout()
plt.show()优点：
-
代码结构更清晰
-
方便对子图进行统一操作
-
可以轻松调整整个图形的尺寸
3.6 Matplotlib绘制散点图
散点图用于展示两个变量之间的关系，适合观察数据的分布模式。
# 生成随机数据
np.random.seed(0)
x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)
plt.scatter(x, y, c=colors, s=sizes, alpha=0.7, cmap='viridis')
plt.colorbar() # 显示颜色条
plt.title("随机散点图")
plt.xlabel("X值")
plt.ylabel("Y值")
plt.show()参数说明：
-
c: 点颜色，可以是单一颜色或颜色序列 -
s: 点大小 -
alpha: 透明度 -
cmap: 颜色映射
3.7 Matplotlib柱形图
柱形图适合比较不同类别之间的数值大小。
labels = ['苹果', '香蕉', '橙子', '梨']
values = [25, 40, 30, 20]
plt.bar(labels, values, color=['red', 'yellow', 'orange', 'green'])
plt.title("水果销量")
plt.ylabel("销量(kg)")
plt.show()变体：分组柱形图
labels = ['第一季度', '第二季度', '第三季度', '第四季度']
men_means = [20, 35, 30, 35]
women_means = [25, 32, 34, 20]
x = np.arange(len(labels))
width = 0.35
fig, ax = plt.subplots()
rects1 = ax.bar(x - width/2, men_means, width, label='男性')
rects2 = ax.bar(x + width/2, women_means, width, label='女性')
ax.set_ylabel('销量')
ax.set_title('季度销量按性别分组')
ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.legend()
plt.show()3.8 Matplotlib饼图
饼图适合展示各部分占整体的比例。
labels = ['娱乐', '餐饮', '交通', '购物', '其他']
sizes = [15, 30, 20, 25, 10]
explode = (0, 0.1, 0, 0, 0) # 突出"餐饮"部分
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
shadow=True, startangle=90)
plt.axis('equal') # 确保饼图是圆形
plt.title("月度支出比例")
plt.show()参数说明：
-
explode: 突出显示某部分 -
autopct: 显示百分比格式 -
shadow: 添加阴影效果 -
startangle: 起始角度
3.9 Matplotlib直方图
直方图用于展示数据的分布情况。
# 生成正态分布数据
data = np.random.randn(1000)
plt.hist(data, bins=30, density=True, alpha=0.7,
histtype='stepfilled', color='steelblue', edgecolor='none')
plt.title("数据分布直方图")
plt.xlabel("值")
plt.ylabel("频率")
plt.show()参数说明：
-
bins: 柱子数量 -
density: 是否显示为概率密度 -
alpha: 透明度 -
histtype: 直方图类型
总结
本文介绍了Matplotlib中常用的图表类型和绘制方法，包括：
-
基础图表元素：轴标签、标题、网格线
-
中文显示问题的解决方案
-
多图绘制方法：subplot()和subplots()
-
常用图表类型：散点图、柱形图、饼图、直方图
掌握这些基础图表绘制方法后，你已经可以完成大部分的数据可视化任务。在实际应用中，可以根据数据特点选择合适的图表类型，并通过调整各种参数使图表更加美观和易读。
学习建议：
-
多动手实践，尝试修改示例代码中的参数
-
查阅Matplotlib官方文档了解更多参数和功能
-
学习如何自定义图表样式，如颜色、线型、标记等
希望这篇教程能帮助你快速入门Matplotlib数据可视化！