人工智能之数据分析 Matplotlib：第六章 知识总结

人工智能之数据分析 Matplotlib

第六章 知识总结

---

文章目录

• [人工智能之数据分析 Matplotlib](#人工智能之数据分析 Matplotlib)
• 前言
• 一、核心架构
• 二、两种绘图风格
• • [1. Pyplot 风格（命令式）](#1. Pyplot 风格（命令式）)
  • [2. 面向对象风格（推荐用于脚本/项目）](#2. 面向对象风格（推荐用于脚本/项目）)
• 三、常用图表类型与函数
• 四、关键定制功能
• • [1. 标题与标签](#1. 标题与标签)
  • [2. 刻度与网格](#2. 刻度与网格)
  • [3. 图例](#3. 图例)
  • [4. 颜色与样式](#4. 颜色与样式)
  • [5. 多子图](#5. 多子图)
• 五、图像处理（谨慎使用）
• 六、中文显示解决方案
• [七、与 Seaborn 协同](#七、与 Seaborn 协同)
• 八、最佳实践
• 九、常用配置速查
• 十、调试技巧
• 后续
• 资料关注

---

前言

本文对之前的关于matplotlib的知识进行系统性总结，便于知识梳理和归纳，为后续打好基础，或者面试使用

---

一、核心架构

Matplotlib 采用 三层架构：

1. Backend（后端）

   • 负责图形渲染和输出（如 TkAgg、Qt5Agg、Agg（无界面）等）

   • 通常无需手动设置，除非在服务器环境：

     import matplotlib
     matplotlib.use('Agg')  # 必须在 import pyplot 前设置

2. Artist Layer（艺术家层）

   • 所有可视元素（Figure、Axes、Line、Text 等）都是 Artist 对象
   • 面向对象 API 操作此层

3. Scripting Layer（脚本层）--- pyplot

   • 提供类似 MATLAB 的简单接口（如 plt.plot()）
   • 自动管理当前 Figure 和 Axes

✅ 建议 ：简单绘图用 pyplot，复杂/可复用图表用 面向对象 API （fig, ax = plt.subplots()）

---

二、两种绘图风格

1. Pyplot 风格（命令式）

import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [1, 4, 2])
plt.title("Title")
plt.show()

• 适合交互式探索（如 Jupyter Notebook）
• 隐式操作"当前"图形

2. 面向对象风格（推荐用于脚本/项目）

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 4, 2])
ax.set_title("Title")
plt.show()

• 显式控制每个组件
• 支持多子图、精细定制、避免状态混乱

---

三、常用图表类型与函数

图表类型	函数	典型用途
折线图	ax.plot(x, y)	趋势、时间序列
散点图	ax.scatter(x, y, c=..., s=...)	变量关系、聚类
柱状图	ax.bar(categories, values)	类别比较
水平柱状图	ax.barh(...)	类别名较长时
饼图	ax.pie(sizes, labels=..., autopct=...)	构成比例（≤5类）
直方图	ax.hist(data, bins=...)	数据分布
箱线图	ax.boxplot(data)	分布离散度、异常值
热力图	ax.imshow(matrix, cmap=...) 或 sns.heatmap()	矩阵、相关性
填充面积图	ax.fill_between(x, y1, y2)	区间范围

---

四、关键定制功能

1. 标题与标签

ax.set_title("Main Title", fontsize=14)
ax.set_xlabel("X Label")
ax.set_ylabel("Y Label")

2. 刻度与网格

ax.set_xticks([0, 1, 2])
ax.set_xticklabels(['A', 'B', 'C'])
ax.grid(True, linestyle='--', alpha=0.5)

3. 图例

ax.plot(x, y1, label='Series 1')
ax.plot(x, y2, label='Series 2')
ax.legend(loc='upper left')

4. 颜色与样式

• 颜色：color='red'、'#FF5733'、[0.1, 0.8, 0.3]
• 线型：linestyle='--' 或 ls=':'
• 标记：marker='o', markersize=8

5. 多子图

fig, axs = plt.subplots(2, 2, figsize=(10, 8))
axs[0, 0].plot(...)
plt.tight_layout()  # 自动防重叠

---

五、图像处理（谨慎使用）

⚠️ plt.imread / imsave 已弃用，建议用 Pillow 或 imageio

功能	推荐方式
读图	np.array(Image.open('img.jpg'))
显示	ax.imshow(img)
保存	Image.fromarray(arr).save('out.png')

---

六、中文显示解决方案

# 方法1：全局设置（Windows）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示

# 方法2：指定字体路径（跨平台）
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="/path/to/simhei.ttf")
ax.set_title("标题", fontproperties=my_font)

---

七、与 Seaborn 协同

• Seaborn 是 Matplotlib 的高级封装，默认使用 Matplotlib 渲染

• 设置 Seaborn 样式会影响后续所有 Matplotlib 图：

  sns.set_style("whitegrid")
  sns.set_palette("Set2")

• 混合使用：

  fig, ax = plt.subplots()
  sns.boxplot(data=df, x='category', y='value', ax=ax)
  ax.set_title("Custom Title via Matplotlib")

---

八、最佳实践

✅ Do's

• 使用 figsize 控制画布大小
• 用 dpi=300 + bbox_inches='tight' 保存高清图
• 多子图用 plt.subplots() + tight_layout()
• 复杂图表优先用面向对象 API
• 探索数据时结合 Seaborn 快速出图

❌ Don'ts

• 不要写 plt.plot(...)（... 是 Ellipsis，会报错！）
• 避免在循环中不关闭图形（内存泄漏）→ 用 plt.close()
• 饼图类别 > 5 时改用条形图
• 不要在服务器环境使用交互式后端（如 Tkinter）

---

九、常用配置速查

# 全局设置示例
plt.rcParams.update({
    'figure.figsize': (10, 6),
    'font.size': 12,
    'lines.linewidth': 2,
    'axes.grid': True,
    'axes.spines.top': False,
    'axes.spines.right': False
})

---

十、调试技巧

• 查看当前后端：matplotlib.get_backend()
• 列出可用字体：matplotlib.font_manager.findSystemFonts()
• 清空当前图：plt.clf()；关闭窗口：plt.close()
• Jupyter 内联显示：%matplotlib inline

---

📌 一句话总结 ：
"简单用 pyplot，复杂用 axes；中文设字体，多图用 subplots；高清靠 savefig，美观靠 Seaborn。"

---

后续

python过渡项目部分代码已经上传至gitee，后续会逐步更新。

资料关注

公众号：咚咚王

gitee：https://gitee.com/wy18585051844/ai_learning

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》