老码农和你一起学AI：Python系列-Matplotlib 核心架构

在数据可视化领域，Matplotlib 就像一位全能的画家 —— 它能画出折线图、柱状图等基础图表，也能创作热力图、3D 图等复杂作品。但要真正用好这位 “画家”，首先得理解它的 “创作工具”：Figure 与 Axes 对象的关系、绘图的基本流程、图表保存的关键参数，以及如何统一调整图表风格。这些基础架构知识，是从 “能画图” 到 “画好图” 的关键。

一、Figure 与 Axes

如果把 Matplotlib 的绘图过程比作在画室创作，那么 Figure 和 Axes 就是最核心的两个工具 —— 前者是 “画布”，后者是画布上的 “绘图区域”。

1.1 核心关系

• Figure 对象：相当于物理世界的 “画布”，是所有绘图元素的容器。当我们启动 Matplotlib 时，首先要创建一个 Figure，它就像一张白纸，本身不直接用于绘图，但决定了图表的整体尺寸、背景等基础属性。

• Axes 对象：是画布上的 “绘图区域”（可以理解为 “子图”），所有的线条、文字、坐标轴都画在 Axes 上。一个 Figure 可以包含多个 Axes（比如在一张画布上画 4 个小图），但一个 Axes 只能属于一个 Figure。

用代码直观感受两者的关系：

import matplotlib.pyplot as plt

# 创建一个Figure（画布），同时创建1个Axes（绘图区）

fig, ax = plt.subplots() # fig是Figure对象，ax是Axes对象

# 在Axes上绘图

ax.plot([1, 2, 3], [2, 4, 6]) # 画一条直线

# 显示图表

plt.show()

如果需要在一张画布上画多个绘图区，可以指定行数和列数：

# 创建1行2列的Axes（共2个绘图区）

fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2)

# 分别在两个Axes上绘图

ax1.plot([1, 2, 3], [1, 4, 9], color='red') # 红色曲线

ax2.bar([1, 2, 3], [3, 1, 4], color='blue') # 蓝色柱状图

plt.show()

此时的 Figure 就像一张分了两格的画布，两个 Axes 分别在左右格子里独立绘图，互不干扰。

二、绘图工作流

Matplotlib 提供了两种绘图模式：plt.subplots () 快速模式和OOP（面向对象）模式。前者适合快速出图，后者适合复杂图表定制，理解两者的区别能让绘图效率翻倍。

2.1 plt.subplots ()

plt.subplots () 是最常用的入口，它的核心作用是 “一键创建 Figure 和 Axes”，返回的 fig（Figure）和 ax（Axes）可以直接使用。这种模式的优势是简洁 —— 不需要手动创建 Figure 和 Axes，适合快速绘制单个或少量子图。

示例：快速绘制带标题和坐标轴标签的折线图

import matplotlib.pyplot as plt

# 1. 创建画布和绘图区

fig, ax = plt.subplots(figsize=(8, 4)) # figsize指定画布尺寸（宽8英寸，高4英寸）

# 2. 在绘图区添加元素

ax.plot([1, 2, 3, 4], [1, 3, 2, 4], label='数据曲线') # 绘图并添加标签

ax.set_title('示例折线图') # 设置标题

ax.set_xlabel('X轴') # X轴标签

ax.set_ylabel('Y轴') # Y轴标签

ax.legend() # 显示图例

# 3. 显示图表

plt.show()

2.2 OOP 模式

当需要绘制多子图、嵌套图表，或对图表元素（如坐标轴刻度、网格线）做精细调整时，OOP 模式更合适。它的核心是 “直接操作 Figure 和 Axes 对象”，而非依赖 plt 的全局函数。

OOP 模式的典型流程：

• 手动创建 Figure（fig = plt.figure()）
• 向 Figure 添加 Axes（ax = fig.add_subplot(行, 列, 位置)）
• 通过 Axes 对象的方法（ax.plot()、ax.set_*()）绘图

示例：用 OOP 模式创建 2x2 网格的子图

import matplotlib.pyplot as plt

# 1. 创建画布（指定尺寸和分辨率）

fig = plt.figure(figsize=(10, 8), dpi=100) # dpi：每英寸像素数（影响清晰度）

# 2. 向画布添加4个Axes（2行2列）

ax1 = fig.add_subplot(2, 2, 1) # 第1行第1列

ax2 = fig.add_subplot(2, 2, 2) # 第1行第2列

ax3 = fig.add_subplot(2, 2, 3) # 第2行第1列

ax4 = fig.add_subplot(2, 2, 4) # 第2行第2列

# 3. 分别绘图

ax1.plot([1, 2, 3], [1, 2, 3], color='green')

ax2.scatter([1, 2, 3], [3, 2, 1], color='orange') # 散点图

ax3.bar([1, 2, 3], [2, 5, 3], color='purple') # 柱状图

ax4.pie([30, 40, 30], labels=['A', 'B', 'C']) # 饼图

# 4. 调整子图间距（避免标签重叠）

fig.tight_layout()

plt.show()

2.3 两种模式的核心区别

• 快速模式（plt.subplots ()）：自动关联 Figure 和 Axes，适合单图或简单多子图，代码更短。

• OOP 模式：手动管理 Figure 和 Axes，适合复杂布局（如子图大小不一、嵌套图表），控制更精细。

三、保存图表：fig.savefig () 的关键参数

画好的图表需要保存为图片（用于报告、论文或网页），fig.savefig()是最可靠的保存方式。它的参数直接影响图片质量和显示效果，其中 4 个参数最关键。

3.1 基础用法

fig, ax = plt.subplots()

ax.plot([1, 2, 3], [2, 4, 6])

# 保存为PNG格式（默认），路径为当前目录

fig.savefig('my_plot.png')

# 保存为PDF（矢量图，放大不失真）

fig.savefig('my_plot.pdf')

3.2 核心参数

dpi（分辨率）：单位是 “像素 / 英寸”，数值越高图片越清晰（但文件越大）。打印或论文建议 300，屏幕显示建议 100-150。

fig.savefig('high_res.png', dpi=300)

bbox_inches（边界调整）：解决 “标签被裁剪” 的问题。设置为'tight'会自动裁剪空白区域，确保标题、坐标轴标签完整显示。

fig.savefig('no_cut.png', bbox_inches='tight')

transparent（背景透明）：保存为 PNG 时，设置transparent=True可让背景透明（适合嵌入 PPT 或网页）。

fig.savefig('transparent.png', transparent=True)

pad_inches（边距）：配合bbox_inches='tight'使用，控制裁剪后的边距（默认 0.1 英寸）。

fig.savefig('with_margin.png', bbox_inches='tight', pad_inches=0.5)

四、全局设置

如果每次绘图都要调整字体、线条颜色，会非常繁琐。Matplotlib 的rcParams（运行时配置参数）可以 “一劳永逸”—— 提前定义全局风格，所有图表自动应用。

4.1 核心配置

最常用的配置包括：字体（避免中文乱码）、默认尺寸、线条样式等。

import matplotlib.pyplot as plt

# 查看所有可配置参数（可选）

# print(plt.rcParams.keys())

# 设置全局参数

plt.rcParams.update({

# 字体：支持中文（SimHei黑体、Microsoft YaHei微软雅黑等）

'font.family': ['SimHei', 'WenQuanYi Micro Hei', 'Heiti TC'],

# 坐标轴刻度和标签的字体大小

'axes.labelsize': 12,

'xtick.labelsize': 10,

'ytick.labelsize': 10,

# 标题字体大小

'axes.titlesize': 14,

# 默认画布尺寸

'figure.figsize': (8, 5),

# 默认分辨率

'figure.dpi': 100,

# 线条宽度

'lines.linewidth': 2.0

})

# 测试配置效果：中文标题正常显示

fig, ax = plt.subplots()

ax.plot([1, 2, 3], [2, 4, 6])

ax.set_title('中文标题测试') # 不再乱码

ax.set_xlabel('X轴（中文）')

plt.show()

4.2 临时生效与永久配置

• 临时生效：上述代码仅在当前脚本中生效，关闭后恢复默认。

• 永久配置：找到 Matplotlib 的配置文件（matplotlibrc），修改对应参数（适合固定工作环境）。

最后小结

Matplotlib 的基础架构看似是 “工具使用规则”，实则是一种 “绘图思维”：

• 先有画布（Figure），再划分绘图区（Axes）；

• 简单图用快速模式，复杂图用 OOP 模式；

• 保存时关注清晰度和完整性，全局设置提升效率。

理解这些逻辑后，无论面对简单的数据展示还是复杂的多图组合，都能快速找到绘图思路。下一节课，我们将基于这些基础，深入学习 Axes 对象的绘图细节 —— 如何用它画出更丰富的图表元素。