引言：为何可视化至关重要？
俗话说，"一图胜千言"。在数据分析领域，这句话尤其正确。原始的数据表格和统计摘要虽然精确，但往往难以揭示数据中隐藏的模式、趋势、异常值和关系。数据可视化通过将数据转换成图形，利用人类视觉系统的强大能力来快速识别这些信息，是**探索性数据分析（EDA）**中不可或缺的一环。
Matplotlib 是 Python 中最基础、最强大的数据可视化库。它为创建各种静态、动态和交互式图表提供了坚实的基础。几乎所有其他高级可视化库（如 Seaborn）都是在 Matplotlib 的基础上构建的。因此，掌握 Matplotlib 是进行任何严肃数据可视化的前提。
Matplotlib 的解剖学：Figure 与 Axes
要真正掌握 Matplotlib，首先需要理解其核心的两个对象：Figure 和 Axes。
- Figure : 可以看作是整个图表的"画布 "或"画框 "。它是一个顶层容器，可以包含一个或多个图表（
Axes）、标题、图例等所有绘图元素。- Axes : 这是实际的"绘图区域 "或"子图 "。我们平时所说的"一个图"，在 Matplotlib 的语境下通常指的就是一个
Axes对象。它包含了数据点、x 轴（xaxis）、y 轴（yaxis）、刻度、标签等。一个Figure对象可以包含一个或多个Axes对象。
把它们想象成一幅画：Figure 是整个画框，而每个 Axes 是画框里的一幅独立的画。
两种绘图方式：Pyplot vs. 面向对象 (OO)
Matplotlib 提供了两种主要的绘图接口：
- Pyplot 接口 (状态机接口) : 这是一系列函数的集合（如
plt.plot(),plt.title()），它会自动管理当前的Figure和Axes。这种方式对于快速、简单的绘图非常方便，其风格类似于 MATLAB。 - 面向对象 (OO) 接口 : 这是更强大、更灵活的方式。我们首先显式地创建一个
Figure对象和一个或多个Axes对象（通常使用fig, ax = plt.subplots()），然后调用这些对象的方法来绘图和进行定制（如ax.plot(),ax.set_title()）。
为什么我们强烈推荐面向对象 (OO) 的方式？
对于初学者来说，
pyplot接口似乎更简单。然而，一旦你需要绘制更复杂的图表，比如在一个Figure中放置多个子图，或者对某个特定的子图进行精细控制时，pyplot的状态机机制就会变得混乱和难以管理。你很难确定当前的plt函数到底作用于哪个子图。而面向对象的方式则从根本上解决了这个问题 。通过
fig, ax = plt.subplots()，你得到了对Figure和Axes对象的直接引用。当你调用ax.set_title()时，你非常清楚地知道这个标题是属于ax这个特定的子图的。这种明确的控制使得代码更具可读性、可维护性，并且是创建复杂、可复用图表的标准做法。从一开始就学习和使用 OO 风格，会为你未来的学习之路打下更坚实的基础。
你的第一张图 (使用 OO 风格)
让我们遵循标准的 OO 风格工作流，创建几种最常见的图表。
标准工作流：
- 导入库 :
import matplotlib.pyplot as plt和import numpy as np。 - 准备数据。
- 创建 Figure 和 Axes :
fig, ax = plt.subplots()。 - 在 Axes 上绘图 :
ax.plot(),ax.scatter()等。 - 定制图表 :
ax.set_title(),ax.set_xlabel(),ax.set_ylabel(),ax.legend()。 - 显示图表 :
plt.show()。
折线图 (Line Plot)
折线图非常适合展示数据随时间或某个连续变量变化的趋势。
python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 1. 创建 Figure 和 Axes
fig, ax = plt.subplots()
# 2. 在 Axes 上绘图
ax.plot(x, y)
# 3. 定制图表
ax.set_title('Simple Sine Wave')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis (sin(x))')
# 4. 显示图表
plt.show()柱状图 (Bar Chart)
柱状图用于比较不同类别之间的数量。
python
import matplotlib.pyplot as plt
categories = ['A', 'B', 'C', 'D']
values = [23, 45, 55, 19]
fig, ax = plt.subplots()
ax.bar(categories, values, color='skyblue')
ax.set_title('Category Comparison')
ax.set_xlabel('Category')
ax.set_ylabel('Value')
plt.show()散点图 (Scatter Plot)
散点图用于可视化两个数值变量之间的关系，帮助我们发现相关性。
python
import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
sizes = 1000 * np.random.rand(50)
fig, ax = plt.subplots()
# 使用 c 参数映射颜色，s 参数映射大小，cmap 指定颜色图谱
ax.scatter(x, y, c=colors, s=sizes, alpha=0.5, cmap='viridis')
ax.set_title('Scatter Plot Example')
ax.set_xlabel('X Value')
ax.set_ylabel('Y Value')
plt.show()直方图 (Histogram)
直方图用于展示单个数值变量的分布情况。
python
import matplotlib.pyplot as plt
import numpy as np
# 生成符合正态分布的随机数据
data = np.random.randn(1000)
fig, ax = plt.subplots()
ax.hist(data, bins=30, edgecolor='black')
ax.set_title('Distribution of Data')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')
plt.show()总结与展望
在本篇中，我们学习了 Matplotlib 的基本概念，特别是 Figure 和 Axes 的区别，并强烈推荐了面向对象的绘图风格。我们还实践了如何使用 OO 风格创建四种最基本的图表：折线图、柱状图、散点图和直方图。
虽然 Matplotlib 功能强大且灵活，但有时绘制美观的统计图表需要编写较多的样板代码。为了解决这个问题，社区开发了 Seaborn。在下一篇文章中，我们将学习 Seaborn 如何在 Matplotlib 的基础上，用更简洁的代码创建出更具美感和信息量的统计图形。