Python数据可视化入门：Matplotlib基础教程

引言 / 什么是Matplotlib

在Python的数据分析生态中，数据可视化是理解数据、发现规律的关键环节。Matplotlib作为Python最基础的绘图库，凭借其强大的功能和灵活的定制性，成为数据科学家的首选工具。无论是简单的折线图还是复杂的热力图，Matplotlib都能通过几行代码实现。

本文将聚焦Matplotlib的核心功能，从安装配置到基础绘图，再到样式优化，帮助零基础读者快速掌握数据可视化的基本技能。通过绘制折线图和散点图两个典型案例，你将直观感受到Matplotlib如何将抽象数据转化为可视化图形。

准备工作

环境配置

1. Python版本：建议使用Python 3.6+（Matplotlib 3.0+支持最佳）
2. 安装方式：通过pip安装最新稳定版

   pip install matplotlib
   

3. 依赖库：Matplotlib依赖NumPy进行数值计算，若未安装可一并安装

   pip install numpy
   

验证安装

在Python交互环境中运行以下代码，若弹出空白图形窗口即表示安装成功：

import matplotlib.pyplot as plt
plt.plot([1, 2, 3])
plt.show()

基础绘图命令

折线图：plt.plot()

折线图是展示数据趋势最常用的图形。以下代码演示如何绘制简单折线图：

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 10, 100)  # 0到10之间生成100个点
y = np.sin(x)                 # 计算正弦值

# 绘制图形
plt.figure(figsize=(8, 4))    # 设置图形大小
plt.plot(x, y, 
         color='blue',         # 线条颜色
         linestyle='-',        # 实线样式
         linewidth=2,          # 线宽
         label='sin(x)')       # 图例标签

# 添加标题和标签
plt.title('正弦函数曲线', fontsize=14)
plt.xlabel('X轴', fontsize=12)
plt.ylabel('Y轴', fontsize=12)
plt.legend()                  # 显示图例
plt.grid(True)                # 显示网格
plt.show()

关键参数说明：

散点图：plt.scatter()

散点图适合展示两个变量的相关性。以下代码演示如何绘制带颜色映射的散点图：

# 生成随机数据
np.random.seed(42)
x = np.random.randn(100)
y = x * 0.5 + np.random.randn(100) * 0.3
colors = np.random.rand(100)  # 随机颜色值
sizes = np.random.randint(10, 100, 100)  # 随机点大小

# 绘制图形
plt.figure(figsize=(8, 6))
plt.scatter(x, y, 
            c=colors,          # 颜色映射
            s=sizes,           # 点大小
            alpha=0.6,         # 透明度
            cmap='viridis')    # 颜色方案

plt.colorbar(label='颜色值')   # 显示颜色条
plt.title('随机数据散点图', fontsize=14)
plt.xlabel('X值', fontsize=12)
plt.ylabel('Y值', fontsize=12)
plt.grid(True)
plt.show()

提示：通过cmap参数可指定不同的颜色方案，常用选项包括：

• 'viridis'（默认）
• 'plasma'
• 'coolwarm'
• 'jet'（需谨慎使用，可能误导视觉判断）

图形样式设置

全局样式配置

Matplotlib支持通过plt.rcParams统一修改图形样式：

# 设置全局样式
plt.rcParams.update({
    'font.family': 'Microsoft YaHei',  # 中文字体
    'axes.titlesize': 16,              # 标题字号
    'axes.labelsize': 14,              # 坐标轴标签字号
    'xtick.labelsize': 12,             # X轴刻度字号
    'ytick.labelsize': 12,             # Y轴刻度字号
    'lines.linewidth': 2,              # 默认线宽
    'figure.figsize': (10, 6)          # 默认图形大小
})

子图绘制：plt.subplots()

当需要同时展示多个图形时，可使用子图功能：

# 创建2x2的子图网格
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# 在第一个子图绘制折线图
axes[0, 0].plot([1, 2, 3], [1, 4, 9], 'r-')
axes[0, 0].set_title('折线图')

# 在第二个子图绘制散点图
axes[0, 1].scatter([1, 2, 3], [1, 4, 9], c='green')
axes[0, 1].set_title('散点图')

# 在第三个子图绘制柱状图
axes[1, 0].bar(['A', 'B', 'C'], [3, 7, 2], color='orange')
axes[1, 0].set_title('柱状图')

# 在第四个子图绘制饼图
axes[1, 1].pie([15, 30, 45, 10], labels=['A', 'B', 'C', 'D'], autopct='%1.1f%%')
axes[1, 1].set_title('饼图')

plt.tight_layout()  # 自动调整子图间距
plt.show()

常见问题

Q：如何解决中文显示乱码问题？

A：需指定支持中文的字体。推荐方案：

1. 下载中文字体文件（如SimHei.ttf）
2. 将字体文件放入Matplotlib字体目录（可通过print(matplotlib.matplotlib_fname())查看配置文件路径）
3. 在代码中显式指定字体：

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # Mac系统

Q：如何保存高清图片？

A：使用plt.savefig()时指定DPI参数：

plt.plot([1, 2, 3])
plt.savefig('output.png', dpi=300, bbox_inches='tight')  # 300DPI高清输出

Q：如何同时显示多个图形窗口？

A：每次调用plt.figure()会创建新窗口，或使用plt.show(block=False)保持窗口不阻塞：

plt.figure(1)
plt.plot([1, 2, 3])

plt.figure(2)
plt.scatter([1, 2, 3], [3, 2, 1])

plt.show()  # 默认会阻塞，直到关闭所有窗口
# 或使用以下方式分别显示
# for i in range(1, 3):
#     plt.figure(i)
#     plt.show(block=(i==2))  # 仅最后一个窗口阻塞

小结

本文通过折线图和散点图两个典型案例，系统介绍了Matplotlib的基础绘图命令、样式定制技巧和常见问题解决方案。关键要点总结如下：

1. plt.plot()适合展示连续数据趋势
2. plt.scatter()适合分析变量间相关性
3. 通过rcParams可统一管理图形样式
4. 使用子图功能实现多图形对比展示

建议读者结合官方文档（matplotlib.org）进一步探索高级功能，如3D绘图、动画制作等。数据可视化的魅力在于将抽象数据转化为直观图形，而Matplotlib正是开启这扇大门的金钥匙。现在就打开Jupyter Notebook，尝试绘制你的第一个数据图形吧！