使用 Matplotlib 在 Python 中绘制基础图表完全指南

2026-02-15 11:49:08 0条评论 3次阅读 0人点赞

数据可视化不仅仅是数据分析的最后一个步骤，它往往是我们理解数据背后故事的起点。无论你是正在处理销售数据、分析科学实验结果，还是试图找出服务器日志中的异常峰值，一张清晰、直观的图表往往能胜过千言万语。作为一名 Python 开发者，我很高兴能与你一起探索数据可视化的世界。

Python 拥有众多强大的数据可视化库，但 Matplotlib 依然是其中最基础、最核心，也是使用最广泛的一个。它就像是我们手中的瑞士军刀，虽然有时我们需要配合其他工具（如 Seaborn）来画出更漂亮的统计图表，但 Matplotlib 提供了构建几乎所有图表的底层积木。在本文中，我们将深入探讨如何使用 Matplotlib 创建基础但专业的图表，并逐步掌握如何自定义每一个细节，使其更符合你的展示需求。

准备工作：安装与导入

在我们开始编写代码之前，确保你的开发环境中已经安装了 Matplotlib 库。如果还没有安装，你可以在终端或命令行中运行以下命令：

pip install matplotlib

安装完成后，我们通常使用 INLINECODE82900087 子模块来进行绘图。按照惯例，我们会将其导入为 INLINECODE7cd49b55：

import matplotlib.pyplot as plt
import numpy as np # 我们稍后会用到它来生成数据

第一步：绘制你的第一个图表

让我们从一个最简单的例子开始。我们的目标是在坐标轴上绘制一组数据点，并将其连接成线。

在这个例子中，我们定义了两个列表：INLINECODEbaa37cec 和 INLINECODEf9adf2f3。我们的目标是画出 $y = x^2$ 的图像。

# 导入 pyplot 模块
import matplotlib.pyplot as plt

# 准备数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25] # 对应 x 的平方

# 使用 plot 函数绘制
plt.plot(x, y)

# 添加标签和标题
plt.xlabel(‘X 轴数值‘)
plt.ylabel(‘Y 轴数值‘)
plt.title(‘我的第一个 Matplotlib 图表‘)

# 显示图表
plt.show()

代码解析：

plt.plot(x, y): 这是核心绘图函数。它默认会画出蓝色的实线，连接所有的点。
plt.xlabel / ylabel: 这两个函数非常重要。在专业图表中，永远不要让你的坐标轴裸奔。清晰的轴标签能让阅读者瞬间明白你展示的是什么量纲。
plt.show(): 这一行代码负责打开一个窗口并展示图表。如果你在脚本中忘记写它，图表可能不会显示出来。

深入理解 `plt.plot()` 的语法

为了让你能更自由地控制图表样式，我们需要理解 INLINECODE71b7d6d4 函数的完整语法。虽然我们可以只用 INLINECODE22f7e762 和 y，但你可以通过额外的参数让图表更具表现力。

基本语法：

> plt.plot(x, y, format_string, **kwargs)

关键参数详解：

x, y: 这是你的数据源，通常是列表或数组。
format_string (格式字符串): 这是一个非常便捷的缩写参数，用于同时定义颜色、标记和线型。例如：

* ‘r--‘: 红色虚线

* ‘g*‘: 绿色星号标记，无线条

* ‘b-o‘: 蓝色实线带圆形标记

kwargs (关键字参数): 用于更精细的控制，例如 INLINECODEef2552a4 (线宽), INLINECODE8f793745 (标记大小), label (图例标签) 等。

必须掌握的 Matplotlib 核心函数

当你开始深入数据分析时，你会发现 plot() 只是冰山一角。下面我整理了一张表格，列出了你在构建专业图表时最高频使用的函数。理解它们的工作原理，是进阶的关键。

函数名

描述与实战技巧

—

plot()

绘图的基础。它能根据数据创建线图。它不仅支持单条线，还允许你在同一个图中叠加多条数据曲线。

show()

"渲染引擎"。没有它，所有计算好的图形都不会在屏幕上显现。在 Jupyter Notebook 中可能不需要显式调用，但在脚本中是必须的。

xlabel() / ylabel()

轴标签管理。为了专业性，建议在标签中包含单位，例如 INLINECODE38c06393，这不仅清晰，还符合学术规范。

title()

为图表定下"基调"。一个好的标题应该简明扼要地概括图表的核心信息，例如 INLINECODEd90a86ca。

gca()

"Get Current Axes"（获取当前坐标轴）。这是一个高级功能，允许你直接操作坐标轴对象（如修改边框颜色、隐藏刻度等），这对于微调图表细节非常有用。

xticks() / yticks()

刻度控制。你可以强制指定刻度出现的位置，或者旋转它们（例如 INLINECODE12eca4c6）以避免文本重叠。

legend()

图例。当你在一张图中绘制多条线时，这是必不可少的。记得在 INLINECODE12141d85 中设置 INLINECODE2e9bdb94 参数，否则图例是空的。

annotate()
"高光时刻"。当你想要强调某个特定的数据点（比如最高值或异常值）时，使用此函数添加箭头和文本注释，能极大增强图表的可读性。
figure(figsize=(x, y))

画布控制。默认的图片尺寸可能不适合 PPT 或论文。使用此函数可以自定义宽高，例如 INLINECODEc19913e4 可以得到一个宽屏的图表。

subplot(r, c, i)

分屏大师。允许你在一个窗口中创建网格状的子图。INLINECODE5e88ca67 是行数，INLINECODEabe5a172 是列数，INLINECODE47d36698 是位置索引。

setxticks / set_yticks

坐标轴对象的方法。在使用面向对象 API（即操作 Axes 对象）时，我们使用这些方法来精确控制刻度范围和步长。### 进阶实战：创建包含多个系列的折线图

在实际工作中，我们很少只画一条线。更多的时候，我们需要对比两组或多组数据。让我们看一个更实际的例子：对比两个不同的数学函数，并进行美学上的自定义。

在这个例子中，我们将绘制 $y = x^2$ 和 $y = 30 – x^2$，并演示如何自定义颜色、线型以及添加网格线和图例。

import matplotlib.pyplot as plt

# 1. 准备数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]      # y = x^2
y2 = [25, 20, 15, 10, 5]    # 模拟 y = 30 - x^2 的部分数据

# 2. 绘制第一条线：自定义颜色、线型和标记
# label 参数用于图例显示
plt.plot(x, y1, 
         label=‘y = x^2‘, 
         color=‘green‘,       # 线条颜色
         linestyle=‘--‘,     # 虚线
         marker=‘o‘,          # 数据点用圆圈标记
         linewidth=2)         # 线条宽度

# 3. 绘制第二条线
plt.plot(x, y2, 
         label=‘y = 30 - x^2‘, 
         color=‘red‘, 
         linestyle=‘-‘,       # 实线
         marker=‘x‘,          # 数据点用 x 标记
         linewidth=2)

# 4. 添加辅助元素
plt.grid(True, linestyle=‘:‘, alpha=0.6) # 开启网格，设置为点线，稍微透明

plt.xlabel(‘X 轴数值‘)
plt.ylabel(‘Y 轴数值‘)
plt.title(‘多系列自定义折线图对比‘)

# 5. 显示图例
# loc=‘best‘ 让程序自动选择最佳位置放置图例
plt.legend(loc=‘best‘) 

# 6. 保存图表 (导出为 PNG)
# 在实际项目中，保存图片是必不可少的步骤
plt.savefig(‘customized_plot.png‘, dpi=300) 

plt.show()

代码亮点与实战见解：

颜色心理学：这里我们使用了绿色和红色，通常绿色代表"正向"或"增长"，红色代表"负向"或"警示"，符合直觉。
图例 (INLINECODE4d716e3d): 你会注意到我们在 INLINECODE7be7278c 中定义了 INLINECODE81c43f58，但只有在调用 INLINECODEc40b568e 后，图例才会显示。这是一个常见的初学者错误——定义了标签却看不到图例。
保存图表: INLINECODE0b49e195 必须在 INLINECODE499e76f3 之前调用。为什么？因为 show() 会清空当前的绘图缓冲区，如果顺序错了，你保存的图片将是一张空白图。

高级技巧：在一个画布上绘制多个子图 (Subplots)

当我们需要对多个数据集进行横向对比，但又不想让它们挤在同一个坐标系里时，subplot 就派上用场了。它将画布划分为网格。

在下面的示例中，我们将创建一个 2×2 的网格，并在每个格子里放置不同的图表。

import matplotlib.pyplot as plt
import numpy as np # 使用 numpy 生成更平滑的数据

# 创建数据
a = [1, 2, 3, 4, 5]
b = [0, 0.6, 0.2, 15, 10, 8, 16, 21]
c = [4, 2, 6, 8, 3, 20, 13, 15]

# 创建一个新的画布，设置整体大小为 10x10 英寸
fig = plt.figure(figsize=(10, 10))

# 创建子图：2行2列，位置1 (左上角)
sub1 = plt.subplot(2, 2, 1) 
sub1.plot(a, ‘sb‘) # s:方形(square), b:蓝色
# 手动设置刻度
sub1.set_xticks(list(range(0, 10, 1)))
sub1.set_title(‘1st Subplot: Linear Growth‘)

# 创建子图：2行2列，位置2 (右上角)
sub2 = plt.subplot(2, 2, 2)
sub2.plot(b, ‘or‘) # o:圆形, r:红色
sub2.set_xticks(list(range(0, 10, 2)))
sub2.set_title(‘2nd Subplot: Volatile Data‘)

# 创建子图：2行2列，位置3 (左下角)
# 这里我们演示直接在 numpy 数组上绘图
sub3 = plt.subplot(2, 2, 3)
sub3.plot(list(range(0, 22, 3)), ‘vg‘) # v:三角向下, g:绿色
sub3.set_xticks(list(range(0, 10, 1)))
sub3.set_title(‘3rd Subplot: Step Data‘)

# 创建子图：2行2列，位置4 (右下角)
sub4 = plt.subplot(2, 2, 4)
sub4.plot(c, ‘Dm‘) # D:钻石形, m:洋红色
# 自定义 Y 轴刻度
sub4.set_yticks(list(range(0, 24, 2)))
sub4.set_title(‘4th Subplot: Fluctuations‘)

# 调整子图之间的间距，防止标题重叠
plt.tight_layout()

plt.show()

理解 subplot 的逻辑：

你可以把画布想象成一个矩阵。subplot(2, 2, 3) 意味着"创建一个 2 行 2 列的网格，并选中第 3 个格子"。Matplotlib 按照从左到右、从上到下的顺序对格子进行编号。

实用场景补充：散点图

虽然 plot() 可以画折线图，但在展示两个变量之间的相关性（而非连续性变化）时，散点图是更好的选择。它可以帮助我们快速识别数据点的聚类情况或离群值。

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
#身高
height = np.array([160, 165, 170, 175, 180, 185, 190])
#体重
weight = np.array([50, 55, 60, 65, 72, 80, 85])

# 绘制散点图
# c=‘blue‘ 颜色, marker=‘o‘ 圆点, alpha=0.7 透明度
plt.scatter(height, weight, c=‘blue‘, marker=‘o‘, alpha=0.7, s=100) # s 控制点的大小

plt.title(‘身高 vs 体重 关系图‘)
plt.xlabel(‘身高
plt.ylabel(‘体重

plt.grid(True)
plt.show()

为什么这里使用 INLINECODE290a6f0b 而不是 INLINECODE4f453bf5？

虽然 INLINECODEc3996972 也能画出散点效果，但 INLINECODE8e53123b 提供了更强的灵活性，比如可以单独为每个点设置不同的大小或颜色（这在气泡图中很有用），并且它会自动处理坐标轴的比例。

常见错误与最佳实践 (避免这些坑)

在你的学习旅程中，你可能会遇到一些常见的问题。作为过来人，我想分享一些经验：

中文显示乱码: 这是 Python 绘图最令人头疼的问题。默认情况下，Matplotlib 无法显示中文字体。如果你发现标题中的中文变成了方框 , 需要手动配置字体：

    plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘] # 用来正常显示中文标签
    plt.rcParams[‘axes.unicode_minus‘] = False # 用来正常显示负号

坐标轴刻度拥挤: 当你在 X 轴放置很多日期或类别时，标签会挤在一起。解决方法是使用 plt.xticks(rotation=45) 将标签旋转，或者减少刻度的数量。

忘记 INLINECODEd7ed94b6 后的阻塞: 在脚本模式下，调用 INLINECODE0f0dbe5b 后程序会暂停，直到你关闭窗口。如果需要在脚本中保存图片而不显示窗口，可以使用 INLINECODEdb32973a 并配合 INLINECODE029c4254。

结语与后续步骤

通过这篇文章，我们不仅学习了如何使用 Matplotlib 绘制基本的折线图，还深入了解了如何通过子图、散点图和自定义样式来使图表变得专业和美观。数据可视化不仅仅是把图画出来，更是关于如何清晰地传达信息。

你现在已经掌握的技能包括：

设置图表环境（安装、导入）。
绘制单条和多条折线图。
添加标签、标题、图例和网格。
使用 subplot 创建复杂的布局。
处理散点图以分析相关性。

下一步的建议：

尝试去分析你感兴趣的真实数据集。你可以下载一份股票的 CSV 文件，尝试绘制其收盘价的走势；或者记录你一周每天的学习时间，用图表展示进步的过程。只有通过不断的实践，你才能真正掌握这个强大的工具。

投稿给我们	如何建站？
vps是什么？	如何安装宝塔？
如何通过博客赚钱？	便宜wordpress托管方案
免费wordpress主题	这些都是免费方案

豆丁博客

使用 Matplotlib 在 Python 中绘制基础图表完全指南

准备工作：安装与导入

第一步：绘制你的第一个图表

深入理解 `plt.plot()` 的语法

必须掌握的 Matplotlib 核心函数

高级技巧：在一个画布上绘制多个子图 (Subplots)

实用场景补充：散点图

常见错误与最佳实践 (避免这些坑)

结语与后续步骤

相关文章美国1G带宽/1T流量高速vps $17.99/年

使用 Matplotlib 在 Python 中绘制基础图表完全指南

准备工作：安装与导入

第一步：绘制你的第一个图表

深入理解 plt.plot() 的语法

必须掌握的 Matplotlib 核心函数

高级技巧：在一个画布上绘制多个子图 (Subplots)

实用场景补充：散点图

常见错误与最佳实践 (避免这些坑)

结语与后续步骤

相关文章美国1G带宽/1T流量高速vps $17.99/年

深入理解 `plt.plot()` 的语法