Matplotlib 教程（千字长文）

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

• 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;
• 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 82w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 2900+ 小伙伴加入学习 ，欢迎点击围观

在数据分析与可视化领域，Matplotlib 教程是每位开发者不可或缺的技能之一。无论是学术研究、商业报告还是个人项目，通过直观的图表呈现数据关系，能够显著提升信息传达的效率。对于编程初学者而言，Matplotlib 的学习曲线可能显得陡峭，但本文将通过循序渐进的讲解和生动的比喻，帮助读者快速掌握其核心功能。中级开发者也能通过进阶技巧章节，发现新的应用场景。

一、Matplotlib 的核心概念与环境准备

1.1 Matplotlib 是什么？

Matplotlib 是一个基于 Python 的绘图库，支持生成静态、动态和交互式图表。它提供了类似 MATLAB 的接口，但完全开源且高度可定制。想象 Matplotlib 是一个“可视化工具箱”，用户可以通过调用其函数，像拼乐高积木一样组合出复杂的图表。

1.2 安装与基础导入

安装 Matplotlib 非常简单：

pip install matplotlib  

在代码中，通常以以下方式导入：

import matplotlib.pyplot as plt  

其中 plt 是约定俗成的缩写，类似于数学中的符号系统，方便后续调用函数。

二、基础绘图：从零开始构建图表

2.1 第一个图表：绘制折线图

假设我们想展示某公司近五年的营收增长情况。首先准备数据：

years = [2019, 2020, 2021, 2022, 2023]  
revenue = [100, 150, 200, 250, 300]  

接下来，调用 plt.plot() 函数生成折线图：

plt.plot(years, revenue)  
plt.show()  

执行后，会弹出一个窗口显示简单但完整的折线图。

2.2 添加图表元素：标题、坐标轴标签与网格

上述图表缺少关键信息，需要添加标题、坐标轴标签和网格线。这就像在房屋装修中，先规划墙面布局再装饰细节：

plt.plot(years, revenue)  
plt.title("Company Revenue Growth (2019-2023)")  
plt.xlabel("Year")  
plt.ylabel("Revenue (Millions USD)")  
plt.grid(True)  
plt.show()  

此时图表会更清晰易懂。

2.3 绘制散点图与柱状图

散点图：探索数据分布

若想分析广告投入与销售额的关系，可以使用散点图：

ads_budget = [50, 60, 70, 80, 90]  
sales = [80, 95, 110, 130, 145]  

plt.scatter(ads_budget, sales, color="green", marker="x")  
plt.title("Ads Budget vs Sales")  
plt.show()  

marker="x" 参数定义了点的形状，类似用不同笔触在纸上标记关键点。

柱状图：比较类别数据

若需比较不同产品的市场份额：

products = ["Product A", "Product B", "Product C"]  
market_share = [45, 30, 25]  

plt.bar(products, market_share, color=["red", "blue", "yellow"])  
plt.title("Market Share Distribution")  
plt.show()  

颜色参数 color 允许自定义，就像为不同产品设计专属标识。

三、定制图表元素：从基础到专业

3.1 图例与图例位置

当图表包含多组数据时，图例（Legend）是不可或缺的：

plt.plot(years, revenue, label="Revenue")  
plt.plot(years, [80, 90, 100, 110, 120], label="Expenses")  

plt.legend()  # 显示图例  
plt.show()  

通过 label 参数为每条线命名，plt.legend() 控制图例的位置，默认在右上角，也可通过 loc 参数调整，例如 loc="lower left"。

3.2 坐标轴范围与刻度控制

默认坐标轴范围可能无法突出数据重点。例如，若想强调营收增长的幅度：

plt.plot(years, revenue)  
plt.title("Revenue Growth with Custom Y-axis")  
plt.ylim(0, 350)  # 设置 Y 轴范围为 0-350  
plt.yticks([50, 150, 250, 350])  # 自定义 Y 轴刻度  
plt.show()  

类似调整相机的取景框，通过 xlim() 和 ylim() 可聚焦关键区域。

3.3 线条样式与颜色

Matplotlib 提供丰富的样式选项，通过参数组合实现多样化效果：

plt.plot(years, revenue, color="red", linestyle="--", linewidth=2)  
plt.show()  

可用的 linestyle 包括 "--", ":", "-" 等，color 支持十六进制代码（如 #FF5733）或预定义名称（如 green）。

四、高级技巧：子图、三维绘图与样式库

4.1 子图布局：多图表共存

使用 plt.subplots() 可创建多图表布局，例如将折线图与散点图并排展示：

fig, axes = plt.subplots(1, 2, figsize=(12, 5))  # 1行2列  

axes[0].plot(years, revenue)  
axes[0].set_title("Revenue Over Time")  

axes[1].scatter(ads_budget, sales)  
axes[1].set_title("Ads Budget vs Sales")  

plt.tight_layout()  # 自动调整间距  
plt.show()  

figsize 参数控制整个画布的尺寸，类似调整画布的物理大小。

4.2 三维绘图：探索空间数据

若需可视化三维数据（如温度、湿度、时间的关联），可借助 mplot3d 工具包：

from mpl_toolkits.mplot3d import Axes3D  

fig = plt.figure()  
ax = fig.add_subplot(111, projection="3d")  

x = [1, 2, 3, 4, 5]  
y = [5, 6, 7, 8, 9]  
z = [2, 3, 7, 5, 4]  

ax.scatter(x, y, z, c="purple", s=100)  # s 控制点的大小  
ax.set_xlabel("X Axis")  
ax.set_ylabel("Y Axis")  
ax.set_zlabel("Z Axis")  
plt.show()  

三维坐标系的建立类似于搭建立体模型，通过 projection="3d" 启用三维模式。

4.3 自定义样式与主题

Matplotlib 提供预定义样式库，可通过 plt.style 快速切换主题：

plt.style.use("ggplot")  # 使用 ggplot 风格  
plt.plot(years, revenue)  
plt.show()  

此外，用户还可通过 rcParams 自定义全局参数，例如：

plt.rcParams["font.size"] = 12  # 设置全局字体大小  

五、常见问题与实用技巧

5.1 图表保存为图片

使用 plt.savefig() 可将图表保存为 PNG、PDF 等格式：

plt.plot(years, revenue)  
plt.savefig("revenue_plot.png", dpi=300)  # dpi 控制清晰度  

5.2 中文字体显示问题

在中文环境下，可能遇到乱码问题。解决方法是手动设置字体：

plt.rcParams["font.sans-serif"] = ["SimHei"]  # 设置黑体  
plt.rcParams["axes.unicode_minus"] = False  # 解决负号显示问题  

5.3 动态交互式图表

通过 plt.ion() 和 plt.ioff() 可启用交互模式，适合实时数据可视化：

plt.ion()  
plt.plot([1, 2, 3])  
plt.show()  
plt.pause(2)  # 暂停 2 秒后继续执行  
plt.close()  
plt.ioff()  

六、总结与进阶方向

通过本文的 Matplotlib 教程，读者已掌握了从基础绘图到高级定制的核心技能。Matplotlib 的灵活性和扩展性使其成为 Python 可视化生态的基石，但学习不应止步于此。以下是进一步探索的建议：

1. Seaborn 库：基于 Matplotlib 的高级接口，适合快速生成统计图表。
2. Plotly：支持交互式可视化，适合 Web 应用场景。
3. 自定义图表类型：如热力图、等高线图等，Matplotlib 官方文档提供了丰富的案例。

记住，实践是掌握技能的最佳途径。尝试将本文中的代码示例应用于自己的数据集，逐步构建个性化图表风格。可视化不仅是技术工具，更是数据故事的讲述者——用 Matplotlib，让数据开口说话吧！