Matplotlib是Python中最基础、最广泛使用的数据可视化库，它提供了类似MATLAB的绘图接口，能够创建高质量的静态、动态和交互式图表。作为科学计算和数据可视化的核心工具，Matplotlib几乎成为Python数据科学生态系统的标准可视化组件。
今天与大家系统的回顾与总结一下Matplotlib库，为大家的应用提供指导。
目录
一、Matplotlib库的作用
-
创建专业图表：线图、条形图、散点图、直方图等
-
多图组合：子图布局、多轴系统
-
定制化设计：全面控制颜色、线型、标记、文本等
-
多格式输出：支持PNG、PDF、SVG等格式
-
交互式探索：缩放、平移、保存视图
-
与其他库集成：与Pandas、NumPy、Seaborn无缝协作
二、Matplotlib核心模块及功能
基础绘图模块
| 函数/方法 | 功能描述 | 示例图表类型 |
|---|---|---|
plt.plot(x, y) |
创建线图或折线图 | 折线图、函数曲线 |
plt.scatter(x, y) |
创建散点图 | 相关性分析、聚类可视化 |
plt.bar(x, height) |
创建条形图 | 类别比较、分布展示 |
plt.barh(y, width) |
创建水平条形图 | 类别比较（长标签） |
plt.hist(x, bins) |
创建直方图 | 数据分布分析 |
plt.boxplot(data) |
创建箱线图 | 数据分布、异常值检测 |
plt.pie(sizes) |
创建饼图 | 占比关系可视化 |
plt.imshow(data) |
显示图像数据 | 热力图、图像显示 |
plt.contour(X, Y, Z) |
创建等高线图 | 三维数据二维展示 |
plt.quiver(X, Y, U, V) |
创建向量场图 | 梯度场、流场可视化 |
图表定制与美化
| 函数/方法 | 功能描述 |
|---|---|
plt.title(label) |
设置图表标题 |
plt.xlabel(label) |
设置X轴标签 |
plt.ylabel(label) |
设置Y轴标签 |
plt.xlim(min, max) |
设置X轴范围 |
plt.ylim(min, max) |
设置Y轴范围 |
plt.xticks(ticks, labels) |
设置X轴刻度和标签 |
plt.yticks(ticks, labels) |
设置Y轴刻度和标签 |
plt.grid(True) |
添加网格线 |
plt.legend(labels) |
添加图例 |
plt.text(x, y, text) |
在指定位置添加文本 |
plt.annotate(text, xy, xytext) |
添加带箭头的注释 |
plt.style.use(style) |
应用预定义样式（'ggplot'等） |
plt.rcParams.update(params) |
全局参数设置 |
多图与子图系统
| 函数/方法 | 功能描述 |
|---|---|
plt.subplots(nrows, ncols) |
创建网格布局子图 |
plt.subplot2grid(shape, loc) |
创建不规则布局子图 |
fig.add_subplot(nrows, ncols, index) |
向图形添加子图 |
plt.tight_layout() |
自动调整子图间距 |
plt.subplots_adjust() |
手动调整子图布局 |
fig.add_axes(rect) |
添加自定义位置坐标轴 |
3D可视化
| 函数/方法 | 功能描述 | 示例图表类型 |
|---|---|---|
ax = plt.axes(projection='3d') |
创建3D坐标轴 | 3D曲面图 |
ax.plot_surface(X, Y, Z) |
绘制3D曲面 | 数学函数可视化 |
ax.scatter3D(x, y, z) |
绘制3D散点图 | 三维数据点分布 |
ax.plot3D(x, y, z) |
绘制3D线图 | 空间轨迹 |
ax.contour3D(X, Y, Z) |
绘制3D等高线 | 等值面可视化 |
ax.view_init(elev, azim) |
设置3D视图角度 | 视角控制 |
高级功能与集成
| 函数/方法 | 功能描述 |
|---|---|
plt.colorbar(mappable) |
添加颜色条 |
plt.savefig(filename, dpi) |
保存图表到文件 |
plt.clf() |
清除当前图形 |
plt.close(fig) |
关闭指定图形 |
plt.show() |
显示所有图形 |
plt.gcf() |
获取当前图形对象 |
plt.gca() |
获取当前坐标轴对象 |
mpl.dates.DateFormatter(fmt) |
日期格式转换 |
mpl.ticker.FuncFormatter(func) |
自定义刻度格式 |
动画与交互
| 函数/方法 | 功能描述 |
|---|---|
animation.FuncAnimation(fig, func, frames) |
创建动画 |
widgets.Button(ax, label) |
添加交互按钮 |
widgets.Slider(ax, label, valmin, valmax) |
添加滑块控件 |
widgets.RadioButtons(ax, labels) |
添加单选按钮 |
event_connect(event, callback) |
事件监听与回调 |
三、Matplotlib工作流程
-
准备数据：使用NumPy或Pandas准备数据
-
创建图形 ：
plt.figure()或plt.subplots() -
绘制图表 ：使用各种绘图函数（
plot,scatter等） -
定制图表：添加标题、标签、图例等
-
调整布局 ：
tight_layout()自动优化间距 -
保存/显示 ：
savefig()保存或show()显示
四、Matplotlib在实际项目中的应用场景
-
数据探索：快速可视化数据分布和关系
-
科学计算：数学函数和方程可视化
-
机器学习：模型性能评估、特征重要性展示
-
统计分析：直方图、箱线图展示数据分布
-
时间序列分析：股票走势、气象数据可视化
-
地理信息：结合Basemap绘制地图数据
-
工程应用：信号处理、控制系统分析
-
学术出版：生成高质量论文图表
五、Matplotlib基础图表程序示例演示
python
import matplotlib.pyplot as plt
import numpy as np
from pylab import *
mpl.rcParams['font.sans-serif'] = ['SimHei'] #解决中文不显示问题
# 在创建图形前设置字体
plt.rcParams['font.family'] = 'sans-serif' # 使用无衬线字体
#plt.rcParams['font.sans-serif'] = ['Arial', 'DejaVu Sans', 'SimHei'] # 备选字体列表
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
# 1. 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
categories = ['A', 'B', 'C', 'D']
values = [25, 40, 30, 45]
# 2. 创建多子图布局
fig, axs = plt.subplots(2, 2, figsize=(12, 8))
fig.suptitle('Matplotlib综合示例', fontsize=16)
# 3. 绘制折线图
axs[0, 0].plot(x, y1, 'r-', label='sin(x)')
axs[0, 0].plot(x, y2, 'b--', label='cos(x)')
axs[0, 0].set_title('三角函数曲线')
axs[0, 0].set_xlabel('X轴')
axs[0, 0].set_ylabel('Y轴')
axs[0, 0].legend()
axs[0, 0].grid(True, linestyle='--', alpha=0.7)
# 4. 绘制散点图
np.random.seed(42)
x_scatter = np.random.rand(50) * 10
y_scatter = 2 * x_scatter + np.random.randn(50) * 2
axs[0, 1].scatter(x_scatter, y_scatter, c='green', alpha=0.7,
edgecolors='black', s=80)
axs[0, 1].set_title('散点图示例')
axs[0, 1].set_xlabel('自变量')
axs[0, 1].set_ylabel('因变量')
# 5. 绘制条形图
axs[1, 0].bar(categories, values, color=['skyblue', 'salmon', 'lightgreen', 'gold'])
axs[1, 0].set_title('类别数据比较')
axs[1, 0].set_xlabel('类别')
axs[1, 0].set_ylabel('数值')
# 添加数据标签
for i, v in enumerate(values):
axs[1, 0].text(i, v+1, str(v), ha='center')
# 6. 绘制饼图
explode = (0.1, 0, 0, 0) # 突出显示第一项
axs[1, 1].pie(values, explode=explode, labels=categories, autopct='%1.1f%%',
shadow=True, startangle=90, colors=['skyblue', 'salmon', 'lightgreen', 'gold'])
axs[1, 1].set_title('占比分布饼图')
# 7. 调整布局
plt.tight_layout()
plt.subplots_adjust(top=0.9)
# 8. 保存和显示
plt.savefig('matplotlib_example.png', dpi=300)
plt.show()
Matplotlib的学习曲线相对陡峭，但掌握其核心概念后，你将拥有创建任何类型数据可视化的能力。它不仅是Python可视化的基础，也是深入理解更高级可视化库（如Seaborn、Plotly）的前提。