Matplotlib 是 Python 最基础、最广泛使用的 2D 绘图库，提供了类似 MATLAB 的绘图接口，是科学计算和数据分析领域的重要工具。
1. Matplotlib 核心特点 #
- 基础性强：Python 数据可视化的基础库，许多其他库(如 Seaborn)基于它构建
- 高度可定制：几乎可以控制图形的每一个元素
- 多种输出格式：支持 PNG、PDF、SVG 等多种格式
- 多种接口：提供 MATLAB 风格的 pyplot 接口和面向对象接口
- 跨平台：支持 Windows、Linux 和 macOS
2. 基本使用 #
2.1 基本绘图流程 #
这是Matplotlib 最基础的绘图流程，包括数据创建、图形和坐标轴的生成、曲线绘制、标题和标签设置、图例添加以及图形显示。适用于所有基础可视化场景。
# 导入 Matplotlib 的 pyplot 接口
import matplotlib.pyplot as plt
# 导入 NumPy 用于数值计算
import numpy as np
# 创建自变量数据，等间隔100个点
x = np.linspace(0, 10, 100)
# 计算因变量，正弦函数
y = np.sin(x)
# 创建图形和坐标轴对象
fig, ax = plt.subplots()
# 绘制曲线，label用于图例
ax.plot(x, y, label='sin(x)')
# 设置图形标题
ax.set_title("Sine Wave")
# 设置x轴标签
ax.set_xlabel("x")
# 设置y轴标签
ax.set_ylabel("sin(x)")
# 添加图例
ax.legend()
# 显示图形
plt.show()2.2 常用图表类型 #
本段代码展示了 Matplotlib 支持的多种常用图表类型，包括折线图、散点图、柱状图、直方图、饼图和箱线图，适用于不同的数据可视化需求。
# 折线图，适合趋势展示
plt.plot(x, y)
# 散点图，适合相关性分析
plt.scatter(x, y)
# 柱状图，适合分类数据对比
plt.bar(categories, values)
# 直方图，适合分布分析
plt.hist(data, bins=30)
# 饼图，适合比例展示
plt.pie(sizes, labels=labels)
# 箱线图，适合统计分布和异常值分析
plt.boxplot(data)3. 图形定制 #
3.1 样式设置 #
本段代码演示了如何自定义线条、散点和柱状图的样式，包括线型、颜色、标记、透明度等，提升图表的美观性和可读性。
# 线条样式设置，虚线、加粗、红色、圆点标记
plt.plot(x, y, linestyle='--', linewidth=2, color='red', marker='o', markersize=8)
# 散点样式设置，点大小、颜色、透明度、边框色
plt.scatter(x, y, s=100, c=colors, alpha=0.5, edgecolors='black')
# 柱状图样式设置，宽度、底部、对齐方式
plt.bar(x, height, width=0.8, bottom=None, align='center')3.2 多子图布局 #
本段代码演示了如何使用 subplots 创建多子图网格，并在不同子图上绘制不同类型的图表，适合多视图对比分析。
# 创建2行2列的子图网格，设置画布大小
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))
# 在第1个子图绘制折线图
axes[0, 0].plot(x, y)
# 在第2个子图绘制散点图
axes[0, 1].scatter(x, y)
# 在第3个子图绘制直方图
axes[1, 0].hist(data)
# 在第4个子图绘制箱线图
axes[1, 1].boxplot(data)
# 自动调整子图间距，防止重叠
plt.tight_layout()3.3 高级布局 #
本段代码演示了如何使用 GridSpec 实现复杂的子图布局，支持不同的行列比例和灵活的子图位置。
# 导入 GridSpec 工具
import matplotlib.gridspec as gridspec
# 创建画布并设置大小
fig = plt.figure(figsize=(10, 8))
# 创建2x2的网格，设置宽高比
gs = gridspec.GridSpec(2, 2, width_ratios=[1, 2], height_ratios=[2, 1])
# 在不同网格位置创建子图
ax1 = plt.subplot(gs[0])
ax2 = plt.subplot(gs[1])
ax3 = plt.subplot(gs[2])
ax4 = plt.subplot(gs[3])4. 高级功能 #
4.1 3D 绘图 #
本段代码演示了如何使用 Matplotlib 进行3D绘图，包括3D散点图和3D曲面图，适用于空间数据可视化。
# 导入3D绘图工具包
from mpl_toolkits.mplot3d import Axes3D
# 创建画布对象
fig = plt.figure()
# 添加3D坐标轴
ax = fig.add_subplot(111, projection='3d')
# 3D散点图，x、y、z为三维坐标
ax.scatter(x, y, z)
# 生成网格数据，用于3D曲面
X, Y = np.meshgrid(x, y)
# 绘制3D曲面图，cmap设置颜色映射
ax.plot_surface(X, Y, Z, cmap='viridis')4.2 动画 #
本段代码演示了如何用 FuncAnimation 创建动态动画，适合演示数据随时间变化的过程。
# 导入动画工具
from matplotlib.animation import FuncAnimation
# 创建画布和坐标轴
fig, ax = plt.subplots()
# 初始化一条空曲线
line, = ax.plot([], [])
# 初始化函数，设置坐标轴范围
def init():
ax.set_xlim(0, 2*np.pi)
ax.set_ylim(-1, 1)
return line,
# 更新函数，逐帧更新曲线数据
def update(frame):
line.set_data(x[:frame], y[:frame])
return line,
# 创建动画对象，blit加速渲染
ani = FuncAnimation(fig, update, frames=len(x), init_func=init, blit=True)
# 显示动画
plt.show()4.3 样式表 #
本段代码演示了如何使用 Matplotlib 的样式表快速切换图表风格，提升美观性和一致性。
# 查看所有可用样式
print(plt.style.available)
# 使用ggplot风格
plt.style.use('ggplot')
# 组合使用多个样式
plt.style.use(['dark_background', 'fast'])5. 实用技巧 #
5.1 保存图形 #
本段代码演示了如何将 Matplotlib 图形保存为不同格式的图片文件，支持 PNG、PDF、SVG 等，适合成果输出和报告插图。
# 保存为PNG图片，设置分辨率和边距
plt.savefig('figure.png', dpi=300, bbox_inches='tight')
# 保存为PDF格式
plt.savefig('figure.pdf')
# 保存为SVG矢量图
plt.savefig('figure.svg')5.2 LaTeX 支持 #
本段代码演示了如何在标题和坐标轴标签中使用 LaTeX 数学公式，提升学术排版效果。
# 在标题中使用LaTeX公式
plt.title(r'$\alpha > \beta$')
# 在x轴标签中使用分式公式
plt.xlabel(r'$\frac{x}{y}$')5.3 颜色映射 #
本段代码演示了如何为散点图添加颜色映射和颜色条，适合展示第三变量的分布。
# 绘制带颜色映射的散点图
sc = plt.scatter(x, y, c=z, cmap='viridis')
# 添加颜色条
plt.colorbar(sc)6. 与 Pandas 集成 #
本段代码演示了如何直接用 Pandas DataFrame 绘图，以及如何分组绘制多类数据，适合数据分析与可视化一体化场景。
# 导入 pandas 库
import pandas as pd
# 创建包含三列的数据框
# x、y为正态分布，category为三类标签
df = pd.DataFrame({
'x': np.random.randn(100),
'y': np.random.randn(100),
'category': np.random.choice(['A', 'B', 'C'], 100)
})
# 直接用DataFrame绘制散点图
# kind参数指定图类型
# x、y为坐标轴
df.plot(x='x', y='y', kind='scatter')
# 按类别分组绘制散点图
for name, group in df.groupby('category'):
# 每一类分别绘制
plt.scatter(group['x'], group['y'], label=name)
# 添加图例
plt.legend()